Los 24 términos de datos de marketing más incomprendidos

Imagine que es un profesional de marketing que planea una campaña de reactivación y le pide a su equipo de datos una lista de "clientes inactivos". Usted espera personas que no hayan comprado nada en 90 días. Sin embargo, recibe una lista basada en usuarios que no han abierto la aplicación en 30 días, porque así es como se define "inactivo" en los datos. 

O bien, solicita actualizaciones de audiencia en "tiempo real" para evitar enviar un mensaje de "te extrañamos" a alguien que acaba de realizar un pedido. Se imagina una lista que se actualiza cada 15 minutos. El equipo de datos entiende "actualizaciones en cuestión de segundos" y regresa con preguntas sobre nueva infraestructura, costos continuos y un plazo de entrega más largo.

Estas diferencias afectan a lo que se construye, cuánto cuesta y cuándo puede usarlo el equipo de marketing. Llegar a un acuerdo temprano sobre qué significa "cliente", qué hace que una audiencia esté lista y qué tan reciente debe ser una señal puede evitar que los malentendidos se conviertan en tener que rehacer la campaña.

Esta guía cubre 24 términos que el equipo de marketing y el de ingeniería de datos suelen interpretar de manera diferente, organizados en torno a cinco preguntas prácticas sobre la ejecución de campañas. Utilice las definiciones comparadas como punto de partida para la conversación: exponga las suposiciones, aclare lo que necesita cada parte y acuerde los significados que se adapten a su negocio antes de comenzar a trabajar.

Obtenga los 24 términos en el PDF imprimible aquí.

1. ¿De dónde provienen los datos de la campaña?

La información en una herramienta de marketing puede depender de varios sistemas y pasos de procesamiento. Comprender esa trayectoria le ayuda a explicar lo que necesita y a determinar a dónde corresponde un cambio. Por ejemplo, tomemos un campo llamado "fecha de última compra". Antes de usarlo para identificar a los clientes perdidos, acuerden si incluye los pedidos cancelados y qué sistema proporciona la fecha.

Lleguen a un acuerdo sobre: de dónde proviene el valor, qué incluye y quién lo mantiene.

2. ¿A quién representa un registro de cliente?

La identidad del cliente determina quién se incluye, quién se excluye o, peor aún, quién se cuenta dos veces. Comience por establecer qué representa un solo registro y cómo decide el equipo que dos registros deben unirse.

El conocimiento que tiene el equipo de marketing sobre la relación con el cliente ayuda al de ingeniería a tomar mejores decisiones sobre la identidad. En el ejemplo de la reactivación, tanto una persona como un hogar son formas útiles de organizar los datos de los clientes. La campaña requiere una elección explícita entre ambas opciones. Una vista de hogar podría ser adecuada para una oferta limitada a una por vivienda. Una vista de persona podría ser adecuada para un beneficio de fidelidad individual.

Una base de datos compartida permite a los equipos mantener vistas con nombres claros para esos fines y reutilizar la adecuada. Cada una necesita un significado documentado, los identificadores utilizados para conectar los registros y un propietario para las reglas de coincidencia.

Lleguen a un acuerdo sobre: si la campaña se dirige a una persona, cuenta, hogar o dispositivo, y cómo se hacen coincidir los registros relevantes.

3. ¿Qué hace que una audiencia esté lista para activarse?

Una audiencia pasa por varios estados: las reglas que la definen, los registros que cumplen los requisitos y los registros que puede utilizar un destino. Cada estado responde a una pregunta diferente sobre la preparación de la campaña.

Supongamos que 50,000 personas coinciden con un segmento, pero la plataforma de correo electrónico solo acepta 47,000 de esos registros. En este ejemplo, la diferencia podría reflejar la falta de identificadores de destino, registros rechazados o exclusiones aplicadas durante la entrega. El equipo debe tener en cuenta esa diferencia antes de decidir si la audiencia está lista.

Mantener identificables la definición, la membresía evaluada y el resultado de la entrega facilita este proceso. El equipo de marketing puede verificar si las reglas expresan la audiencia deseada. El de ingeniería puede verificar si los registros correctos llegaron al destino. Ambos pueden distinguir las exclusiones esperadas de un problema que requiere solución.

La misma precisión ayuda con las predicciones. Si la campaña necesita una puntuación de propensión, asigne un nombre a la predicción y a lo que se pretende estimar. Eso le da al equipo algo más específico para construir y validar que simplemente "el modelo".

Lleguen a un acuerdo sobre: las reglas de selección de la audiencia, la predicción o el atributo requerido, y cómo se validará la entrega.

4. ¿Cuándo están los datos lo suficientemente actualizados?

La frescura de los datos depende de la decisión sobre el cliente que intentes tomar. Una sola campaña puede tener varios requisitos de tiempo, incluso cuando sus datos provienen de una sola plataforma.

Considera una puntuación de churn calculada cada noche y enviada a una herramienta de interacción cada 15 minutos. Un envío más frecuente no hace que la predicción tenga 15 minutos de antigüedad. Sigue basándose en el cálculo nocturno.

Ahora imagina a un cliente que realiza una compra esta mañana. Es posible que la campaña deba eliminar a esa persona de una audiencia de recuperación (win-back) antes del siguiente envío, mientras que la puntuación de churn puede esperar a su próximo cálculo programado. Esos son requisitos distintos con diferentes consecuencias para el cliente.

Para que la frescura de los datos tenga sentido, identifica el inicio y el final del retraso: desde que ocurre la compra hasta su disponibilidad en la plataforma de datos, desde esa disponibilidad hasta un cambio de pertenencia, o desde el cambio de pertenencia hasta que el destino pueda actuar al respecto.

Estas distinciones ayudan al equipo a invertir en velocidad allí donde realmente cambia la experiencia. También le dan a marketing una mejor manera de describir un problema en lugar de decir que toda la campaña debe ser en "tiempo real".

Acordad: Qué evento del cliente inicia el cronómetro, dónde deben poder usarse los datos actualizados y cuál es el retraso aceptable.

5. ¿Quién es responsable cuando se utilizan los datos?

Obtener acceso a los datos de los clientes plantea preguntas sobre su significado, el uso permitido y la propiedad continua. Esas responsabilidades continúan cuando una audiencia sale de la plataforma de datos.

En práctica, la gobernanza también abarca la calidad de los datos, la propiedad y el uso adecuado. Un punto de partida útil es identificar la fuente designada para cada decisión. El sistema que establece la identidad del cliente puede diferir del que registra una preferencia de canal o calcula los ingresos.

Luego, sigue los datos hasta su destino. Una audiencia que era elegible al ser exportada puede necesitar una supresión actualizada antes de un envío posterior. Una copia guardada puede durar más que la campaña que la creó. Los equipos deben saber cómo llegan los cambios al destino y quién es el responsable del trabajo cuando no es así.

Databricks CustomerLake, el CDP agéntico, aporta capacidades de plataforma de datos de clientes de forma nativa a Databricks y a su base de gobernanza. Trabajar desde esa base compartida ofrece a los equipos de marketing y de datos un lugar para compartir un contexto de cliente de confianza. 

Acordad: La fuente autorizada para cada decisión, el uso permitido y el responsable de las actualizaciones en el destino.

Paso a la acción: Haz que un acuerdo sea útil más allá de una sola campaña

Para los equipos que desarrollan en Databricks, el siguiente paso es hacer que estos acuerdos críticos sean reutilizables. Los equipos pueden documentar las definiciones de negocio en Unity Catalog y luego hacer que se puedan descubrir para su análisis en Genie, para la creación de audiencias en CustomerLake o en el desarrollo de modelos de ML. Cada nueva campaña puede basarse en definiciones que marketing e ingeniería de datos ya han acordado y puesto en práctica.

Elige un término que haya causado confusión en una campaña reciente. Analiza un ejemplo de cliente con tu equipo de datos y luego registra la decisión donde la siguiente persona que use los datos pueda encontrarla.

Para "cliente", eso significa definir qué representa un registro y los identificadores que hay detrás. Para "fecha de última compra", significa documentar qué transacciones cuentan. Para "audiencia lista", significa ponerse de acuerdo sobre qué se debe verificar antes del lanzamiento.

Conecta el significado acordado con el conjunto de datos o el flujo de trabajo (workflow) que lo implementa, e identifica quién debe participar cuando cambie. La documentación y la implementación deben evolucionar juntas.

Esto resulta especialmente útil a medida que los profesionales de marketing piden a las herramientas de lenguaje natural y a los agentes de AI que trabajen con datos de clientes. "Encontrar a nuestros clientes inactivos más valiosos" sigue dejando margen de interpretación sobre el valor, la inactividad, la identidad y el permiso. Sin instrucciones explícitas, la AI tomará sus propias decisiones, pero una decisión diferente cada vez. Proporcionar a las herramientas de AI definiciones de negocio y contexto explícitos producirá mejores resultados y más consistentes.

Una prueba útil es si alguien que se incorpore a la próxima campaña puede entender la decisión sin tener que buscar a las personas que asistieron a la reunión original. Si pueden, el equipo habrá creado algo que se puede reutilizar.

Acerca de esta serie

Ayudando a marketing a hablar con ingeniería de datos es una serie de seis partes desarrollada en colaboración con Matthew Niederberger de MartechTherapy. Las 24 definiciones de este artículo se reproducen a partir de su guía de producción independiente, patrocinada por Databricks. 

Lee el artículo original de Matthew, Misma palabra, diferente significado, para conocer su perspectiva y obtener la referencia impresa para llevar a tu próxima reunión.

Próximamente en la serie: Cómo escribir una solicitud de datos sobre la que se pueda actuar.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original