Las fases de la gestión de datos en un CDP headless

Hoy en día, las empresas invierten cada vez más en nuevas tecnologías capaces de recopilar y agregar distintos tipos de datos para hacer el trabajo más ágil y eficiente. Sin embargo, al utilizar un stack tecnológico complejo, suelen surgir retos importantes, como por ejemplo:

• La incapacidad de gestionar los datos de forma centralizada porque están organizados en silos que no se comunican entre sí, lo que da lugar a información duplicada y a un mayor mantenimiento para limpiar y actualizar.
• La creación de segmentos de audiencia incompletos y poco fiables debido a la dispersión de la información.
• La dificultad, si no la imposibilidad, de integrar distintas plataformas, lo que provoca problemas a la hora de activar los datos para crear campañas de marketing personalizadas y eficaces.

Estos retos llevan a muchas empresas a adoptar una Customer Data Platform (CDP).

Una CDP puede recopilar, unificar y gestionar datos de primera y de terceros en un único almacén de datos, ofreciendo una visión de 360 grados de sus clientes. Esto permite a las organizaciones obtener la inteligencia de negocio que necesitan para aumentar las ventas, retener clientes y tomar decisiones estratégicas basadas en datos.

En un interesante podcast de Humans of Martech, Michael Katz recuerda los 8 pasos esenciales que constituyen una Customer Data Platform, tal y como recoge Arpit Choudhury en su serie de artículos sobre Customer Data Platforms:

• Infraestructura de datos de clientes
• ETL (Extracción, Transformación y Carga)
• Almacenamiento
• Resolución de identidad
• Segmentación de audiencias
• Reverse ETL
• Calidad de datos
• Gobernanza de datos y cumplimiento de privacidad

Cada una de estas fases representa un reto tanto desde una perspectiva tecnológica como estratégico-ética. Exploremos juntos las que consideramos más significativas en el contexto de una solución que aprovecha el poder del Cloud Data Warehouse en lugar de una Customer Data Platform tradicional, a saber:

• CDI (Infraestructura de datos de clientes)
• ETL (Extracción, Transformación y Carga) e ingesta de datos
• Resolución de identidad
• Segmentación de audiencias
• Reverse ETL

Infraestructura de datos de clientes (CDI)

Esta fase abarca todas las actividades de adquisición de datos de usuarios. Dentro de la CDI (Infraestructura de datos de clientes), incluye todas las herramientas y estrategias de recopilación, empezando por el seguimiento analítico y los píxeles publicitarios, continuando con la convergencia de datos en sistemas CRM y extendiéndose a soluciones de recopilación más avanzadas, como tarjetas de fidelización en el punto de venta, datos geolocalizados o datos sintéticos.

Esta fase suele infravalorarse y abordarse de forma inversa al flujo de trabajo ideal. El enfoque habitual tiende a ser “primero recopilar los datos y luego entender cómo utilizarlos”, y esto a menudo conduce a dificultades en la posterior unificación o a la ausencia de datos fundamentales. Un ejemplo clásico es no exponer en el tracking online los datos típicos del mundo físico, como los identificadores de usuario, lo que después hace imposible correlacionar ambos comportamientos.

Una Infraestructura de datos de clientes sólida parte de las necesidades y objetivos del negocio, cubre todo el customer journey y busca una recopilación de datos ética y robusta.

En esta fase, a menudo es esencial adoptar un enfoque lean, realizando un seguimiento amplio, pero solo de lo necesario. Este enfoque ayuda a disipar la ilusión de poder rastrear todos los datos y garantiza que solo los datos con un propósito claro fluyan hacia los sistemas de la empresa.

ETL (Extracción, Transformación y Carga) e ingesta de datos

El ETL es el segundo paso en el recorrido de los datos del usuario y abarca todos los procesos que conducen a la extracción de datos, su transformación a un formato común y su carga en el data warehouse.

Durante esta fase, las empresas suelen encontrarse con problemas de transformación de datos, pérdida de datos durante la ingesta y la necesidad de mantener la consistencia de los datos. Estos problemas a menudo se derivan de enfoques subóptimos en el primer paso, en el que se recopilan grandes cantidades de datos inconsistentes y mal estructurados, dejando la responsabilidad de la ingesta a la fase de ETL, lo que dificulta resolver los problemas en origen.

También en esta etapa, partir de objetivos de negocio lean permite establecer modelos y estructuras de datos, así como un propósito claro. Esto simplifica la comprensión de cómo deben relacionarse las tablas y cuál es el formato de datos óptimo, haciendo que el trabajo de ETL sea sencillo y robusto y garantizando la existencia de un Data Warehouse optimizado, eficiente y mantenible.

Resolución de identidad

En esta fase, se rastrea la identidad de un usuario a través de distintas plataformas mediante identificadores únicos. Este proceso es fundamental para el propio concepto de Customer Data Platform. En primer lugar, desplaza el foco de los canales al usuario, haciendo ampliamente disponibles las acciones dirigidas y la fidelización. Además, permite romper los silos corporativos y lograr una visión realmente unificada del comportamiento y la interacción del usuario.

Lo que hace compleja la resolución de identidad es que una entidad puede tener múltiples identificadores asociados. Estos identificadores pueden variar en función de la fuente o del sistema del que procedan. Por ejemplo, una persona puede tener un identificador basado en su número de teléfono en un sistema, otro basado en su dirección de correo electrónico en otro sistema, y así sucesivamente. La jerarquía de IDs implica organizar estos identificadores en una estructura o secuencia lógica que determine cuáles son más fiables o tienen prioridad sobre otros.

La parte crucial de la resolución de identidad es vincular estos identificadores entre sí. Esto puede hacerse mediante diversas técnicas, como analizar similitudes entre identificadores, verificar la igualdad entre ellos o utilizar algoritmos avanzados de correlación. El objetivo es conectar o mapear distintos identificadores a un identificador principal o único para la entidad en cuestión.

Bytek Prediction Platform resuelve este problema ayudando a configurar un identificador único desde la fase de recopilación de datos, garantizando que todo el proceso se mantenga coherente y racional. Este enfoque ayuda a evitar actividades complejas de modelado y conciliación que pueden ser costosas y dar lugar a una baja calidad de los datos.

Una vez completada la fase de resolución de identidad, puede estar seguro de disponer de una visión de 360 grados del usuario. En consecuencia, todos los modelos y segmentos que aplique pueden atribuirse al usuario individual, liberando todo el potencial de la automatización y la personalización en la experiencia de usuario.

Segmentación de audiencias

Los usuarios se dividen en grupos homogéneos en función de criterios como intereses, comportamientos o datos demográficos. Este proceso permite personalizar las estrategias de marketing según las necesidades y preferencias de cada grupo.

Empecemos por distinguir dos procesos que a veces se confunden, pero que son bastante diferentes: segmentación y clustering.

Por segmentación entendemos la división de nuestra base de clientes en segmentos. Normalmente, esta actividad se basa en criterios cualitativos y decisiones de negocio. Las audiencias creadas no tienen en cuenta la “similitud” entre usuarios, que sí puede considerarse mediante técnicas estadísticas de clustering. La relevancia es, sin duda, alta, pero el valor estadístico es bajo, lo que conduce a una baja fiabilidad de los datos y a dificultades para utilizar el segmento en retargeting o en análisis de insights.

El clustering, en cambio, es un análisis estadístico que permite dividir una audiencia en grupos de usuarios “similares” en función de los parámetros que estemos utilizando. Por ejemplo, podemos realizar un análisis RFM con el objetivo de identificar clientes con alto potencial, clientes frecuentes pero de bajo gasto y clientes top. Mediante técnicas de clustering como K-Means, agruparemos a los usuarios en segmentos eficaces y significativos, asignando la etiqueta correcta y supervisando estadísticamente cuándo nuestro clustering sigue manteniendo una buena consistencia.

A menudo, la segmentación de usuarios sufre problemas que comprometen por completo su eficacia. Profundicemos en los más comunes:

Asignación incorrecta al grupo

Esto suele ocurrir cuando no utilizamos metodologías de segmentación estadística o cuando los datos entrantes son inexactos. En el primer caso, hemos sido demasiado arbitrarios al crear el segmento de audiencia, incluyendo usuarios que probablemente no pertenecen directamente a ese grupo. El ejemplo clásico es incluir usuarios en la categoría de “Clientes top” que en este momento no son los mejores clientes de la empresa, pero que aun así recibirán mensajes y promociones como si lo fueran.

En el segundo caso, el problema no está en el sistema de segmentación, sino en la recopilación de datos: puede que hayamos perdido algunas transacciones importantes por problemas de tracking o que hayamos gestionado mal los datos de una fuente concreta. En consecuencia, un cliente muy importante podría acabar en un clúster de menor valor y no beneficiarse plenamente de todas las estrategias dedicadas a él.

El problema de tener un tamaño de grupo demasiado pequeño

Otro error común en la segmentación es la tendencia a crear grupos demasiado pequeños como para ser estadísticamente significativos y utilizables en plataformas publicitarias.

Si queremos asegurarnos de que nuestras estrategias de marketing aprovechan al máximo el potencial de la segmentación, nuestros grupos deben tener un tamaño que permita dirigirlos en campañas en plataformas publicitarias, así como dentro de nuestros sistemas de marketing directo.

En cuanto a las plataformas publicitarias, debemos tener en cuenta las limitaciones de privacidad y las limitaciones reales de entrega. La primera limitación es un método de protección de la plataforma destinado a evitar que puedan identificar fácilmente a los usuarios individuales cargados en sus plataformas y, por tanto, acceder a información sin su consentimiento. La protección es absolutamente necesaria, pero plantea un reto de segmentación. Siempre debemos poder crear audiencias de al menos 800/1000 usuarios si queremos garantizar la activación a través de Meta o Google.

También debemos recordar que no todos los usuarios serán reconocidos cuando enviemos estos segmentos a las plataformas. Los porcentajes de coincidencia varían significativamente de un sector a otro, y solo podemos verificar a posteriori si nuestras estrategias de segmentación están creando audiencias realmente utilizables.

Incluso en el caso de campañas de marketing directo, contar con el tamaño de audiencia adecuado es importante. Tener segmentos con 1-2 usuarios no es ventajoso en términos de agregación y automatización y puede impedirnos enviar mensajes eficaces.

La relevancia limitada de la segmentación para las estrategias de marketing

A menudo, las actividades de segmentación se llevan a cabo sin tener en cuenta la estrategia de marketing y los objetivos de negocio. Normalmente, las empresas se dividen en silos y la segmentación la realiza el equipo de IT/Data Science o el equipo de Marketing.

Esta división de roles a menudo conduce a segmentos que no están perfectamente alineados con la estrategia y, por tanto, son difíciles de utilizar. Por ejemplo, tener un segmento de clientes frecuentes puede no ser siempre estratégico si nuestro objetivo final no es aumentar el número de clientes top, sino hacer crecer la base de clientes.

En el caso de segmentos demográficos o basados en intereses, el asunto se vuelve aún más sensible. Proporcionar datos sobre género o edad es una actividad estándar que a menudo implica complejidad y retos relacionados con el RGPD, aunque no exista ninguna campaña que contemple esa segmentación.

Solo la implicación activa de los profesionales del negocio en el proyecto de Customer Data Enrichment garantiza que la audiencia se alinee con las necesidades estratégicas y sea aplicable de inmediato.

La baja similitud entre los individuos dentro del grupo

Como vimos al principio, la segmentación manual que no considera un enfoque estadístico corre el riesgo de incluir usuarios en determinados clústeres que en realidad no son similares a otros. Aunque esta flexibilidad puede ser muy apreciada desde un punto de vista estratégico, no es raro ver que el uso de audiencias construidas de este modo conduce a un bajo rendimiento de las campañas debido a una segmentación de audiencia incorrecta.

Reverse ETL

El proceso de reverse ETL es una parte crucial de la capacidad de una CDP para integrarse en un ecosistema de marketing y activar de forma eficaz la segmentación y el enriquecimiento de los datos de clientes.

El proceso inverso parte de la single source of truth, el data warehouse creado durante la fase de ETL, y extrae datos para integrarlos en plataformas de activación como CRM, plataformas de Marketing Automation y plataformas PPC (Google, Meta, TikTok).

El proceso de reverse ETL es el único responsable de crear consultas eficientes e integraciones estables para garantizar que los datos fluyan correctamente y permitan al equipo de marketing lograr los máximos resultados.

Sin embargo, a menudo no basta con tener consultas bien estructuradas. Debemos centrarnos en las necesidades específicas de una campaña o de un recorrido de automatización para garantizar que el flujo de datos pueda activarse con una estrategia clara y de impacto.

Bytek Prediction Platform se basa en este supuesto, transformando el paradigma de los datos no solo a nivel técnico, sino, lo que es más importante, a nivel estratégico.

Ya hemos desarrollado estrategias de activación y mejora del rendimiento, como el enriched bidding, y gracias a nuestras estrategias podemos invertir el flujo de datos y exponer todos los datos necesarios para que plataformas como Google Ads aprovechen los datos de primera parte y mejoren significativamente el rendimiento de las campañas.

Este proceso es posible gracias a una amplia experiencia en recopilación e integración de datos de marketing, así como a un profundo conocimiento de las dinámicas del marketing digital.

De este modo, el proceso de Reverse ETL puede describirse realmente como end-to-end.