Estamos ante la aparición de tecnologías para el marketing que posibilitan una verdadera relación 1 a 1 entre marca y usuario. Esto se debe a las mejoras en la capacidad de tratar, almacenar, gestionar y explotar gran cantidad de datos relativos a esa relación (véase Big Data). En este contexto, el email marketnig se está beneficiando de la posibilidad de explotar grandes cantidades de datos en tiempo real y de aplicar modelos estadísticos que, junto con algoritmos de minería de datos, predicen niveles de propensión o afinidad (respecto a comportamientos o contenidos).
Así, los motores de recomendaciones están revelándose como uno de los mejores modos de aumentar las tasas de interacción entre el usuario y la marca. Se trata de herramientas que “filtran” el contenido irrelevante para el usuario, aportando así una experiencia más personalizada. Los motores de recomendación se basan en el análisis de datos distintos. Por ejemplo:
- Información Sociodemográfica
Edad
Lugar de residencia
Género - Preferencias
de producto
de categoría
de talla
de frecuencia - Información transaccional (RFM)
Primera compra
Última compra
Importe total gastado
Nº de compras
Último producto comprado - Comportamental
Producto visitado durante más tiempo en una sesión
Producto abandonado en la cesta de la compra
Nº de aperturas/clicks en los últimos 30 días
Estos datos necesitan ser importados al motor de recomendaciones. Una vez allí, el algoritmo, que previamente ya ha estado programado para detectar las relaciones que consideramos relevantes, analizará esta información en la búsqueda de esas relaciones. Existen distintos tipos de “relación” que expliquen cómo funciona un algoritmo. Por ejemplo:
- Jerarquía de productos: si compraste un traje, necesitarás una corbata.
- Relaciones basadas en atributos de producto: si has comprado carne y huevos “ecológicos”, será de tu interés la oferta de frutas y verduras “ecológicas”.
- Filtrado basado en el contenido: se trata de encontrar productos clasificables bajo una misma categoría. Por ejemplo, productos clasificados como de “hombre”, tenderán a presentarse conjuntamente. Así, si un usuario ha comprado un pantalón de hombre en el pasado, le recomendaremos otros artículos de esa misma categoría.
- Filtrado colaborativo: usuarios que compraron el mismo portátil que tu también compraron un determinado periférico, luego te recomendamos ese mismo periférico.
Normalmente, los motores de recomendación combinan distintos algoritmos (filtrado colaborativo, filtrado por contenido, jerarquía de productos, etc.) en un modelo híbrido.
Este tipo de emails basados en recomendaciones, se inscriben dentro de los esfuerzos por hacer un email marketing más personalizado y relevante para el usuario. Adaptar el contenido a las preferencias, expectativas y realidad del usuario da grandes resultados. Por ejemplo, según Salesforce-ExactTarget, los emails personalizados enviados de forma automática generan entre un 15% y un 25% de incremento en las conversiones. Por otro lado, Experian indica que los emails cuyo contenido está adaptado a la realidad del usuario obtienen un 29% más aperturas, un 51% más tasa de click y las transacciones aumentan de media en 6 puntos.
