Estratega Comercial Gerente de Ventas

Gerente Producto Asistente de Ventas

Organización basada en Inteligencia
Mercadeo
Inteligente de
Productos y
Servicios

Análisis Mapa Viaje del

Geoespacial Cliente 360

Ciencia de
Datos
Grafos – AI
ML
Cadena de Motor de
Suministro Recomendacion
Inteligente es

Resolución de
Registros
Vinculados
(Entity
Resolution)
GDS Grafos de Inteligencia
Estratega de Negocios
Organización basada en Inteligencia
Modelación Grafo de Conocimiento

Surtido ETL herramienta que permite

importar datos de una BD Relacional (Oracle,
Postgres, SQLServer, etc) a Neo4j.

También se importa desde archivos CSV.


Cliente 360
Estrategia de Influenciadores
Optimización de campañas
Recomendaciones de productos
Mejores conocimientos de los clientes Aumentan la participación de los mismos y sus compras.
Recurra a nuestro equipo de expertos en ciencia de datos para descubrir información del cliente y
desarrollar estrategias de participación del cliente basadas en datos para aumentar el valor de por
vida del cliente, el ROI, la retención de clientes y más.
Cliente 360
En todo el mundo, las empresas intentan comprender mejor a sus clientes y mejorar el valor del
ciclo de vida del cliente (LTV). Con la ciencia de datos de grafos, el conocimiento del cliente es
más preciso y completo a través de la inteligencia del conocimiento.
La creación de una carpeta integrada y completa para cada cliente en lugar de tener múltiples
entradas incompletas mejora el LTV y profundiza el conocimiento del cliente, lo que permite
programas y ofertas de marketing optimizados.
Motores de recomendación
Los motores de recomendación se hicieron muy conocidos a través de Netflix y las experiencias
de compra en línea. Sin embargo, los motores de recomendación tienen usos en todo el negocio.
Desde el desarrollo de productos hasta los recursos humanos para retener a los empleados a
través de la capacitación para mejorar las habilidades, los motores de recomendación impulsan
algunas de las partes más importantes de un negocio.
Gestión de la cadena de suministro
Mejorar una cadena de suministro genera ahorros, no solo en dólares, sino también en emisiones
de carbono. Cada ruta optimizada, sincronización perfecta y entrega perfecta significan clientes
más felices y menos desperdicio en tiempo, infraestructura y emisiones. La ciencia de datos
gráficos ayuda a optimizar las rutas de la cadena de suministro al encontrar el mejor camino,
equilibrando el costo y la eficiencia con la satisfacción del cliente y la sostenibilidad.
Surtido es una plataforma que Integra: Inteligencia y
Estrategia de Negocios con Ejecución en Campo y en la
Nube en tiempo real.
El gerente realiza las analíticas, define estrategias, y
acciones personalizadas por cliente para que la fuerza
de ventas ejecute en campo. Todo el proceso es digital,
asistido por AI y realizado en tiempo real en la nube. El
concepto de cliente 360 llevado a la practica.
Marketing:
• Creación de perfiles,
• Optimización de motores de búsqueda,
• Viajes del cliente,
• Capacidad de respuesta,
• Campañas de marketing en tiempo real,
• Publicidad digital,
• Micro focalización,
• Micro segmentación.
Surtido es una plataforma escalable con base a grafos
de conocimiento para la integración de ciencia de datos
y analítica con la operación del negocio.
El ecosistema brinda una experiencia de usuario
excepcional a todos los participantes a través de viajes
de usuario personalizados y ajustados a sus
necesidades.
Ventas:
• Análisis de sentimiento del cliente
• Maximización del valor de vida del cliente (CLV)
• Predicción de ventas futuras
• Prevención de abandono (CHURN)
• Motor de recomendaciones
• Optimización de precios
• Chatbots como vendedores
Proceso de Estrategias Inteligentes
 Estratega Comercial
- Define Mercado (GDS) Gerente de Producto
- Define Rutas Gerente de Ventas - Segmentación mercado por
- Segmenta Clientes - Gestión Fuerza de Ventas producto
- Análisis RFM - Monitoreo en tiempo real - Crea ofertas/promociones
- Análisis Trade Marketing - Define estrategias ventas personalizadas
- Define Estrategias - Soporte a los clientes - Analiza Mercado vs Producto
- Analíticas Negocio - Gestión con proveedores

Promueve Productos
Gestiona Fuerza de
Ventas
Asistente de Ventas
- Levanta Pedido
Recomienda Estrategias - Realiza Visitas
- Realiza Ventanas
- Capacita | Informa
- Ejecuta Estrategias
- Asistente
Recomendaciones
- KYC - CRM
Proceso de Negocio – RFM Analysis
RFM Análisis – Dashboard Analytics
 Estratega Comercial
Mercadeo personalizado
El marketing personalizado requiere un conocimiento
profundo de un cliente a nivel personal. Los
especialistas en marketing creen firmemente que el
análisis de los datos personales de los prospectos y
clientes potenciales juega un papel decisivo en el éxito
de la campaña en general. La personalización ayuda a
avanzar y reforzar la relación de los clientes y la actitud
positiva hacia la marca. Convencer a la audiencia de
que tratas a cada cliente individualmente y respetas
esta individualidad es crucial.
Las marcas se enfrentan a la necesidad de realizar un
seguimiento de varias métricas y aplicar técnicas de
análisis avanzadas para personalizar sus estrategias
de marketing. Gracias a las herramientas de
personalización avanzadas y al software de
seguimiento, estas métricas provenientes de múltiples
fuentes ahora son más naturales que nunca. La
aplicación de tales soluciones de análisis ayuda a las
marcas a obtener una ventaja competitiva
considerable.
Segmentación de clientes
La segmentación de clientes es otra herramienta
fundamental para conocer mejor a los clientes y aumentar
su satisfacción. Recopilar información de los clientes y
analizarla es beneficioso para la empresa en muchos
aspectos.
Para llevar este análisis a un alto nivel, los especialistas
aplican análisis avanzados. Se debe hacer un gran esfuerzo
para comprender a fondo todos los rasgos y atributos que
hacen únicos a los clientes y, al mismo tiempo, dar la base
para segmentarlos en grupos. El análisis de clientes es la
columna vertebral de todo tipo de actividades de marketing
realizadas por las empresas. Ayuda a las empresas a dividir
los principales problemas en asuntos manejables y facilita
los procedimientos de toma de decisiones sobre fijación de
precios, promoción y gestión. Las empresas tienden a
confiar más que nunca en el análisis de los clientes.
El análisis de clientes proporciona visibilidad en el proceso
de cómo y por qué los clientes eligen productos
particulares y cómo usan estos productos. Su tarea
principal es crear una visión precisa de un cliente para su
uso posterior con fines de marketing.
Ciclo de Vida de Cliente
Ciclo de Vida de Cliente
 Estratega Comercial
Valor del ciclo de vida del Cliente
La herramienta de predicción del valor de vida del
cliente (CLV) ha sido utilizada activamente por los
especialistas en marketing durante décadas. Esta
herramienta ya ha demostrado su eficacia para los
negocios. CLV refleja el valor de un cliente para la
empresa. Por lo tanto, revela información esencial,
como la rentabilidad, la retención y los descuentos. El
objetivo principal de la predicción del valor de vida del
cliente es modelar el comportamiento de compra de un
cliente. CLV se aplica en varios casos que van desde la
orientación de la campaña hasta la optimización del
servicio al cliente. La predicción del valor de por vida
está directamente relacionada con los costos de
adquisición de clientes. Por lo tanto, las empresas
pueden identificar rápidamente qué clientes valen el
dinero y el tiempo invertido y cuáles no generarán
ingresos.
La optimización de las ofertas de retención también
depende en gran medida del CLV y permite a las
empresas encontrar un equilibrio entre las tasas de
descuento y su costo para los negocios.
Análisis de sentimiento del cliente
El análisis de sentimientos también se denomina minería
de opiniones, pertenece al campo del procesamiento del
lenguaje natural y tiene como objetivo identificar y distraer
las opiniones del contexto. Actualmente, el análisis de
sentimientos presenta un gran interés para las empresas,
dispuestas a aprovechar todas las oportunidades para
brindar una experiencia de alta calidad a los clientes. Una
gran cantidad de textos están disponibles para su análisis
en Internet a través de blogs, sitios, foros y redes sociales.
Por lo tanto, no hay dificultad para obtener los datos
necesarios para un análisis posterior.
Al aplicar el análisis del sentimiento del cliente, los datos
no estructurados se convierten en información estructurada
y valiosas perspectivas de datos. Los algoritmos CLV son
capaces de distinguir entre hechos y opiniones, opiniones
subjetivas y objetivas, comparativas y directas, explícitas e
implícitas. La aplicación de la analítica avanzada permite
diferenciar no solo opiniones polares (positivas, negativas o
neutras), sino también detectar y reconocer emociones
(feliz, enojado, triste, etc.).
El análisis de sentimientos demostró su eficiencia en los
campos de análisis de la fuerza laboral, análisis de
productos y análisis de mercado.
Customer Segmentation
Business Process - Segmentation
 Estratega Comercial
Análisis de la cesta de la compra
El análisis de la cesta de la compra es una representación
vívida de la implementación de la técnica analítica para una
mejor comprensión del comportamiento de los clientes.
Esta técnica nos permite determinar qué servicios o
productos se compran más a menudo juntos o se colocan
en la misma lista de deseos o cesta. Por lo tanto, el análisis
de la canasta de mercado apunta a derivar asociaciones o
patrones.
Hay dos tipos principales de análisis de canasta de
mercado:
• predictivo (clasificación de camarillas, compras,
eventos y servicios realizados en una secuencia);
• diferencial (filtrado de resultados irrelevantes u
obtención de insights y comparación en profundidad de
los datos).
Los sitios web de comercio electrónico se basan
principalmente en los resultados del análisis de la cesta de
la compra para hacer sugerencias de productos. Por lo
tanto, el análisis de la canasta de mercado se aplica
principalmente para aumentar las ventas y los índices de
satisfacción de los clientes.
Análisis de garantía
Por lo general, las reclamaciones de garantía realizadas por
los clientes cuestan una gran cantidad de dinero a los
fabricantes y minoristas. Además, pueden resultar en la
disminución de la satisfacción del cliente, la lealtad a la
marca y la confianza general en una marca. Por lo tanto, los
fabricantes están buscando la manera de reducir los
costos de la garantía y aquí es donde el análisis de la
garantía entra en escena.
Las soluciones de análisis de garantía ayudan a integrar
automáticamente una gran cantidad de datos relacionados
con la garantía en todos los canales. Aplicando análisis
avanzados, estas soluciones logran revelar los defectos
cubiertos por la garantía. Sin embargo, este proceso es
bastante complejo y desafiante para las empresas. Los
principales beneficios de esta técnica son los siguientes:
identificación temprana del problema
comprensión profunda del problema;
gestión y tramitación eficaces de las reclamaciones;
liquidación más rápida de las reclamaciones de garantía.
Motor de Recomendaciones
 Estratega Comercial
Optimización de precios

Las decisiones de fijación de precios se encuentran entre

las más importantes para una empresa. La demanda de los
Motores de recomendación
consumidores, el comportamiento de compra, la tasa de
satisfacción y los ingresos de la empresa dependen de
Los motores de recomendación son herramientas
estas decisiones. La complejidad de los precios, que
poderosas en los intentos de brindar una experiencia
incluyen diversas variables y un complicado proceso de
personalizada y altos índices de satisfacción a los clientes.
previsión de demanda y beneficios, hacen que la
Los especialistas en marketing son aquellas personas que
optimización de precios sea una tarea desafiante.
deben prestar especial atención a la aplicación de los
motores de recomendación.
Se puede resolver una amplia gama de tareas de
optimización de precios con la ayuda de análisis. Por
La idea clave de los motores de recomendación es hacer
ejemplo, la técnica de optimización de Markdown se aplica
coincidir las preferencias de un cliente con las
para obtener información de los datos históricos sobre el
características del producto que le pueden gustar. Para ello,
comportamiento de compra y las tendencias de los clientes
los motores de recomendación suelen utilizar los
para sugerir tasas de descuento óptimas. A su vez, estos
siguientes modelos y algoritmos: regresión, árbol de
descuentos óptimos no solo aumentarán las ganancias
decisión, K-vecino más cercano, máquinas de vectores de
sino que aumentarán la demanda en un momento
soporte, redes neuronales, etc.
determinado.
Los motores de recomendación son una herramienta clave
Además, el análisis de datos, en este caso, también se
de marketing dirigido para campañas de marketing online y
puede utilizar para identificar otros procesos y operaciones
por correo electrónico.
para una mayor optimización. Además, el análisis de
optimización de precios juega un papel vital en el desarrollo
de campañas promocionales óptimas, así como en la
búsqueda de nuevas oportunidades de promoción.
 Estratega Comercial
Analíticas en tiempo real

Analíticas en tiempo real es una excelente solución para que las

empresas resuelvan los asuntos de gran complejidad del
procesamiento de data tan pronto como llegue a la fuente. En
este caso, el nivel de capacidad de respuesta de la computadora
alcanza una velocidad casi instantánea.
El análisis en tiempo real es imposible sin los siguientes
componentes de software principales:
• agregador, que tiene que recopilar datos de los flujos de
eventos en tiempo real;
• corredor, que tiene que poner a disposición para el consumo
los datos recopilados previamente;
• motor de análisis, que tiene que analizar datos y combinar
los flujos.
Analítica predictiva
El análisis predictivo como una rama del análisis avanzado
tiene como objetivo hacer suposiciones sobre eventos
futuros y el desarrollo futuro de un proceso en particular. La
minería de datos, las estadísticas, el modelado y el
aprendizaje automático se encuentran entre numerosas
técnicas de análisis predictivo. Con la ayuda de estas
técnicas y un análisis cuidadoso de los datos históricos,
podemos construir los modelos de eventos futuros.

Los beneficios clave de la aplicación de análisis en tiempo real La aplicación del análisis predictivo hace que las
son que los errores y complicaciones en la operación pueden organizaciones tengan más visión de futuro y más
detectarse instantáneamente; por lo tanto, pueden ser resueltos confianza en sus decisiones. Por ello, la capacidad de los
de inmediato; la ventaja en la competencia se puede lograr científicos de datos para brindar esta confianza a las
fácilmente, ya que puede reaccionar a los cambios en las
empresas es su principal atractivo.
estrategias de los competidores en tiempo real. Además, el
análisis en tiempo real ayuda a obtener información sobre sus
ventas. Por lo tanto, tiene la oportunidad de saber qué producto
está funcionando bien en el mercado.

Por lo tanto, el análisis de big data en tiempo real ayudará no

solo a monitorear las métricas de su sitio web, sino también a
monitorear las políticas y estrategias de los competidores.
 Asistente de Ventas Inteligente
• La app de ventas sincroniza en tiempo real la inteligencia de
negocios y las estrategias de ventas:
• Ruta optimizada de clientes con guía geolocalizada
• Pedido en tiempo real valida stock
• Información de entregas
• Información individualizada de cada cliente (Customer 360):
• Histórico de compras y entregas – Estado de cuentas con los que tienen
crédito aprobado.
• Perfil de cliente (por mercado, categoría de productos, marcas, productos )
• Segmentación RFM
(El Análisis RFM es una técnica de segmentación del comportamiento del
cliente basada en datos. RFM significa Recencia o Actualidad, Frecuencia y
Valor Monetario. La idea es segmentar a los clientes en base a cuándo fue
su última compra, con qué frecuencia han comprado en el pasado y
cuánto han gastado en total.)
• Canasta/Productos sugeridos (motor de recomendaciones – gerente de
producto: Content based | Collaborative based )
• Ofertas individualizadas (con base a RFM, perfil de cliente – gerente de
producto)
• Estrategia focalizada (configurada por gerencia con el estratega comercial)
• Plantilla personalizada para merchandaising – Ventana (trade market de
acuerdo al perfil del cliente – estratega comercial)
• Plantilla personalizada de visita para levantar información inteligente
 RECOMMENDATION FRAMEWORK
Initial Discovery
MATCH (p:Product)-[:BY_BRAND]-> (b)
WHERE b.name = apoc.collrandomItem({ ‘Samsung’,
‘Panasonic’, ‘Toshiba’, ‘Apple’, ‘Microsoft’ })
RETURN p AS ítem, p.Price AS score
ORDER BY score DESC
Boost on popularity
UNWIND $ítems AS item
MATCH (item)-[:HAS_RATING]-> (rating)
RETURN ítem, avg(toFloat(r.overall))*count(r) AS score
RFM Analysis
MATCH (c:Customer)-[r1:MADE]->(t:Transaction)-[r2:CONTAINS]-
>(:Product)WITH SUM(r2.price) AS monetary,
COUNT(DISTINCT t) AS frequency, c.customerID AS customer,
MIN(duration.inDays(date(datetime({epochmillis:
apoc.date.parse(t.transactionDate, 'ms', 'MM/dd/yyyy')})), date()).days)
AS recency
RETURN customer, recency, frequency, monetary
Discover Products With Similar Categories
MATCH (p:Product {name: $startProductName})
MATCH (p)-[IN_CATEGORY](c)[:IN_CATEGORY]-(ítem)
WHERE id(ítem) <> id(p)
RETURN ítem, count(c) AS score
 RECOMMENDATION FRAMEWORK
Also Bought

MATCH (start:Product { name:$startProductName})

MATCH (start)-[:ALSO_BOUGHT]-(ítem)
WHERE id(start) <> id(ítem)
RETURN ítem, 5 AS score

Also Viewed

MATCH (start:Product { name:$startProductName})

MATCH (start)-[:ALSO_VIEWED]-(ítem)
WHERE id(start) <> id(ítem)
RETURN ítem, 1 AS score

Also rated highly

Bought Together
MATCH (p:Product {name: $startProductName}) –
MATCH (start:Product { name:$startProductName}) [:HAS_RATING][:`5StarRating`)[:PROVIDED_RATING]-(C)-
MATCH (start)-[:BOUGHT_together]-(ítem) [:PROVIDED_RATING](:`5StarRAting`)[:HAS_RATING]-(ítem)
WHERE id(start) <> id(ítem) WITH * LIMIT 1000
RETURN ítem, 5 AS score RETURN ítem, count(c) AS score
 RECOMMENDATION FRAMEWORK

Initial Discovery

MATCH (p:Product)-[:BY_BRAND]-> (b)

WHERE b.name = apoc.collrandomItem({ ‘Samsung’,
‘Panasonic’, ‘Toshiba’, ‘Apple’, ‘Microsoft’ })
RETURN p AS ítem, p.Price AS score
ORDER BY score DESC
Discover Products With Similar Categories

MATCH (p:Product {name: $startProductName})

MATCH (p)-[IN_CATEGORY](c)[:IN_CATEGORY]-(ítem)
WHERE id(ítem) <> id(p)
RETURN ítem, count(c) AS score

Boost on popularity

UNWIND $ítems AS item

MATCH (item)-[:HAS_RATING]-> (rating)
RETURN ítem, avg(toFloat(r.overall))*count(r) AS score