Mantener la fidelidad de los clientes:

Disco S.A.
«Los procesos de Data mining nos permitieron aumentar el valor del negocio a través de la adopción de varias
acciones -tales como desarrollar comunicaciones a la medida de cada cliente o emprender promociones
específicas para grupos interesados- sobre la base de los nuevos conocimientos de negocio que
nosotros estábamos obteniendo.»
Horacio Díaz, Líder de Proyecto del Data Warehousing en Disco S.A.
Poner en ejecución estas acciones con un servicio de atención al cliente de calidad han sido siempre los
factores claves de éxito para Disco S .A., la cadena de supermercados líder en Argentina. Para materializar este
objetivo corporativo, las iniciativas en Business Intelligence de Disco siguen adelante para producir.•dentro de
las relaciones con los clientes un valioso conocimiento; por ejemplo, cómo las campañas promocionales
afectan el comportamiento en la conducta de los clientes y qué atributos describen a la mayoría de los clientes
fieles. Dotados con este conocimiento, los responsables en la toma de decisiones en todos los departamentos -
marketing, contabilidad y comercialización- tienen la _posibilidad de añadir y expandir los servicios y
programas que permitan mantener la fidelidad de los clientes hacia la marca
Disco.
Información de la compañía
Disco S.A. es conocida en Argentina por sus cadenas de supermercados, tiendas de conveniencia y productos
propios. La compañía fue fundada en 1961 y ha seguido creciendo desde entonces. Disco es líder en el
mercado argentino con más de 230 tiendas, más de 16.000 empleados e ingresos anuales por ventas
de 2.047 millones de dólares en el año 2000.
Disco atribuye sus éxitos a la atención puesta en los detalles que aseguran que el cliente quiera volver
continuamente. Desde una experiencia de primera calidad en sus tiendas hasta una tienda virtual en Internet con
entrega a domicilio, la compañía se basa en la innovación para atraer y retener sus clientes.
Disco implementó en 1996 un programa de comprador frecuente, conocido como DiscoPlus, el cual otorgaba
ofertas exclusivas y servicios especiales a sus clientes. El programa ha comprobado ser enormemente
exitoso para la compañía y ahora tiene más de dos millones de miembros inscritos.
Necesidades del negocio
El programa DiscoPlus no sólo bonificaba a los clientes frecuentes sino que también proporcionaba a los
gerentes de Disco una valiosa fuente de recursos para identificar y expandir las oportunidades del servicio
al cliente. Para acceder a la infonnación recopilada por el programa DiscoPlus, los usuarios de la
compañía estuvieron dependiendo históricamente del departamento de tecnología para conocer la
información proveniente de los sistemas transaccionales, los cuales consistían en servidores sincronizados
en cada región de Argentina donde Disco tiene presencia. Para realizar el análisis estadístico acerca del
comportamiento de sus clientes, los datos operacionales fueron extraídos desde estos servidores, para
posteriormente crear un pequeño cubo OLAP utilizando las soluciones de Pilot de Accrue Software. El
departamento de tecnología utilizó el cubo para desarrollar informes estadísticos con Microsoft Visual
FaxPro; los informes fueron luego convertidos a archivos de texto o a hojas de cálculo de Microsoft
Excel, para luego ser distribuidos entre los usuarios de la compañía. A pesar de que este proceso
proporcionaba importante información
de ventas de los clientes, los usuarios continuaban dependiendo del departamento
de tecnología en la distribución y preparación de estos informes.
N o sólo el acceso a los datos de los clientes estaba limitado en alcance y
en formatos, sino también la puntualidad de la información estaba igualmente
limitada. Los informe.s podían ser actualizados con nuevos datos en intervalos
semanales. Adicionalmente, producir un nuevo informe con datos provenien- ·

tes de los sistemas transaccionales frecuentemente tomaba varias horas y siempre

era necesaria la participación de la gente de tecnología. Este retraso en recibir
la información provocaba que los usuarios estuviesen considerablemente
limitados; según Díaz, «querían información analítica más rápida y de confianza
».
Con esta situación, Disco se embarcó en la creación de una solución Business
Intelligence efectiva con la finalidad de cubrir las necesidades de información
de sus gerentes y analistas. Para apoyar sus propios esfuerzos, Disco
ha valorado la tecnología y como muestra de ello, ha desarr-ollado un plan de
inversiones durante algunos años. Cuando el departamento de tecnología sugirió
que la imple1nentación de un data warehouse podría resolver los problemas
de acceso a la información y de esta forma responder a las necesidades de
información de los usuarios del negocio, la dirección estuvo de acuerdo en
apoyar la iniciativa. La iniciativa detrás del data warehouse era un deseo, por
la necesidad de conocer el comportamiento de la fidelidad de los clientes, así
cmno también, la posibilidad de retener a los clientes existentes y atraer nuevos,
debido al desarrollo de productos y a los servicios hechos a la medida del
cliente. Según Carlos Ocaranza, líder de proyectos del equipo de data warehouse,
los beneficios del proyecto fueron «lo fácil que fue para directores ejecutivos
comprender que cuando la tecnología se aplica a las necesidades del
negocio, se convierte en un factor clave de éxito en la organización».
La solución
Dado el valor potencial de los datos recopilados a través del programa DiscoPlus,
el equipo de data warehouse enfocó sus esfuerzos en encontrar las necesidades
del departamento que pudiera extraer beneficio inmediato de la información
de comprador frecuente -el departamento de marketing. Este
departamento podría utilizar la información detallada de los clientes para desarrollar
los estudios analíticos asociados con las actividades de gestión de relación
con los clientes de Disco.
Para dirigir las necesidades de análisis del departamento de marketing, el
equipo evaluó la funcionalidad de OLAP y de data nüning. El equipo llegó a
la conclusión que la tecnología OLAP podía ser la mejor opción para las necesidades
de análisis recurrente del departamento de marketing -por sus requerimientos
de navegación sobre los datos detallados y consolidados. Aunque la
tecnología OLAP parecía apropiada para algunas de sus necesidades de análisis,
el equipo concluyó que la tecnología de data mining ayudaría al departamento
de marketing a encontrar previamente patrones o tendencias desconocídas
a nivel de detalle en los datos, patrones que podrían demostrar ser de un
valor significativo para el negocio. El equipo de proyecto por consiguiente
decidió que el data warehouse debería dar soporte al data mining de los datos
de DiscoPlus por un lado, y por otro proporcionar a los usuarios las capacidades
de desarrollar sus propios análisis y accesos a la información que fuera
relevante. Con ,los objetivos de proyecto claramente definidos, el equipo estaba
listo para comenzar el trabajo.
El siguiente paso en el proyecto requirió de la identificación de las fuentes
de datos apropiadas, así como los datos necesarios que podrían ser extraídos
desde diversas fuentes y cargados dentro del data warehouse, el cual estaba
hospedado en una base de datos Microsoft SQL Server. Los datos genéricos de
ventas fueron recopilados desde los sistemas de puntos de venta para ser almacenados
en el data warehouse diariamente. La información adicional estuvo
disponible desde el programa DiscoPlus, el cual asociaba los ítems de cada
compra con los compradores específicos. Finalmente la información general
acerca de las tiendas, productos, datos de clientes que eran recopilados cuando
los clientes se inscribían en el programa DiscoPlus, fueron añadidos al data
warehouse para proporcionar el rango y nivel de detalle necesario para el éxito
del proyecto de data mining
Con los datos recopilados y organizados para data ni.ining, el equipo de
data warehouse seleccionó una técnica apropiada de data mining para responder
a las necesidades de análisis del departamento de marketing. Cuando se
aplicó data mining para conducir necesidades específicas de negocio, el equipo
analizó dos categorías distintas de técnicas de data mining: la técnica descriptiva
y la técnica predictiva. La técnica descriptiva descubre patrones en los
Casos de Estudio sobre Business Intelligence
datos para explicar comportamientos, tales como localizar combinaciones no
intuitivas de productos comprados comúnmente en conjunto. La técnica predictiva
descubre patrones que son utilizados para identificar propensión o tendencias,
tales como localizar características de clientes quienes están gustosos
de comprar un producto en particular. Como las necesidades principales del
departamento de marketing acerca del negocio eran comprender el comportamiento
de la fidelidad de los clientes, el equipo de data warehouse podría afinar
más su selección por las técnicas descriptivas de data mining.
De forma especial, el equipo de data warehouse utilizó una combinación
de técnicas descriptivas: la segmentación y el clustering. La segmentación
coloca a los clientes en distintos grupos basados en la frecuencia de compra, la
cantidad de tiempo transcurrido desde la última compra del miembro y el tamaño
de la compra del cliente. Esta información sería luego combinada con datos
de cada cliente provenientes de la inscripción al Programa DiscoPlus, tales
como edad, género, estado civil, ocupación, número de hijos, etc. La técnica de
clustering evalúa cada grupo segmentado de clientes para localizar las características
comunes de cada grupo. El resultado de utilizar estas técnicas permitió
que el departamento de marketing localizara las relaciones entre los clientes de
una zona y la conducta positiva, tales como grandes y frecuentes compras; además,
con esta información, desarrollar nuevas campañas más efectivas y a la
medida de los clientes.
Con las técnicas apropiadas de data mining identificadas, el equipo seleccionó
las prestaciones de data mining y OLAP de los servicios de análisis
(Analysis Services) de Microsoft SQL Server para hospedar la solución de
Business Intell􀄙gence. Para construir el modelo de data mining en el Analysis
Services, el equipo primero desarrolló un cubo OLAP para almacenar los datos
que provienen del data warehouse. Después de crear el cubo OLAP, el equipo
de proyecto seleccionó la técnica de clustering a nivel de detalle y cliente individual
para el análisis. Finalmente, el equipo definió los atributos para localizar
las similitudes y diferencias entre clusters de clientes.
Los resultados obtenidos del modelo de data mining fueron almacenados
en el cubo OLAP que el equipo utilizó para crear el modelo de mining. Este
cubo OLAP le proporciona a los usuarios finales una rápida vista multidimensional
de los datos «mined» de ventas de los clientes. Microsoft Excel fue la
herramienta de usuario final seleccionada para consultar los datos almacenados
en el cubo OLAP. Excel ya era una herramienta familiar para los usuarios; sin
embargo, ellos estaban sólo familiarizados con hojas estáticas. Para ayudar a
los usuarios a entender cómo interactuar con los datos de ventas de los clientes,
el equipo de data warehouse creó unas plantillas básicas en Excel que los
usuarios pudieran usar para consultar los datos en el cubo OLAP. Posteriormente,
el equipo de proyectos desarrolló sesiones de formación interna para
enseñar a los usuarios cómo usar las características interactivas de análisis de
OLAP utilizando Excel.
Otro escenario específico de negocios que el departamento de marketing
quiso comprender fue las características descriptivas de los clientes en cada
nivel de programa DiscoPlus basado en acumulación de puntos. Para este proyecto, el equipo de data
warehouse decidió crear un modelo de data mining 􀄚on
un árbol de decisión, el cual fue usado para organizar los datos en grupos. Este
es frecuentemente el modelo más simple para que los usuarios no técnicos
comprendan por qué los resultados encontrados por el árbol de decisión son
presentados visualmente y pueden ser explorados interactivamente.
Un árbol de decisión utiliza un algoritmo estadístico que divide los conjuntos
de datos como las ramas de un árbol. La primera división es hecha y en
ella se examina el valor de cada campo en los datos, tal como edad o género,
y de esta forma localizar la regla que clasifica los datos en dos particiones.
Cada partición contiene datos que son similares con los datos en su propia partición
nlientras datos distintos están en la otra partición. Por ejemplo, una división
inicial puede encontrar que propietarios y arrendatarios es la mejor clasificación
para los clientes. Después de la división inicial, el algoritmo de árbol
de decisión continúa examinando los datos de cada rama para encontrar la
mejor división de cada partición; de esta forma tenemos cuatro ramas. Para
continuar con el ejemplo, los propietarios pueden clasificarse en casados y solteros,
mientras la otra rama de inquilinos se puede clasificar en menores de 40
y mayores de 40. Este proceso continúa hasta que no se encuentren más clasificaciones.
Cuando interpretamos un árbol, el resultado de la primera división
es más significativo y confiable, las divisiones siguientes vienen a ser crecientemente
menos exactas dado que el conjunto de datos dentro de una partición
llega a ser más pequeño en cada división.
Para crear el árbol de decisión para el departamento de marketing, el cubo
OLAP que contiene los datos del programa DiscoPlus puede ser nuevamente
utilizado para construir el modelo de data mining. Los resultados del modelo de
data mining pueden ser visualizados en el Analysis Services, el cual le permite
al usuario interactivamente explorar cada rama del árbol de decisión. Los resultados
de este árbol, decisión mostraron que la edad, la zona geográfica y el estado
civil fueron, respectivamente, los tres campos que caracterizaron el nivel de
puntos del programa DiscoPlus para cada cliente. Por ejemplo, el análisis de los
clientes a nivel platino, el cual es el nivel de puntos más alto del programa, mostró
que el mayor porcentaje de estos clientes estaban entre 42 y 48 de edad.
Los beneficios
Dentro del mes de la fecha original de inicio, la primera implementación de la
solución Business Intelligence fue completada, y el departamento de marketing
ahora tenía fácil y rápido acceso a la información consistente de las ventas de
clientes gracias a las avanzadas técnicas de análisis de la tecnología de data
mining. Por haber aplicado las técnicas correctas de análisis para los problemas
del negocio, Disco ha podido tomar decisiones para mejorar las ventas y
las relaciones con sus clientes. Con las técnicas de segmentación y clustering,
ha sido construido un perfil para grupos específicos de clientes, permitiendo
que Disco tenga la posibilidad de enviar el mensaje correcto al público correcto.
De forma similar, los árboles de decisión proporcionan el tipo de informaCasos
de Estudio sobre Business Intelligence
ción que le permite a Disco enfocarse en proporcionar servicios y productos de
calidad deseados para específicos grupos de edades y de esta manera garantizar
la fidelidad de los clientes por los años que vienen.
El departamento de marketing viene utilizando desde entonces data mining
para entender cómo las campañas de marketing afectan a la selección que
hacen los clientes de los productos. Por ejemplo, cuando Disco comenzó la
venta de una nueva marca de leche, un nuevo proyecto de data mining fue lanzado
para tipificar los hábitos de compra de la base de clientes. Antes de la
promoción, los clientes fueron segmentados dentro de grupos: aquellos que
compraban una marca específica de leche y aquellos que nunca habían comprado
leche. Después que la promoción fue llevada a cabo, el data mining fue
utilizado para comparar los grupos de precampaña con los grupos postcampaña
de clientes, quiénes se habían cambiado a la nueva marca, clientes que compraron
más leche y clientes que cambiaron a una marca diferente. Con el conocimiento
adquirido de este análisis, el presupuesto de marketing para futuras
campañas puede ser invertido más eficientemente para clientes cautivos que
responderán, incrementando las ventas de estos productos.
El departamento de marketing de Disco ahora comprende mejor el comportamiento
del cliente y tiene la posibilidad de diseñar campañas de marketing
que sean más apropiadas para cada perfil. Los clientes con perfiles similares
reciben información sólo de productos y servicios que son interesantes
para ellos. Como resultado de estas nuevas campañas, Disco no sólo ha alcanzado
su promesa de calidad en la atención del cliente, sino que se ha beneficiado
también por un rápido retorno de la inversión. Según Díaz, «en algunos
casos, un 100 por 100 de retomo».
Además del conocimiento proporcionado por el data mining, los usuarios
en los departamentos de precio, marketing, contabilidad y comercialización, de
cada una de las cinco oficinas principales a lo largo de Argentina tienen ahora
acceso directo al data warehouse para resol ver sus consultas sin tener la necesidad
de confiar en la información entregada por el departamento de tecnología.
Desde que los datos de las ventas son almacenados en un cubo OLAP en
preparación para data mining, los usuarios tienen acceso a la información referente
a sus ventas, márgenes, costos, ingresos y niveles de inventario; además,
pueden realizar sus propios informes para analizar esta infonnación por tienda,
departamento, gerente, proveedores, canal de ventas y gestión de categorías.
Incluso mejor, el data warehouse contiene información acerca de las ventas
del día anterior, lo cual es una marcada mejora a partir de los datos de venta semanalmente.
Los gerentes pueden ahora reaccionar rápidamente a tendencias. Según
Ocaranza, «el proyecto de data warehouse, ha proporcionado poderosas herramientas,
velocidad e independencia de nuestros usuarios para tomar decisiones».
Retos del proyecto
La exitosa implementación de la solución Business Intelligence requirió que el
equipo de data warehouse resolviera algunos retos. Uno de los retos encontra Mantener
la fidelidad de los clientes: Disco S.A.
dos por el equipo de proyecto fue la necesidad de formar a los usuarios en el
uso del data warehouse. Desde que la experiencia del usuario ha sido limitada
por el uso de hojas de cálculo, el concepto de exploración interactiva de datos
estaba muy alejado de ellos. El equipo de data warehouse desarrolló seminarios
para explicar las ventajas que ofrece un data warehouse a los usuarios. Las
plantillas creadas por el equipo permitían a los usuarios comenzar de una
manera siinple a desarrollar sus habilidades para luego tener una interacción
más avanzada con el cubo OLAP. Estos esfuerzos fueron finalmente exitosos.
Díaz comentó: <<nuestros usuarios están ansiosos por más información que provenga
del sistema de data warehouse».
El equipo de data warehouse afrontó un gran desafío con la calidad de los
datos. El resultado del data mining puede verse muy afectado por la pobre calidad
dé los datos, datos incompletos o datos con muy pocos registros para ser
«mined»; de esta manera, la preparación de los datos casi siempre representa
la fase más larga y compleja del proyecto de data mining. Como el programa
DiscoPlus había sido implementado varios años atrás, la forma en que los datos
fueron obtenidos y limpiados ha cambiado muchas veces desde su comienzo.
Hubo proble1nas con la exactitud o veracidad de los datos que pudo ser resuelta
sólo a través de los procesos de extracción y transformación de los mismos.
Sin embargo, el esfuerzo extra para recopilar y preparar adecuadamente los
datos ha resultado en un data warehouse que puede dar soporte a muchos proyectos
de data mining por venir.
Resumen
Disco ha hecho posible la toma de mejores decisiones rápidamente a través de
sus exitosos proyectos de innovación tecnológica en Business Intelligence. En
efecto, la compañía ha añadido valor a la información por expandir su uso a
través de la aplicación de las técnicas de data mining y permitiendo a sus
empleados alcanzar un mayor entendimiento de la base de clientes.
El equipo de data warehouse tiene planes para apoyar las inversiones de
Disco en Business Intelligence para expandir sus capacidades. Nuevos modelos
serán desarrollados para construir modelos predicativos y de esta forma detectar
el uso fraudulento de tarjetas de crédito. También se planifica la extensión
de la data warehouse en otras áreas de la organización, tales como objetivos,
logística, facturación y pagos.
Paso a paso, Disco proporciona a sus empleados acceso rápido, seguro y
más información analítica. Cada empleado, fortalecido a través de un gran
conocimiento y profundo discernimiento obtenido con Business Intelligence,
puede contribuir con la creación de experiencia positiva del cliente y de esta
forma continuar con los éxitos de la compañía.