Marketing Data Technology: en el ojo del huracán

Marketing Data Technology ecosystem

Marketing Data Technology: en el ojo del huracán

El “Marketing Technology Landscape Supergraphic” de Scott Brinker se ha convertido en una referencia global para gestores de marketing, responsables de transformación digital, “marketing technologists”, profesionales de IT o inversores.

Habiendo crecido considerablemente en tamaño y complejidad, nos toca a muchos en este mercado facilitar cierto contexto adicional que permita su sencilla digestión. En particular, resulta imperativo establecer las reglas bajo las cuales sus muchas categorías coexisten o se solapan.

En nuestro caso, la reorganización de sus grupos y secciones actuales se ha sustentado en la forma en que los datos fluyen entre ellas o son puestos en uso por las tecnologías que engloban. Al fin y al cabo, la mayor parte de sus 43 categorías (a fecha de hoy) consisten en extraer valor de los datos o ponerlos en uso, directa o indirectamente, para alimentar contenidos y campañas (en palabras de Brinker, “experiencias de marketing”).

El diagrama que sigue y sus ideas de apoyo aspiran a compartir estas mismas directrices con el resto del mercado. Podríamos bautizarlo de muchas maneras en castellano, cada cual más retorcida, pero me voy a agarrar al anglicismo “Marketing Data Technology ecosystem” como recurso fácil.

Marketing Data Technology ecosystem (A)

Marketing Data Technology ecosystem (A)

 

En aras de simplificar su comprensión, comenzaré por exponer los siete principios básicos que lo inspiran. Seguiré a continuación con una serie de ideas genéricas, así como una versión del mismo gráfico incorporando tecnologías concretas.

Principios inspiradores del Marketing Data Technology ecosystem:

1. Asumiendo que los datos constituyan, o bien su eje central, o bien su punto de apoyo, las tecnologías de marketing se distribuyen en cinco capas principales: columna vertebral, análisis, consumo, activación y automatización.

La columna vertebral consiste en tecnologías y medios que nos permiten recabar, procesar y almacenar datos. No se trata únicamente de soluciones autocontenidas, sino también de la arquitectura que sustenta a muchas de las soluciones que conforman el resto de capas.

El análisis (de datos) consiste en un amplio espectro de funciones gestionadas por equipos humanos, desde la modelización de algoritmos a la analítica digital. Muchas de ellas no pertenecen de forma exclusiva al ámbito del marketing, representándose, por ello, fuera del núcleo duro del ecosistema.

El consumo (de la información) se refiere a la tarea cerebral por antonomasia: la toma de decisiones que acompaña a la entrega y distribución de resultados. Representa un puente entre los datos y la gestión del cambio; entre la evaluación estratégica del rendimiento y la operativa de los diversos aspectos del marketing. Aunque en su forma más pura se representa mediante cuadros de mando y tableros de control, esta capa incorpora, asimismo, la gobernanza del dato (asignación/interdependencia de métricas), “insight management” (gestión de conclusiones del análisis) e, incluso, los módulos embebidos de metodología aplicada (“built-in marketing know-how”), principalmente en forma de inteligencia multicanal.

La activación se refiere a poner los datos a trabajar en el ámbito más puramente táctico, estableciendo una conexión directa con las experiencias de marketing que ayuda a generar. Como cabe esperar, la capa de activación está estrechamente vinculada a la quinta y última categoría, automatización, a medida que múltiples tareas son tarde o temprano sistematizadas y, más tarde, automatizadas.

Estas capas están representadas en el gráfico con las rúbricas “Backbone”, “Discover”, “Decide”, “Activate” y “Automate”, respectivamente.

2. El advenimiento de los datos “de primera parte” pone a las marcas al volante de la gestión analítica de contenidos y campañas, pero esto no se traduce en una integración de todos los datos disponibles bajo un único techo o sistema.

Habrá un “data lake”. Y habrá un DMP (“data management platform”). Y habrá Data Marts o un Data Warehouse gestionado por el anunciante, pero agencias y medios mantendrán sistemas y repositorios independientes, directamente conectados a las campañas o iniciativas que definen y gestionan.

Más aún, aspirar a un escenario de integración absoluta destruiría el valor de algunas categorías de información para el análisis, consumo, activación o automatización específicos del canal.

Profundizando aún más en la columna vertebral, la forma de “casa y jardín” mostrada en el gráfico ilustra otras importantes limitaciones relativas a la arquitectura de la información:

a) Las bases de datos SQL y NoSQL coexisten en la mayor parte de entornos corporativos, facilitando soluciones alternativas para el almacenamiento de datos estructurados, desestructurados o semi-estructurados.

b) En el espacio de Data Warehouse, el modelo de Platform as a Service se adapta particularmente bien al ámbito del marketing (con múltiples interacciones de cliente desarrollándose y registrándose directamente en la nube).

c) Los datos de primera parte relativos al uso de webs y apps móviles han vivido su propia evolución: las herramientas de analítica digital incorporan servicios de procesamiento y almacenamiento específicamente diseñados para el tipo de datos que recaban (de forma directa o intermediada).

d) Los datos de medios sociales se guardan y procesan por separado en cada plataforma. Algunos de esos datos están únicamente disponibles a los titulares de cada activo en el medio social, mientras que otros estarán públicamente disponibles.

e) La mayor parte de las herramientas referidas en b), c) y d) cuentan con APIs (“Application Programming Interfaces”) a efectos de consumo, análisis conjunto, activación o automatización.

3. La naturaleza de los datos subyacentes tiene un impacto directo en nuestra capacidad para analizarlos o consumirlos, de forma aislada o integrada.

Los datos generados en el ámbito del marketing (primordialmente digitales) representan un serio desafío a la inteligencia de negocio (“BI”) tradicional. Mientras que los primeros devienen mayoritariamente semi-estructurados o desestructurados, BI fue concebido sobre la base de información estructurada (esto es, modelos asociados a bases de datos relacionales). Al tiempo que gran parte de los datos de marketing hoy disponibles no albergan formas de vida más allá de la correlación, el BI exige causalidad.

Varios entornos de análisis y consumo coexistirán por esta razón en aparente solapamiento, pero de hecho reflejando las disparidades naturales de los modelos de datos subyacentes. Las funciones de analítica de medios sociales, por ejemplo, serán gestionadas de modo más óptimo por herramientas especializadas en el recabado, almacenamiento y procesamiento de “social feeds”. Por otro lado, el análisis de propiedades de cliente en un Data Warehouse podrá confiarse felizmente a herramientas de exploración visual, análisis descriptivo o analítica predictiva.

[Más ideas al respecto: How Digital Data disrupts Business Intelligence]

4. Las conexiones entre unas capas y otras sustentan funcionalidades esenciales en cada una de ellas.

– Las conclusiones extraídas (“Insights”) son el fruto más importante de las tareas de análisis de datos. Estas, a su vez, devienen un input fundamental para las tareas de consumo de información (de las cuales emanarán solicitudes específicas de nuevas conclusiones o una aportación de contexto en torno a determinada actualización de las métricas).

– De modo análogo, los resultados generados con las experiencias de marketing de los potenciales clientes (resultados de campaña) alimentan ambas capas, consumo y análisis, al tiempo que los modelos predictivos u otros frutos de la capa de análisis alimentan funciones de activación y automatización.

– La toma de decisiones a nivel ejecutivo resultará en las reglas de negocio a más largo plazo que determinan los objetivos de la automatización, mientras que esta misma (“machine learning”, inteligencia artificial) terminará generando algunos de los diagnósticos (y conclusiones) que ahora ven la luz en la capa de análisis.

5. El comportamiento humano es el límite.

¿No es acaso la mente impredecible del consumidor la última frontera de las acciones de marketing? ¿No es acaso el comportamiento impredecible de individuos y equipos la última frontera de los procesos de gestión?

El primer dilema explica que los modelos de “atribución” no sean el santo grial que en su día creímos. O que un verdadero customer journey no pueda hacerse realidad. A menos que llegáramos a conocer a la perfección el funcionamiento del cerebro humano – y en ese momento el proceso de marketing estaría maduro para su completa automatización (al tiempo que el ser humano habría alcanzado el punto de reemplazo por robots).

El segundo dilema explica las velocidades dispares del progreso tecnológico y el cambio organizativo. O el hecho de que ni siquiera todas las métricas en el mundo podrían reemplazar una buena pieza de storytelling (el “API al cerebro humano”).

6. El anhelo personal de privacidad es imparable. Como consecuencia, las limitaciones en el uso de datos personales (regulatorias y a iniciativa del propio consumidor) tienen un tremendo impacto sobre todo el ecosistema.

Es un hecho que una proporción cada vez mayor de consumidores está deshabilitando cookies (de tercera parte o todas), o borrándolas con más frecuencia, al tiempo que muchas de ellas devienen inútiles con el acceso móvil. La gente se ha vuelto progresivamente consciente de los datos recabados en sus interacciones digitales… y está actuando en consecuencia.

Para hacerlo más complicado, el marco regulatorio (no solo en la UE) está basculando el enfoque desde los datos personales per se a las metodologías concretas en uso para el recabado de cualquier tipo de datos (sean o no personales) en virtud de su riesgo potencial. De ahí el impacto de:

– Legislación aplicable a cookies: La directiva ePrivacy (LSSI en España), solicitando permiso previo expreso si las cookies van a ser usadas para propósitos de perfilado individual (sin importar cómo de encriptados o ininteligibles sean los datos) está obligando a gestores de marketing y Chief Digital Officers a redefinir la manera en la que los DMPs, gestores de huella (TMS) o repositorios de login sociales se gestionan y aprovechan.

– La asimilación del “fingerprinting” (considerado por muchos una alternativa menos gravosa) a las propias cookies a todos los efectos a la luz del mismo marco jurídico comunitario.

La primera consecuencia de todo esto es nuestra incapacidad para seguir explorando un planteamiento puramente determinístico y user-centric, dando paso a un escenario user-driven y de “audiencias inteligentes” en el que las experiencias de marketing se personalizan automáticamente sobre la base de un enfoque combinado determinístico/probabilístico.

[Más ideas al respecto: Revenge of the silos: how privacy compliance is cutting the customer journey short]

7. La capa de consumo (de información) conecta la tecnología de marketing con el resto de la función de marketing. Más importante aún, conecta a marketing con el resto de la organización.

La entrega/distribución de la información para su consumo final está vinculada a la productividad, el rendimiento e incluso el “Insight Management”. Pero ni los términos “dashboard” o “reporting” son ya exclusivos de esta función, ni bastarían para dar suficiente cobertura a cada uno de sus componentes clave.

Por profundizar en el primer aspecto, los dashboards (tableros de control) están ahora en todas partes, a todos los niveles y en todas las categorías de MarTech. Cada función táctica tiene un dashboard para su supervisión humana o control directo. Cada herramienta de análisis visual (específica de canal o genérica) provee una forma de remitir resultados a quien finalmente consumirá la información, muy probablemente mediante un dashboard. Sin embargo, ninguno de estos pertenece a la tarea de gestión ejecutiva del rendimiento de marketing (o la inteligencia de marketing). En consecuencia, el término ha dejado de representar una etiqueta válida para una sola categoría o tarea específica.

Entrando en detalle al segundo punto, las siguientes piezas completan la fotografía del consumo de la información – más aún incluso cuando ponderamos el rol de esta capa como puente al resto de la organización:

Insight Management (o “Digital Insight Management” en el ámbito especialmente dinámico del marketing digital) consiste en canalizar el input de los analistas a los tomadores de decisiones y otros consumidores de datos de modo tal que sus conclusiones de valor añadido puedan sustentar acciones concretas (estableciendo un nexo con varios flujos de trabajo para la toma de decisiones).

Built-In Know-How: Como en su día sucedió con los CRMs (embebiendo conocimiento específico del proceso de ventas en una base de datos relacional) o ERPs (know-how específico de gestión de recursos específica de industria), las herramientas de consumo de la información están en la mejor posición posible para incorporar componentes reciclables de marketing know-how – y se encuentran, por ello, más próximas a la gestión de marketing que ninguna otra capa. Esto podría venir en forma de librerías de KPIs, gestión de campañas multicanal, sistemas preconfigurados de ponderación o fórmulas de asignación (“atribución”) de retorno en la inversión (ROI).

Gestión del rendimiento: consistiendo en vincular objetivos de marketing, proyecciones o benchmarks a metas globales corporativas. Aquí reside el alma de cuadro de mando (scorecard) de la herramienta de consumo, mucho más preocupada por el “qué” (rendimiento a través del tiempo) que el “por qué” (segmentaciones dimensionales de un KPI concreto).

Gobernanza de los datos: representando cosas distintas en función de la capa en que nos encontremos, pero su esencia a nivel de consumo es una distribución adecuada de métricas y objetivos entre miembros del equipo.

Productividad del equipo: lo cual debería versar más sobre la construcción de un puente a herramientas de colaboración ya desplegadas (mensajería integrada, marketing ágil) que reproducir al completo lo que éstas ya facilitan a día de hoy.

[Mas al respecto (I): Data Visualization vs. Dashboards; (II): Commitment, Time, People… Dashboards]

Conclusiones. Tecnologías específicas

En esencia, aunque puede ser cierto que el espacio de tecnología de marketing está ganando complejidad, también parece que sus piezas fundamentales están madurando simultáneamente con muchas funciones, encajando rápidamente en su sitio bajo un panorama cada vez más nítido que no puede escapar a ciertas limitaciones esenciales: datos (se presentan en formas limitadas); gente (individuos y equipos); medios/servicios (el lienzo de nuestras experiencias); matemáticas; y la misma tecnología.

Como los puntos 2 (irreconciabilidad de los tipos de datos) y 5 (anhelo personal de privacidad) reflejan, no creo que la obsesión por romper los silos de datos sea la respuesta. Pienso, más bien, que deberíamos adaptarnos a trabajar con múltiples silos: conectándolos cuando sea posible, solapándolos cuando no.

Dicho esto, paso a continuación a compartir una versión del mismo ecosistema (Marketing Data Technology) incorporando, a efectos ilustrativos, las tecnologías específicas con las que estamos más familiarizados.

Marketing Data Technology ecosystem (B)

Marketing Data Technology ecosystem (B)

 

Quedo a la espera de vuestros comentarios e impresiones, siempre bienvenidos.

Sergio Maldonado es socio fundador de DIVISADERO y CEO de Sweetspot.

[Este post ha sido publicado en versión inglesa, “Marketing data technology: making sense of the puzzle“, en Chiefmartec.com]
¿Quieres saber más sobre DIVISADERO?

Suscríbete a la Newsletter
No hay comentarios

Envíanos tu comentario

14 + catorce =

¡Suscríbete a nuestra newsletter mensual Stay Sharp!

Para más información

CONTÁCTANOS