En este primer capítulo, estos cambios se ilustran con tres herramientas comerciales desarrolladas para este nuevo contexto: sistemas de recomendación; monitorear la lealtad estimando la probabilidad de pérdida de clientes; y analizar las características y características de las redes de clientes. El primero, los sistemas de recomendación, es novedoso y es un buen ejemplo de las oportunidades que ofrece el análisis de información sobre compras pasadas de los clientes.
INTRODUCCIÓN
A continuación se analizan tres herramientas comerciales probadas y basadas en inteligencia de clientes. La sección 5 está dedicada a una nueva herramienta de marketing digital: el análisis de clientes online.
LOS NUEVOS DATOS EN MARKETING DIGITAL: IMÁGENES Y SEÑALES
Clasificación de imágenes
Cada imagen está representada por un vector de dimensión p que contiene los valores de los píxeles de la imagen. Este proceso requiere primero identificar los píxeles que corresponden al rostro en la imagen digital y luego clasificar el rostro como masculino o femenino.
Análisis de señales de audio
La clasificación de sonidos se realiza de forma más eficaz mediante métodos locales, utilizando una amplia base de datos de pronunciaciones lingüísticas. Estos métodos también mejoran con la experiencia en su uso, porque la base de datos de sonido se puede ampliar aplicando el clasificador cuando sea posible comprobar si fue correcto y clasificado exitosamente.
SISTEMAS DE RECOMENDACIÓN
Los sistemas de recomendación (SR) se pueden clasificar en tres categorías según el procedimiento utilizado para construirlos: 1) por contenido; 2) filtros colaborativos y 3) métodos híbridos. De esta forma se crea para cada cliente una base de “productos vecinos” a los ya adquiridos, que es la base de las recomendaciones.
SEGUIMIENTO DE LA LEALTAD DE LOS CLIENTES
Tipos de clientes y probabilidades de abandono
Los clientes frecuentes son aquellos que tienen una frecuencia de actividad inferior al 100% pero superior a la mediana. Para los compradores frecuentes y ocasionales, una reducción de la actividad puede significar aumentar el tiempo entre compras, ampliar los períodos de inactividad o reducir los montos de las compras.
ANÁLISIS DE LOS CLIENTES EN RED
Este método utiliza toda la información de la red para determinar la importancia de cada cliente, pero requiere obtener toda la importancia del cliente al mismo tiempo. Para resolver este sistema de ecuaciones, llamemos I al vector con N componentes que representan la importancia de cada uno de los N vértices de la red.
CONCLUSIONES
Este capítulo explica las implicaciones de las tres revoluciones de las comunicaciones que la humanidad ha experimentado hasta ahora o que pronto experimentará. De ser así, la historia de la humanidad podría explicarse a partir de las revoluciones en la comunicación que hemos tenido como humanos.
LA PRIMERA REVOLUCIÓN DE LA COMUNICACIÓN: LA ÉPOCA DE LOS MASS MEDIA
Sobre todo porque no podían hacerlo, porque carecían de canales para acceder y transmitir información (Humphreys, 1996). El marketing, y el concepto de marca en sí, depende de que unos pocos –los brand managers– tengan la capacidad de comunicarse con muchos, como mencionamos antes, cuantos más mejor: los consumidores.
LA SEGUNDA REVOLUCIÓN DE LA COMUNICACIÓN: LLEGAN LOS SOCIAL MEDIA
Comienza la era de las redes sociales (Sharma y Verma, 2018; Killian y McManus, 2015), y con ellas la inteligencia colectiva. Si digo que estamos en el cuadrante de la inteligencia colectiva, a más de un lector le puede parecer que estoy exagerando.
LA TERCERA REVOLUCIÓN DE LA COMUNICACIÓN: EL DÍA QUE DEJAREMOS DE DECIDIR
Y lo haremos voluntariamente, simplemente porque las decisiones de la IA serán mejores que las nuestras. Esta contribución se centra en la propuesta de aplicar un modelo de consenso de coste mínimo a un escenario de recomendación grupal, para resolver la gestión de conflictos grupales.
CONCEPTOS FUNDAMENTALES
Sistemas de recomendación
La Sección 3 presenta dos métodos que integran el modelo de consenso de costo mínimo antes mencionado en un modelo de recomendación grupal. Finalmente, los sistemas de recomendación híbridos (Burke, 2002) se centran en combinar paradigmas anteriores, normalmente consolidando información de diferentes fuentes para conducir a un mejor rendimiento.
Sistemas de recomendación a grupo
Paralelamente y en ocasiones integrados con estas dos categorías anteriores, se han desarrollado sistemas de recomendación demográfica (Al-Shamri, 2016), que utilizan las características personales de los individuos, como país, edad, género, con el objetivo de generar recomendaciones. Una de las técnicas básicas de hibridación que señala Burke (2002) es el intercambio, que, dependiendo de la naturaleza del usuario activo, utiliza algún tipo de enfoque de recomendación; el uso de ponderaciones, donde el resultado de diferentes sistemas de recomendación se combina directamente utilizando una determinada ponderación; y la cascada, donde el resultado de un sistema de recomendación es refinado por un segundo sistema.
Modelo de consenso de costo mínimo
Agregación de recomendaciones, donde se suman las recomendaciones individuales a cada uno de los miembros del grupo, para obtener la recomendación grupal (Figura 2).
CONSENSO DE MÍNIMO COSTO EN UN MÉTODO DE RECOMENDACIÓN A GRUPO
Recomendación a grupos con consenso enfocado en las preferencias de los usuarios
Generación de recomendaciones individuales: esta fase se centra en el cálculo de las recomendaciones individuales generadas para cada uno de los miembros del grupo, en base a las preferencias que se han obtenido tras alcanzar el consenso en la fase anterior. Esquema genérico de recomendación de clusters basado en un modelo de consenso de costo mínimo centrado en las preferencias de los usuarios.
Recomendación grupal con consenso enfocado en las recomendaciones individuales
Recomendación de grupo: una vez obtenidos los valores de preferencia del grupo para cada uno de los ítems correspondientes, la lista final de recomendaciones se obtiene clasificando estos ítems en orden descendente según su valor de preferencia. Recomendación al grupo: Una vez obtenidas las valoraciones del grupo para cada uno de los ítems correspondientes, se obtiene la lista final de recomendaciones mediante el.
EVALUACIÓN EXPERIMENTAL
- Protocolo de experimentación
- Resultados de la evaluación del método de recomendación grupal basado en consenso y sobre las preferencias individuales de los usuarios
- Resultados de la evaluación del método de recomendación grupal basado en consenso y sobre las recomendaciones individuales de los usuarios
- Discusión y trabajos futuros
Resultados de la evaluación del método de recomendación grupal basado en el consenso y en las preferencias individuales de los usuarios en consenso y en las preferencias individuales de los usuarios. Resultados de la evaluación del método de recomendación grupal basado en consenso y basado en recomendaciones individuales de usuarios de consenso y basado en recomendaciones individuales de usuarios.
CONCLUSIONES
El desarrollo de la evaluación experimental de los métodos presentados en la Sección 3 ha indicado que la introducción de un método de consenso de costo mínimo dentro de un método de recomendación grupal es efectiva. Hoy en día, la tecnología ya nos permite ofrecer un servicio más personalizado a través de diversos sistemas basados en inteligencia artificial.
LOS ASISTENTES VIRTUALES INTELIGENTES
- Popularidad y particularidades de los asistentes virtuales
- Los asistentes virtuales en el sector servicios
- Asistentes virtuales en el contexto financiero
- Claves del diseño de los asistentes virtuales para la prestación de servicios El diseño de asistentes virtuales para la prestación de servicios requiere tener en cuenta
Cómo deben adaptarse los asistentes virtuales dependiendo de la naturaleza transaccional o relacional de la interacción del servicio. ¿Cuál es el punto óptimo en la colaboración: reemplazar a las personas por asistentes virtuales?
LOS ROBO-ADVISORS O ASESORES FINANCIEROS AUTOMATIZADOS
- Principales características de los robo-advisors
- Retos para la adopción de los robo-advisors por parte de los usuarios
- Factores determinantes de la adopción de robo-advisors
- La preparación tecnológica de los usuarios ante los robo-advisors
Sorprendentemente, y contrariamente a lo previsto, la falta de comodidad tecnológica aumenta, en lugar de disminuir, la intención de utilizar robo-advisors. Este resultado único se explica por las características especiales de la inteligencia artificial como base tecnológica de los robo-advisors.
CONCLUSIONES
Finalmente, tal como se esperaba, el nivel de conocimiento de los robo-advisors tiene un efecto positivo en su adopción. La preparación tecnológica de los usuarios es crucial para la adopción de robo-advisors.
PLANTEAMIENTO DEL PROBLEMA
En este capítulo veremos cómo optimizar la estrategia de marketing digital para conseguir un aumento de nuestros objetivos de ventas offline. En estos casos, la estrategia de las campañas de marketing digital suele ser captar tráfico y leads en la web.
NUEVOS OBJETIVOS Y RETOS
La agencia de medios debe asegurarse de que los usuarios pasan por diferentes etapas para asegurar la máxima ejecución de las operaciones de compra y venta. Conseguimos el reconocimiento de diversos inmuebles, y además, también conseguimos que los usuarios que navegan por el sitio web rellenen formularios de contacto.
SOLUCIONES PROPUESTAS
- Trazabilidad offline
- Medición de objetivos offline
- Trazabilidad cross-device
- Conversiones lejanas en el tiempo
Para una trazabilidad completa, queremos poder comprender el comportamiento de los usuarios en todos sus dispositivos. Para tener trazabilidad de los usuarios en las campañas de marketing utilizaremos un sistema similar.
IMPLEMENTACIÓN
- Trazabilidad de la información
- Importación de los datos
- Agregación de los datos de usuario
- Crear variables predictivas y construir tabla final
- Dividir datos
- Identificar objetivos
- Construir modelo
- Desplegar modelo
- Disponibilizar resultados
- Activación en medios
- Visualización
- Revisiones
Distribución de porcentajes de la tabla completa de datos en cada uno de los conjuntos de datos para entrenar el modelo. Esto nos dará para cada uno de los usuarios de la tabla (cada una de las personas que han navegado por la web en los últimos 30 días) un número del 0 al 1.
CONTEXTO
La función principal de FDVT es informar a los usuarios de Facebook sobre los ingresos generados por los anuncios que reciben en Facebook. Por tanto, podemos obtener el número de usuarios de Facebook de cualquier país (o grupo de países) a los que se les ha asignado un interés (o grupo de interés) concreto.
DATOS Y METODOLOGÍA
En segundo lugar, utilizamos la API del Administrador de anuncios de Facebook para obtener el porcentaje de usuarios de Facebook en cada país a quienes se les asignó al menos una de N (con N entre 1 y 2067) configuraciones de anuncios potencialmente sensibles del subconjunto que se sospecha que es sensible. FFB(C,N): Porcentaje de usuarios de Facebook en el país C a quienes se les asignó al menos una de las primeras N preferencias publicitarias potencialmente sensibles del subconjunto sospechoso.
RESULTADOS
Exposición de los usuarios de Facebook a preferencias publicitarias potencialmente sensibles
Tomando los 197 en conjunto, el 67% de los usuarios de Facebook están marcados con alguna preferencia publicitaria potencialmente sensible. En contraste, el país menos afectado es Guinea Ecuatorial, donde el 37% de los usuarios de Facebook tienen preferencias publicitarias potencialmente sensibles.
Exposición de los usuarios de Facebook a preferencias publicitarias muy sensibles Aunque la legislación trata de definir qué son los datos sensibles, algunas personas
La Tabla 2 muestra la métrica FFB para cada una de las preferencias de publicidad responsiva verificadas por expertos dentro de los cinco continentes. Comparación de la exposición de los usuarios de Facebook de la UE a preferencias publicitarias potencialmente sensibles antes y después.
Si observamos más de cerca algunas de las preferencias publicitarias de la tabla, vemos que la proporción de usuarios en los 197 países está marcada con la preferencia publicitaria. En general, los resultados agregados muestran que el porcentaje de usuarios etiquetados con preferencias publicitarias potencialmente sensibles en febrero de 2019 es solo un 1% menor que en enero de 2018.
RIESGOS ÉTICOS Y DE PRIVACIDAD ASOCIADOS A LA EXPLOTACIÓN DE DATOS PERSONALES SENSIBLES
Otro grave riesgo, muy preocupante a nuestro juicio, está relacionado con el hecho de que muchos usuarios de Facebook son etiquetados con el interés “Homosexualidad” en países donde ser homosexual es ilegal y puede ser castigado incluso con la pena de muerte. La tabla 3 muestra los resultados de la métrica FFB solo considerando el interés “Homosexualidad” en los países que penalizan la homosexualidad con la muerte.
FUNCIONALIDAD DE LA EXTENSIÓN FDVT QUE PERMITE A LOS USUARIOS ELIMINAR LAS PREFERENCIAS PUBLICITARIAS
Desafortunadamente, el proceso actual que ofrece Facebook es desconocido y complejo para la mayoría de los usuarios. Con este fin, hemos ampliado la extensión del navegador FDVT para (i) informar a los usuarios sobre preferencias publicitarias potencialmente sensibles que Facebook les ha asignado; tanto activas como aquellas previamente asignadas a ellas que hoy ya no estén activas, y (ii) permitir a los usuarios eliminar con un solo clic todas las preferencias de publicidad sensibles activas o aquellas con las que el usuario no se sienta cómodo.
TRABAJOS RELACIONADOS
Los autores afirman que si algunos de los intereses divulgados son sensibles, esto puede suponer graves riesgos para la privacidad de los usuarios. 2018), los autores demuestran cómo un atacante puede utilizar JavaScript de seguimiento de terceros de Facebook para obtener datos personales (por ejemplo, números de teléfono móvil) asociados con los usuarios que visitan el sitio web del atacante.
CONCLUSIONES
Crean personas basadas en datos personales confidenciales (por ejemplo, salud) y muestran que también reciben anuncios relacionados con información confidencial utilizada para crear el perfil de la persona. En este trabajo proponemos un análisis de la comunicación de RSE a través de las redes sociales, en particular la red de microblogging Twitter.
La comunicación entre empresas y stakeholders en redes sociales
REVISIÓN DE LA LITERATURA Y PREGUNTAS DE INVESTIGACIÓN En un entorno de movilización social potenciado por las nuevas tecnologías de la infor-
- Gestión de los stakeholders y tipos de RSC
- Comunicación RSC y tipos de stakeholders
Desde una perspectiva de gestión de stakeholders, las empresas pueden responder a las inquietudes sobre temas de RSE a través de las redes sociales. Cuál es la importancia de la RSC de las empresas en la comunicación que se realiza en Twitter.
METODOLOGÍA
Estadísticas descriptivas y correlaciones con el número total de tweets para las variables que se agruparon en CSR Central. Estadísticas descriptivas y correlaciones con el número total de tuits para las variables que se agruparon en RSE Complementaria.
DISCUSIÓN Y CONCLUSIONES
Este capítulo presenta ejemplos utilizados en el sector financiero español basados en las teorías de marketing de respuesta del mercado y valor de marca. Basado en varias teorías sobre cómo crear valor de marca, este capítulo abre el espectro de medidas tradicionales de valor de marca para su aplicación en el entorno online.
MARCO TEÓRICO
- Valor de marca en la literatura tradicional
- Valor de marca online
Y en el contexto de la psicología cognitiva, el valor de la marca proviene de dos elementos: el conocimiento de la marca y las asociaciones con sus atributos. En este trabajo, el marco conceptual propuesto surge de la literatura tradicional sobre valor de marca desde la perspectiva del consumidor (Customer Based Brand Equity, CBBE), que fue desarrollado principalmente por Keller (1993).
LAS MEDIDAS DE LA RESPUESTA DE LOS USUARIOS Y CONSUMIDORES A LOS ESTÍMULOS DE MARKETING
El marketing digital abre el espectro de medidas que se pueden aplicar y su procesamiento mediante técnicas de big data, proporcionando pistas para descubrir el valor de la marca desde el punto de vista del consumidor o usuario. El capítulo se centra en dos ejemplos de aplicaciones de marketing digital que son relevantes para este tema.
APLICACIONES EMPÍRICAS
- Implicación de los usuarios en las redes sociales
- Aplicación a la optimización de la comunicación
Dr. Rubén Cuevas es profesor del Departamento de Ingeniería Telemática de la Universidad Carlos III de Madrid (UC3M). Es profesor emérito de la Universidad Carlos III de Madrid (UC3M) donde lo es desde 1990.
MARKETING DIGITAL Y BIG DATA
