Modelos de personalizacion - Trabajos de Grado | Ingeniería de
Anuncio
IWorld.com - La revista de Internet Técnicas y modelos de personalización de sitios web En este artículo se exponen las técnicas y modelos básicos de personalización que utilizan los principales modelos de negocio en Internet para conseguir convertir visitantes anónimos en compradores repetitivos. La personalización mediante reglas de negocio y los sofisticados algoritmos utilizados en la recomendación de productos mediante filtrado colaborativo serán los protagonistas junto a la enumeración de los principales fabricantes de software y los aspectos clave a considerar a la hora de diseñar una estrategia de personalización para un website. Se ha podido contemplar en los últimos meses cómo las grandes compañías .com invertían ingentes cantidades de dinero en publicidad orientadas a conseguir visitas, tráfico, potenciales clientes. Mediante campañas tradicionales de publicidad, campañas en Internet basadas en banners, patrocinios o sofisticados programas de afiliación, han podido conseguir la motivación necesaria para que alguien teclee la URL del web en un navegador. Un camino ya está recorrido, un objetivo ya cumplido: la tan deseada y ansiada visita. A partir de ese momento, el visitante se encontrará ante un interface más o menos sofisticado e intuitivo. Ante él se desplegarán menús y menús que darán paso a contenidos y más contenidos. Quizá acceda a un catálogo y pase diez minutos visualizando artículos o, tal vez, se haya visto seducido por el banner de un anunciante y haya puesto un punto final precipitado a su visita haciendo clic sobre él. En el mejor de los casos, seguirá navegando y, de acuerdo a un estudio elaborado por la consultora Boston Consulting Group, existirá un 98% de posibilidades de que abandone el web sin haber efectuado ninguna compra. Dicho de otra forma, sólo dos de cada cien visitantes de un web acaban convirtiéndose en compradores. Está claro que algo hay que hacer ante tan insignificante ratio de conversión y existe unanimidad en que el mejor instrumento puesto al alcance del profesional del marketing es el conjunto de tecnologías, procesos y acciones que engloba el concepto personalización. La creciente necesidad de analizar el comportamiento de los usuarios de un web con el fin de convertir visitantes en compradores, anticiparse al abandono del web y aumentar su fidelidad ha desencadenado la aparición de este concepto que, haciendo bueno el espíritu de orientación al cliente presente en todo modelo de negocio en Internet, hace referencia a cómo una compañía reconoce, comprende y satisface las necesidades individuales de cada cliente sobre el conocimiento de históricos de compras, comportamientos en sesiones y preferencias, hábitos o gustos manifestados de forma expresa por el propio cliente como respuestas a formularios. Personalizar es reconocer a cada comprador como una entidad independiente, asociada a un conjunto de información que la diferencia del resto de compradores y en base a la cual se orienta el modelo de negocio con un objetivo muy simple: conseguir la venta, la venta repetitiva, la fidelización. Como ocurre con tantas otras cosas, el concepto de la personalización no es en absoluto propietario ni exclusivo del mundo de Internet. Personalizar es lo que hace el dependiente de la librería en la que compramos nuestros libros desde hace diez años cuando recomienda al cliente una obra de novela histórica, hace un descuento especial por ser comprador habitual, informa por carta de la próxima feria del libro o envía una felicitación el día de nuestro cumpleaños. Esa experiencia de trato personalizado, individualizado, refiriéndose a nosotros por nuestro nombre, siempre produce un placer especial en el consumidor. Éste lo percibe como una señal de referencia, le hace sentirse importante, diferente a los demás. Le hace pensar que lo más importante para ese dependiente es la satisfacción de su cliente y motiva que durante más de diez años, siempre haya comprado sus libros en la misma librería. Así, en un estudio elaborado por Rubric, el 90% de los compradores indicaron que la personalización podría incentivarles a comprar de nuevo en un mismo web, y el 94% dijeron que serían más receptivos a recomendaciones basadas en sus perfiles e históricos de compras. Por otro lado, la consultora Forrester Research coincide con el estudio de Boston Consulting Group: sólo el 2,7% de los navegantes compran y de esos sólo un 15% repiten Modelos de personalización Cierto es que Internet no descubre el concepto de personalización, pero no menos cierto es que en base a la utilización de la tecnología lo hace mucho más potente y rentable para una compañía. Tal y como se ha comentado, el objetivo último de la personalización es materializar una venta y ese objetivo puede ser alcanzado de diferentes formas, lo que da origen a que existan diferentes modelos de personalización. La personalización del interface. Mediante la personalización del interface, se brinda la posibilidad al usuario de que pueda personalizar los elementos que componen el interface de usuario, fundamentalmente, en cuanto a accesos a contenidos de una forma definida por el usuario. Este modelo de personalización es especialmente agradecido por los usuarios en interfaces que presentan una sobrecarga de contenidos, como ocurre muchas veces con los portales horizontales, donde podemos encontrar más de 80 enlaces a diferentes contenidos en la página de inicio. Es como si el mando a distancia del televisor dispusiera de más de 80 botones para la selección de canales y nunca viéramos más de seis canales diferentes. Es fácil entender que no todos los usuarios van a tener los mismos gustos ni van a estar interesados de la misma forma por todos los contenidos, con lo cual, permitir una redefinición del interface puede ser el primer paso para asegurar la victoria en la batalla por conseguir visitas repetidas de ese usuario. En la figura 1 se recoge el formulario que se presenta en Excite.com para llevar a cabo este tipo de personalización. La personalización del trato. Mediante la personalización del trato, el usuario es identificado por su nombre y no de forma anónima. Es, sin duda alguna, el modelo de personalización más simple, pero debemos reconocer que nos gusta cuando se refieren a nosotros por nuestro nombre. La personalización de contenidos. Personalizar contenidos es mostrar a cada usuario los contenidos más adecuados de acuerdo a alguna preferencia, hábito o gusto que queda recogido en variables. Variables como destino preferido, perfil de inversor o género más comprado. O según el comportamiento manifestado durante una sesión de navegación e interpretado por una aplicación en base a lo que se conoce como click stream analisys. Las reglas de negocio Una regla de negocio define qué debe ser personalizado, en base a qué y para quién. Es decir, especifica el elemento que debe ser presentado a un usuario concreto ante la aparición de un evento determinado. Son definidas y ejecutadas por el software utilizado para implementar la personalización en el web y siempre en el contexto de una sesión de navegación. Por ejemplo, si el responsable de marketing de un web dedicado a la venta de artículos deportivos ha decidido que en el banner de la esquina superior derecha de la página de inicio, aparezca un artículo de la familia de artículos en la que más compras haya efectuado el usuario que en ese momento visita el web. Para poder llevar a cabo este modelo de personalización, se debe contar con que en el modelo de datos de clientes debe existir una variable que recoja el código de la familia de productos de la cual más artículos ha comprado el usuario. Con esa variable identificada, se podría construir una regla de negocio tal que así: SI cod_familia_mas_comprada = 1 ENTONCES Como es fácil adivinar, este mecanismo de personalización presupone un conocimiento muy profundo por parte de la función de marketing de la compañía. Una regla de negocio no puede modificarse en tiempo real, no aprende de experiencias y es definida desde la inteligencia de negocio. El filtrado colaborativo El filtrado colaborativo es una forma de recomendar un producto a un usuario en base a afinidades que éste muestra con un grupo de usuarios con gustos similares. Estos gustos similares habrán podido ser manifestados de forma explícita mediante respuestas a preguntas o podrán haber sido inferidos de comportamientos en sesiones. Todos los usuarios de Amazon.com han sido objeto de este mecanismo de personalización cuando ante la selección de un libro se presenta una lista de libros comprados por clientes que han comprado el libro seleccionado. Por ejemplo, si en Amazon.com se selecciona el clásico de Don Peppers y Martha Rogers The One to One Fieldbook se verá cómo aparece una lista de cuatro libros encabezadas por una frase en inglés que viene a decir: "los clientes que compraron este libro también han comprado..." (en la figura 2 se recoge un ejemplo de filtrado colaborativo obtenido de Amazon.com). Por tanto, no es descabellado pensar que cuando menos, un gran porcentaje de los clientes se animen a curiosear en los índices de alguno de los libros propuestos y que un porcentaje bastante considerable acabe añadiendo un segundo libro a su carrito de la compra (quizá uno de los recomendados). El filtrado colaborativo dispone de un amplio soporte matemático. Así, el fundamento es una matriz donde las filas pueden representar usuarios y las columnas productos. En cada celda de esa matriz encontraremos un valor numérico que representa la valoración de un usuario para un producto concreto. Siguiendo esta formulación, el problema se reduce a predecir valores para las celdas vacías, agravándose el problema debido a que esta matriz será generalmente una matriz con muchísimas celdas vacías debido a que cada usuario habrá podido valorar sólo una mínima parte de los productos. Imaginémos el caso concreto de Amazon.com, donde el catálogo puede tener miles y miles de referencias y cada usuario sólo habrá valorado unas cuantas. Los algoritmos más empleados para encontrar un valor a esas celdas vacías son los conocidos como neighborhood-based methods, los cuales se basan en la utilización de correlaciones de Pearson. En estos algoritmos, un subconjunto de usuarios apropiados son seleccionados en base a su parecido con el usuario activo y sus valoraciones son utilizadas para predecir una valoración para el usuario en activo y de esa forma hacer la recomendación. Otros algoritmos son las redes bayesianas y las redes neuronales. NetPerceptions es la aplicación utilizada por El Corte Inglés para implementar filtrado colaborativo en sus modelos de negocio en Internet. Su tecnología está basada en los desarrollos e investigaciones efectuadas por el GroupLens Research Project del departamento de Ingeniería Informática de la Universidad de Minnesota. Este proyecto comenzó sus investigaciones sobre sistemas de filtrado colaborativo en 1992 y fue conocido por su aplicación a las news de Usenet en 1996. Modelo de datos de clientes Tal y como hemos visto con anterioridad, un esquema de personalización se diseña en base a la información que sobre un cliente se tiene y define la adaptación de contenidos, servicios, funcionalidades e interface de usuario del web a cada cliente de forma individual y en base a su perfil, con el objetivo último de conseguir la fidelización del cliente. Todo ello no sería posible si no se contara con un modelo de datos de clientes que fuera el soporte de toda la información sobre los mismos con que cuenta una empresa. La información sobre clientes en él recogida estará organizada de tal forma que satisfaga las necesidades del negocio y ofrecerá una visión completa del cliente. Esto es, recogerá y centralizará información de cualquier canal a través del que, el cliente pueda relacionarse con la compañía: web, terminal WAP, call center, etc. Para poder personalizar de la forma más versátil posible, el modelo de datos se construirá sobre tres tipos de variables: variables demográficas, de sesión y de operaciones. Las veremos a continuación: 1. Las variables demográficas representan información relacionada con características propias del cliente como persona física, tales como su nombre, apellidos, dirección, teléfono, fecha de nacimiento, sexo, etc. 2. Las variables de sesión representan información sobre cómo interactúa el usuario con el web o cualquier otro canal durante sus sesiones de trabajo. Para la definición de este tipo de variables resulta imprescindible conocer con detalle todos los elementos posibles de interacción que ofrezca el interface de usuario, ya que cualquiera de ellos es una potencial fuente de información. Con ellas será posible conocer hábitos y preferencias de los clientes en base a la utilización que hace de los contenidos, los servicios y el interface de usuario. 3. Las variables de operaciones representan información sobre el conjunto de operaciones a nivel de transacción que el cliente ha efectuado durante su histórico de sesiones, es decir, su histórico de compras. Las variables de operaciones tipificarán el proceso de compra, pudiendo recoger información sobre número de artículos comprados, día y hora de la compra, contenido o servicio de procedencia, descuento aplicado, etc. La información suministrada por este conjunto de variables es fundamental a la hora de diseñar esquemas de personalización y programas de fidelización basados en compras anteriores y hábitos o preferencias. Segmentación de clientes El objetivo de la segmentación de clientes es obtener grupos o conjuntos de clientes que comparten características, perfiles, hábitos, preferencias o comportamientos de compra, con el fin de poder efectuar sobre ellos acciones comunes de marketing bajo la forma de comunicados, ofertas, promociones, etc. Se pueden establecer criterios de segmentación en base a variables demográficas o de cualquier otro tipo, pudiendo ser criterios válidos la edad, el sexo, el artículo deportivo más comprado o el número de entradas que ha comprado en el último mes, existiendo dos técnicas de segmentación: segmentación pre-análisis y segmentación post-análisis. En la segmentación pre-análisis, la segmentación se hace de forma manual, antes de cualquier análisis de la información y en base a variables de cualquier tipo. La técnica de segmentación post-análisis es consecuencia de un análisis de la información donde se descubren grupos de clientes con similares comportamientos o hábitos no deducibles de forma clara antes del análisis. La segmentación puede ser definida de forma manual o de forma automática si la tecnología contempla esa posibilidad. El producto Relationship Marketing Server de Vignette implementa esta característica mediante su automated clustering. Las reglas de negocio que se han definido con anterioridad pueden ser válidas para aplicar esquemas de personalización a segmentos de clientes y para definir en sí mismos los propios segmentos de clientes. Software de personalización Existen más de 450 aplicaciones en el mercado dedicadas al concepto de la personalización y especializadas en diferentes aspectos muy concretos de la misma, desde la captura de la información de diferentes fuentes de información y/o logs e integración posterior en un modelo de datos de clientes único, hasta los modelos de recomendación basados en filtrado colaborativo, pasando por los modelos de personalización basados en reglas de negocio y las campañas de marketing online. Sólo hacer un recorrido detallado por las principales aplicaciones podría suponer toda una serie de artículos, por lo cual, las principales aplicaciones quedan recogidas en el cuadro Principales aplicaciones de personalización. De cualquier forma, baste citar las aplicaciones analizadas por la consultora Appian en su popular Appian Web Personalization Report: Accrue, Allaire, Andromedia, ATG, Autonomy, Blaze Software, Blue Martini, Broadvision, E.piphany, Exchange Applications, Excite Mobile, HNC, IBM Net.Commerce, Manna, Micromass,MS Site Server, Netperceptions, Netscape, Open Sesame, Paragren, Personify, RightPoint, Silknet, Trivida y Vignette. Esta misma consultora creó el 3 de mayo de 1999 el Appian Web Personalization Index (AWPIX), un índice bursátil que agrupa los valores de las compañías más representativas en temas de personalización que cotizan en el NASDAQ. Las siete compañías incluidas en la actualidad en el índice AWPIX son: Accrue, Art Technology Group, Broadvision, E.piphany, Exchange Applications, Net Perceptions y Vignette. PRINCIPALES APLICACIONES DE PERSONALIZACIÓN Aplicación Ámbito Principales clientes Broadvision Personalización Bankinter, Macromedia, Motorola E.piphany Centralización de información, campañas de marketing y personalización Amazon.com, expedia.com, Microsoft NetPerceptions Personalización JP Morgan, Macy's, Bol.com, cdnow.com Netgenesis Centralización de información, análisis de la información Charles Schwab, Credit Suisse First Boston, 3com.com Broadbase Centralización de información, campañas de marketing y personalización Cisco.com, HP.com, GM.com Vignette Gestión de contenidos,personalización, sindicación Merrill Lynch, Lloyds TSB, Ariba, Sun Accrue Personalización, gestión de campañas, programas de afiliados, análisis de la información Buy.com, Citibank,Wal-mart Art Technology Personalización American Airlines, CNN, Reuters, Blockbuster Problemas de la personalización Las técnicas de personalización enumeradas hasta el momento encuentran detractores entre aquellos que opinan que el consumidor puede libremente cambiar de forma drástica sus gustos. Por ejemplo, un consumidor es habitual lector de obras de ciencia-ficción y un buen día decide comprar una obra de novela histórica. Evidentemente, un modelo de personalización basado en compras anteriores nunca le habría recomendado una obra de novela histórica, pero ¿es justo considerar esa propuesta como un fracaso? Después de todo, no hay que olvidar que la personalización habría tan sólo recomendado, nunca comprado y siempre está la libertad del usuario para no hacer caso de la recomendación y decidir explorar nuevas categorías del catálogo. Por otro lado, lo que sí podría contemplar el sistema es un doble nivel de personalización. Un primer nivel de personalización lo encontraríamos en la recomendación de obras dentro de una misma categoría y un segundo nivel de personalización en la recomendación de una nueva categoría de libros después de haber efectuado un número determinado de compras de la misma categoría. La inteligencia de marketing debería ser capaz de diseñar un mapa de relaciones de categorías que pudiera exponer cómo un lector de narrativa evoluciona hacia novela histórica y de ahí a ciencia-ficción, por poner un ejemplo. Estas tendencias o evoluciones deberían inferirse con la ayuda de aplicaciones de datamining y siempre quedarían fuera del estricto ámbito de la personalización. Tecnología WAP y personalización Evidentemente, el concepto de personalización es absolutamente multicanal, dependiendo únicamente la personalización efectiva que pueda llevarse a cabo de las capacidades del interface de usuario de cada aplicación. De cualquier forma, la personalización de contenidos y funcionalidades es independiente del canal. WAP 411 es un servicio gratuito y personalizado de información de viajes desarrollado por la compañía Appian Corporation. El motor de personalización reside en un mecanismo de recomendación de productos basado en filtrado colaborativo. La importancia de la privacidad De la misma forma que a muchos consumidores les molesta pasear entre los expositores de un gran almacén y sentirse observados por los ojos ávidos de venta de un vendedor o vendedora que pregunta con insistencia ¿en qué le puedo ayudar?, muchos consumidores en Internet manifiestan sentirse observados cuando sofisticadas aplicaciones de personalización les sugieren promociones, productos o contenidos en base a su comportamiento en la sesión. Por ello, es de vital importancia obtener el máximo de información posible de la forma menos intrusiva posible, hacer ver al usuario que estás personalizando, que él es el primer beneficiado y permitir a los usuarios que nos comuniquen dónde la personalización ha podido fallar. No es recomendable abusar de formularios para la recogida de información y su utilización de estar ceñida a aquellas variables que no es posible inferir de sesiones de navegación, como es el caso de las variables demográficas. El concepto de permission marketing puesto tan de moda por Seth Godin, vicepresidente de marketing de Yahoo, se construye sobre la importancia de que el potencial cliente dé su permiso consentido para ser anunciados productos que concuerden con áreas de interés manifestadas por él mismo. Los diez principios clave de la personalización Si se tuvieran que resumir en diez puntos los aspectos clave de una estrategia de personalización, bien podrían ser los siguientes: • • • • • • • • • • Identificar claramente los objetivos de la personalización. Aprender de cada movimiento del usuario. Contemplar todas las posibles fuentes de información. Obtener el máximo de información y de la forma menos intrusiva posible. Permitir a los usuarios que nos comuniquen que la personalización ha fallado. Cuidar la privacidad. Hacer ver al usuario que estás personalizando y que eso es un servicio para él. Conocer lo que no le gusta al usuario es tan importante como conocer lo que le gusta. Nunca dejar a un usuario esperando a una respuesta personalizada, para eso es mejor no personalizar. Medir el éxito de la personalización. El éxito de la personalización Todas las aplicaciones de software dedicadas a la personalización tienen un denominador común: su alto coste de licencia, llegando algunas a sobrepasar el millón de dólares. Este hecho justifica mucho más la necesidad de efectuar un análisis coste-beneficio antes de implantar una estrategia y una aplicación de personalización, y determinar su ROI o retorno de inversión puede ser un hecho diferencial. La experiencia de otros demuestra que las inversiones efectuadas en personalización tienen un retorno de la inversión importante medido de diferentes formas. Así, Excite manifiesta haber recibido cinco veces más visitas a raiz de la implantación de un software de personalización. Levi-Strauss&Co. ha puesto de manifiesto que desde la implantación del software de recomendación basado en filtrado colaborativo Macromedia Likeminds ha incrementado el tiempo medio de permanencia en el web en un 75% y el número de visitas en un 225%. WEB DE INTERÉS • Personalization.com • Appian Corporation • 1to1.com • CRM Project • Accrure Software, Inc • Allaire • Autonomy • Blaze Software • Blue Martini Software • BroadVision • E.piphany • HNC Software Inc • IBM.com • Net Perceptions • Personify • rightpoint.com • kana.com • netGenesis • Broadbase Software • Vignette • Art Technology Group
