Un modelo de datos común para la representación del comportamiento observado del cliente

Nicolas Martin Casariego Sarasquete

Resumen


El comportamiento del cliente ha cambiado drásticamente en los últimos años. Ser capaz de anticipar el comportamiento de nuestros clientes es el santo grial de todo líder de negocio. Ahora somos capaces de trazar y almacenar parte de ese comportamiento observado del cliente, eso gracias a la transformación digital, la adopción de redes sociales, la infraestructura en la nube y la tecnología disponible de big data. Este comportamiento observado se compone de transacciones repetitivas y compras recurrentes, así como de interacciones y navegación a través de las propiedades digitales, canales, dispositivos y aplicaciones. El presente artículo establece las bases para un modelo de datos común para representar el comportamiento trazado del cliente. Con este modelo, las organizaciones serán capaces de representar cualquier modelo de negocio centrado en el cliente, y analizar los problemas de marketing más comunes: segmentación, venta cruzada y retención. También permitirá usar las herramientas analíticas y predictivas más populares para el análisis del comportamiento del cliente.

Palabras clave


Experiencia de cliente, Comportamiento de cliente, Inteligencia de cliente, Modelo de datos de comportamiento, Analítica predictiva de cliente, Patrones de comportamiento de cliente

Texto completo:

PDF (English) HTML (English)

Referencias


[Allen, J. F. 1983] Allen, J.F. (1983) “Maintaining knowledge about temporal intervals”, Communications of the ACM.

http://dx.doi.org/10.1145/182.358434

[Armstrong, W.W. 1974] Armstrong, W.W. (1974) “Dependency Structures of Data Base Relationships”. IFIP Congress.

[Chen, P. 1976] Chen, P. (1976) "The Entity-Relationship Model - Toward a Unified View of Data". ACM Transactions on Database Systems.

http://dx.doi.org/10.1145/320434.320440

[Codd, E.F. 1993] Codd E.F., Codd S.B., and Salley C.T. (1993) “Providing OLAP (On-line Analytical Processing) to User-Analysts: An IT Mandate”.

[Fiedler, L. 2016] McKinsey, By L. Fiedler, T. Großmaß, M. Roth, and O. Vetvik. (2016) “Why Customer analytics matter”.

https://goo.gl/fddVnU

[Forrester. 2011] Forrester, (2011) “Age of the Customer”.

https://goo.gl/X7lARH

[Granger, C. 1980] Granger, C. "Testing for causality: A personal viewpoint". Journal of Economic Dynamics and Control, 1980.

http://dx.doi.org/10.1016/0165-1889(80)90069-X

[IAB. 2012] IAB. (2012) “Attribution Primer”.

https://goo.gl/ppxqrM

[Khoo, C. 2002] Khoo, C., Chan, S., & Niu, Y. (2002). “The many facets of the cause-effect relation”. In R.Green, C.A. Bean & S.H. Myaeng (Eds.), “The semantics of relationships: An interdisciplinary perspective”.

http://dx.doi.org/10.1007/978-94-017-0073-3_4

[Kimball, R. 2013] Kimball, R. and Ross, M. (2013) “The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling”.

[Knuth, D.E. 1964] Knuth, D.E. (1964) “Backus Normal Form vs. Backus Naur Form”. Communications of the ACM.

http://dx.doi.org/10.1145/355588.365140




DOI: http://dx.doi.org/10.7195/ri14.v15i2.1078

Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2017 Revista ICONO14. Revista científica de Comunicación y Tecnologías emergentes

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.