Cliente: Sector cosmética y cuidado personal Metodología: Open Data Mining Puntos de dolor / necesidad / objetivo general del cliente (Situation) La explosión de principios activos para productos de cosmética dada la apertura a productos provenientes de diferentes países, llevan a clientes como Loreal, Natura y otros a buscar nuevas rutas de desarrollo y nuevos principios activos para sus productos. Una herramienta de screening poderosa es la comparación de las descripciones de los productos y compararla con la información explícita en e-commerce y la participación en venta. Metodología y dispositivos analíticos Open Data Mining es una metodología que permite: USAR: La enorme cantidad de información presente en internet, inclusive las descripciones de producto en e-commerce, la conversación digital en audio, video y texto. DETECTAR: Detectar conversaciones que tienen el potencial de convertirse en tendencia al comparar cada nueva conversación con aquellas que han sido exitosas y no tendenciosas para que las marcas aprovechen las tendencias en sus primeras etapas de desarrollo. ENCONTRAR: Entidades como principios activos, concentraciones, características diferenciales, concentraciones de producto entre otros aspectos que no parecieran notorios a la luz de cualquier persona. Gran resultado general (Work underway) Mapa completo de principios activos tendenciosos, que el consumidor quiere comprar y de los cuales el consumidor quiere aprender Ruta de desarrollo de producto entendiendo las funcionalidades esperadas que el mercado aclama.
Cliente: DirecTV Metodología: Churn Management Puntos de dolor / necesidad / objetivo general del cliente (Situation) Antecedentes: Al ser una organización que cotiza en bolsa, un punto de churn implica deterioro en el valor de la acción. Ahora, al ser una compañía con productos basados en televisión y no la mezcla TV + telefonía + internet como otros competidores, las herramientas de retención se vuelven limitadas, basadas en calidad, excelencia operativa y contenido premium. Necesidad: Calibrar modelos de fuga eficientes y hacer estimaciones de las pérdidas de clientes futuras para anticipar la pérdida con antelación. Gran resultado general (Work underway) Desarrollo de Un modelo de datos, que concentró la información de diferentes fuentes dentro de la compañía (facturación, PQRS, Servicio, operación) lo que redujo significativamente el tiempo dedicado a consultas, modelamiento y decisiones. Creación de modelos que permitan detectar y controlar el churn early (fuga de clientes en los primeros meses del contrato). Modelos competitivos de churn voluntario e involuntario. Modelos de respuesta incremental para medir la eficiencia de herramientas de retención. Entregables y aprendizajes: Un modelo entidad relación que integre la data que gira al rededor de la experiencia del cliente, reduce hasta en un 75% el tiempo dedicado a consultas, modelamiento, reporteo y decisiones data driven Los modelos de respuesta incremental, nos permite comparar la eficiencia de las herramientas de retención comparando expuestos vs controles ante diferentes formatos y promociones. Esto permite crear un repositorio de mejores prácticas que permiten controlar el costo financiero de la retención para no afectar el ARPU de los clientes. Estandarizar los proveedores externos como Contact Center y gestión de redes sociales es clave para evitar que el cambio de proveedores afecte en flujo futuro de la información. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
Cliente: Auteco Metodología: Churn Management Puntos de dolor / necesidad / objetivo general del cliente (Situation) Antecedentes: El servicio postventa es clave. Si bien las motos no se recompran con alta velocidad, asegurar la compra de repuestos y servicios de mantenimiento con la casa comercializadora, es clave para establecer relaciones a largo plazo entre el dueño de la moto y el fabricante. Necesidad: Predecir la probabilidad de falla moto a moto para alistar los insumos necesarios para atender dichas fallas desde los talleres auteco. Predecir la probabilidad que un usuario repare su moto en talleres no autorizados y con repuestos no originales. Gran resultado general (Work underway) Campañas de mantenimiento preventivo con promociones calibradas según cada usuario para incentivar la compra de repuestos originales en talleres autorizados. Hoja de vida por cliente con indicadores de fuga. Alertas integrativas en todo el customer journey map. Entregables y aprendizajes: La predicción de fallas nos permitió entender el momento en el tiempo donde debemos comunicarnos con el usuario para incentivarlo a venir a talleres autorizados. La predicción de fallas nos permitió organizar el proceso de abastecimiento para asegurar que tenemos los repuestos e insumos necesarios para atender la demanda de reparaciones. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
Cliente: Liberty Seguros Metodología: Churn Management Puntos de dolor / necesidad / objetivo general del cliente (Situation) Antecedentes: Generalmente en el sector asegurador, la fuga del cliente era dificil de ver porque las aseguradoras guardan la información a nivel póliza. Crear una vista de cliente único y administrar la fuga de clientes valiosos basando las decisiones no solo en el churn sino tambien en el CLV. Necesidad: Medir la probabilidad de perder clientes persona natural y persona jurídica por ramo comercial y teniendo en cuenta el rol del intermediario. Gran resultado general (Work underway) Un modelo de fuga voluntaria e involuntaria para clientes persona natural y jurídica. Modelo de valor vitalicio de cliente para priorizar las acciones de retención y rentabilización en función del potencial financiero que cada cliente representa para la organización. Entregables y aprendizajes: La creación de un repositorio único de información que integre la data de experiencia del usuario con todas las áreas: Facturación, siniestros, comercialización. No es posible ejercer trabajo en retener clientes no rentables. El modelo de CLV es un excelente complemento a la gestión del cliente. Las campañas de retención se ejecutan en unión al intermediario como líder de la relación con el cliente. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
Cliente: Auteco Metodología: Ci360 Puntos de dolor / necesidad / objetivo general del cliente (Situation) La venta de motos requiere alinear diferentes componentes y estimular la demanda de frentes como la venta de repuestos, los servicios de mantenimiento, la venta misma de motos y todo esto manteniendo control de las PQRS y la dimensión de servicio al cliente. Consciente de la necesidad de estimular la demanda y crear campañas multicanal para comunicarse con el usuario de motos para tal fin, AUTECO buscó integrar información desde diferentes fuentes para crear activos analíticos (modelos predictivos y reportes) para administrar su estrategia de marketing relacional. Gran resultado general (Work underway) Tomando información de ventas más información del RUNT, fue posible una clara y profunda caracterización del usuario de motos, entendiendo su historial transaccional con AUTECO y fuera de AUTECO. Los perfiles de uso de los diferentes servicios complementarios, los RFM de compra de repuestos entre otras dimensiones, facilitaron de forma eficiente la creación de modelos predictivos que detonan decisiones de comunicación para estimular la demanda. Con las probabilidades de compra, cliente a cliente, fue posible alertar a los talleres para que se provisionaran de aquellos repuestos necesarios para tolerar la demanda que se estaba estimulando. Entregables y aprendizajes: Estimular la demanda via campañas requiere crear alertas en la cadena de valor para asegurar la provision de las materias primas y repuestos que necesitan para responder al cliente. La estrategia RFM (recencia, frecuencia y monto) es una técnica descriptiva que permite crear variables con impacto predictivo. Detonar campañas implica crear un CDM (Common data model) que cargue toda la información de inicial (ETL de originación) para crear campañas y posterior cargue la información de los resultados (ETL de retroalimentación) para entrenar modelos a futuro y gestionar reportes de valor. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
Cliente: Abbott Metodología: DDPO (Demand Driven Planning & Optimization) Puntos de dolor / necesidad / objetivo general del cliente (Situation) Derivado de la crisis por COVID 19, la formulación de medicamentos frente nuevos diagnósticos se redujo, la dinamica de la visita médica se mermó y los resultados del sector farma se vieron afectados ya que el aislamiento social no solo evita el contagio de COVID sino de otras enfermedades respiratorias y gastrointestinales. Conscientes de esta dinámica y con el ánimo de habilitar esfuerzos para responder rápidamente a los cambios en el mercado, ABBOTT requería pronosticar la formulación, venta y consumo antes y durante COVID para crear escenarios que permitan anticipar acciones preventivas. Gran resultado general (Work underway) Nuestro modelo DDPO (Demand Driven Planning & Optimization) permitió pronosticar la formulación y venta de más de 453 productos en 23 geografías para estudiar la dinámica de afectación por COVID 19 sobre las ventas. Estos pronósticos facilitaron la inclusión de reglas de negocio bajo escenarios realistas, pesimistas y optimistas para agudizar así la dinámica de visita médica, educación médica continuada y muestra médica durante la contingencia. Entregables y aprendizajes: Probamos más de 70 metodologías de pronóstico para cada SKU * región para escoger aquel con mejor desempeño técnico. Desarrollamos tableros de control en Power BI para analizar las cifras de forma visual, contando una historia y con pertinencia para el negocio. Mediante inclusión de reglas de negocio, creamos pronósticos conciliados a diferentes niveles de optimismo para analizar escenarios What - if Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
Cliente: Liberty Seguros - Seguros EQUIDAD - AXA Seguros Metodología: Competitive Price Scanner Puntos de dolor / necesidad / objetivo general del cliente (Situation) Adaptar los cotizadores de seguros todo riesgo en el ramo de autos para un mercado tan competitivo como el colombiano, exige que tras una minuciosa estrategia de muestreo del parque automotor y de las propiedades del tomador, mensualmente se levanten cotizaciones masivas para monitorear el precio de diferentes referencias. Las aseguradoras se han tecnificado y sofisticado sus cotizadores por lo que no solo se tarifa en función de propiedades del vehiculo, tambien se tienen en cuenta características del tomador como su historial de crédito, perfil de riesgo entre otras. Ante esta dinámica, existe la necesidad de integrar diversas cotizaciones con información de desempeño de mercado para optimizar el precio de forma confiable. Gran resultado general (Work underway) Mediante Python, nuestro equipo de científicos de datos construyeron BOTS que mediante scraping bajan masivamente las cotizaciones de seguros todo riesgo desde los portales de cotización de más de 8 aseguradoras. Esto es posible dado un ambiente elástico basado en la NUBE de AZURE. Tras la bajada masiva de cotizaicones en PDF, un algoritmo cognitivo de inteligencia artificial utiliza principios de OCR (Optical Character Recognition) para leer estos PDF creando bases de datos con valor analítico para monitorear la dinámica de precios en el mercado de seguros de autos. Entregables y aprendizajes: En este contexto, un BOT es un software de computador que hace de forma repetitiva las acciones para las cuales fue programado. Mediante OCR es posible aislar caracteres de diferentes superficiles para crear bases de datos no estructuradas con valor analítico. Block Capital Sampling es una técnica de muestreo que permite seleccionar una cantidad optima de unidades según características del parque automotor y del tomador reduciendo costos sin sacrificar confiaza. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica