La monetización de los datos

Hace años que los operadores de telecomunicaciones están bajo una gran presión para conseguir mantener sus márgenes de beneficio. A las medidas sostenidas de eficiencia y reducción de costes que han adoptado se unen otras iniciativas para generar nuevos ingresos porque cobrar más por los mismos servicios de siempre no es una opción viable.

Los operadores se sientan sobre gran cantidad de datos de movilidad del cliente recogidos por sus redes, que  emplean para generar ingresos en verticales como el comercio minorista, el transporte y la publicidad. Con ellos proporcionan información altamente segmentada de flujos de tráfico que se puede utilizar para tomar decisiones sobre las ubicaciones de los nodos de distribución, el dimensionamiento de tráfico o el impacto de publicidad urbana.

Por lo general, los operadores ofrecen conjuntos de datos agregados que los clientes corporativos usan en la toma de decisiones. Para ello han llevado a cabo grandes proyectos de transformación para recoger el dato desde todas las fuentes disponibles, limpiarlo e integrarlo, almacenarlo en plataformas distribuidas y ponerlo a disposición de usuarios internos y externos. Una labor hercúlea que cualquier CDO puede atestiguar.

Sin embargo, los operadores están encontrando cada vez más a menudo que sus clientes desean recibir respuestas a preguntas como: ¿en cuáles de todas las ubicaciones necesito colocar mi publicidad para maximizar mi ROI? ¿Cuáles son las tiendas que necesito abrir con prioridad? Estos son ejemplos típicos de aplicaciones de analítica prescriptiva, en las que se emplea un algoritmo para maximizar el retorno de un recurso limitado.

El dato de movilidad es un gran punto de partida para llegar a la decisión correcta, pero ni responde a las preguntas ni es suficiente para garantizar la óptima asignación de recursos en términos de ROI, tarea que queda todavía bajo la responsabilidad del consumidor del dato. La analítica prescriptiva sirve para cubrir la distancia entre el insight y la decisión.

La analítica prescriptiva sirve para cubrir la distancia entre el insight y la decisión.

Casos de uso

1.    Optimización de puntos de venta

Las crowd analytics ofrecen datos agregados a un nivel que impiden la identificación individual, pero suficientemente bien segmentados para cubrir las necesidades de proyectos de marketing. Los datos muestran varios indicadores de flujos, movilidad y perfiles socio-demográficos; distinguen entre visitantes nacionales e internacionales. Estos datos son de gran valor, por ejemplo, para las cadenas de retail porque permite conocer las zonas de mayor tráfico de los segmentos de visitantes de más interés.

Sin embargo, y como hemos mencionado previamente, el insight no basta para decidir dónde abrir o cerrar locales y asegurar que se cumpla con el presupuesto o los objetivos de rentabilidad. Pongamos el ejemplo de una cadena de hamburgueserías durante el período de confinamiento. El tráfico peatonal ha caído, y con él las ventas, mientras que los costes se mantienen. Es necesario cerrar temporalmente algunos de los locales. Contamos con las cifras de ventas y costes de cada local, lo que nos podría llevar a escoger mantener abiertos aquellos con las cifras más positivas. Sabemos que la realidad no es lineal, los locales próximos entre sí se reparten la demanda en su zona y si cerramos uno, parte de su demanda se trasvasará a otro local. Es necesario conocer este trasvase de demanda para predecir las ventas del local abierto, con lo que volvemos al punto de partida y alteramos la variable misma que estamos empleando para tomar la decisión.

Por suerte, tenemos crowd analytics, que nos revelan los trayectos que siguen nuestros potenciales clientes, lo que nos da una indicación de cuáles son los locales que cubren los mismos flujos y que son más susceptibles de repartirse la demanda. Incluso podremos estimar la demanda que comparten y cómo el cierre de uno afectará a las ventas del otro. Nos acercamos a la solución pero, de todos los posibles planes y combinaciones de locales que puedo cerrar, ¿cual será el óptimo considerando el trasvase de demanda y mi presupuesto? Ahí es donde entra en juego la analítica prescriptiva para, por ejemplo, mediante programación lineal, definir ese espacio de soluciones y encontrar la solución matemáticamente óptima.

2.    Optimización de redes de transporte

Las estadísticas de movilidad tienen una aplicación evidente en la planificación de redes de transporte. Contando con la información de origen y destino final de todas las personas que se desplazan en transporte público, a pie o en vehículo privado, a qué horas, incluyendo además información demográfica y socioeconómica, es posible emprender un plan de transporte integral considerando rutas de transporte, paradas, frecuencias y precios.

Sin embargo, en la realidad, los recursos no son ilimitados y el diseño de tal plan deberá maximizar beneficios sujetos a la disponibilidad de los mencionados recursos. Aquí de nuevo la analítica prescriptiva puede ayudar a encontrar el plan con el máximo beneficio (no necesariamente económico). La planificación de rutas es un problema clásico de la investigación operativa para el que existen diferentes métodos de resolución.

3.    Optimización de presupuesto de publicidad urbana

De manera similar a la optimización de puntos de venta, los crowd analytics nos pueden ofrecer los flujos de viandantes discriminando su estatus socioeconómico y características demográficas. Con esta información se pueden encontrar las ubicaciones donde sea más probable que nuestro segmento objetivo vea la publicidad urbana (los Mupis o Mobiliario Urbano como Punto de Información)

De nuevo, la realidad es algo más compleja. No solo los recursos son limitados, sino que no basta con colocar publicidad en un punto determinado. Las posibilidades de conversión dependen de cuántos impactos diferentes se reciben (la llamada “regla del 7” determina que son necesarias de media siete interacciones con tu marca para conseguir una conversión). Maximizar el número de impactos que recibe cada anuncio no basta, sino que hay que encontrar las ubicaciones que maximizarán la cantidad de personas dentro de nuestro segmento que recibirán el número suficiente de impactos.

4.    Análisis de competencia + optimización de precio

Los establecimientos turísticos compiten entre ellos por la atención de sus clientes. Con los datos de movilidad, los establecimientos pueden identificar con precisión los competidores visitados por sus clientes objetivo y calcular de manera precisa la cuota de tráfico.

A su vez la analítica prescriptiva puede ayudar a optimizar el impacto de campañas de marketing, encontrandola distribución óptima del presupuesto de publicidad, pero además puede ofrecer el plan óptimo de precios considerando los precios de la competencia real y del entorno. Una cadena de hoteles puede, para cada destino, cuantificar su cuota de mercado para cada segmento y origen frente a su competencia real, emplear modelos prescriptivos para ajustar sus precios al máximo beneficio y posteriormente, medir el impacto de este ajuste tanto en su cuota de mercado como en sus resultados.

5.    Apoyo a emergencias y desastres

Un caso paradigmático del uso de crowd analytics es la predicción de propagación de epidemias. Un buen ejemplo es Telenor, que con su programa «Big Data for Social Good» ha aprovechado la gran cantidad de datos que atraviesan sus redes para predecir la expansión del dengue en Pakistán, la malaria en Bangladesh o la COVID19 en Noruega. De nuevo, la predicción es de gran ayuda, pero no basta para determinar la asignación idónea de los recursos, para la que la analítica prescriptiva es ideal: se puede hacer asignación dinámica de recursos en función de la evolución prevista de la pandemia, teniendo en cuenta el efecto dinámico de la asignación sobre dicha evolución.

Otro caso de uso es la localización de llamadas de emergencia durante desastres naturales. En situaciones de confusión como terremotos, ciclones o incendios, las llamadas de emergencia proporcionan información casi instantánea sobre las ubicaciones más afectadas. Con esta información, los servicios de emergencia deciden dónde desplegar generadores de energía, identifican las rutas más rápidas a las zonas afectadas o deciden qué equipos son los que están en mejor disposición de atender cada una y de nuevo, se pueden valer de las matemáticas y la analítica prescriptiva para maximizar el beneficio de esas decisiones.

Si eres responsable de la monetización de datos en un operador móvil y estás interesado en enriquecer tu oferta de servicios de Crowd Analytics con analítica prescriptiva, nuestro director de negocio de telecomunicaciones está a tu disposición: Julio Lema julio.lema@baobabsoluciones.es