IoT technology for e-commerce customer information segmentation

En el bullicioso mundo de las compras en línea, un comerciante se enfrenta a un desafío tan antiguo como el comercio mismo: cómo tratar a cada cliente como un individuo sin perder la cabeza. En el pasado, un tendero conocía a sus clientes habituales por su nombre y rostro. Hoy, una tienda digital puede atender a millones de personas, la mayoría de las cuales están a solo un nombre de usuario y una dirección de envío de distancia. Para sobrevivir, estas empresas deben clasificar a sus clientes en grupos, comprendiendo quién aporta más beneficios y quién necesita un poco de atención adicional. Este es el arte de la segmentación de clientes. Tradicionalmente, las empresas han observado tres cosas simples para juzgar el valor de un comprador: qué tan recientemente compró algo, con qué frecuencia compra y cuánto dinero gasta. Este trío de hechos forma un mapa básico de los hábitos de un cliente. Sin embargo, simplemente sumar estos números a menudo ignora el matiz del comportamiento real. Un cliente que gasta mucho pero visita rara vez puede ser diferente de uno que visita a diario pero gasta poco. La pregunta sigue siendo: ¿cómo pesamos estos factores de manera justa para ver el verdadero valor de un comprador?

Un investigador de la Escuela Politécnica de Henan se propuso responder a esto refinando la forma en que los comerciantes en línea analizan sus datos. En lugar de adivinar cuál de los tres factores —recencia, frecuencia o gasto— es más importante, el investigador utilizó un enfoque matemático llamado método de peso de entropía para dejar que los datos hablaran por sí mismos. Esta técnica calcula la importancia de cada factor basándose en cuánto varía el dato, asegurando que la puntuación final refleje los patrones reales en los registros de ventas en lugar de una opinión preestablecida. El estudio se centró en un comerciante específico que vende galletas y pasteles en la plataforma Pinduoduo, examinando más de 32,000 registros de compra desde agosto de 2019 hasta enero de 2020. Tras limpiar los datos para eliminar pedidos inválidos e identificar a los clientes por sus direcciones de envío, el investigador aplicó este nuevo sistema de puntuación para evaluar a cada comprador.

Una vez puntuados los clientes, el investigador utilizó una herramienta de agrupación para clasificarlos. Imagine clasificar un montón de piedras mezcladas no solo por color o tamaño, sino encontrando los grupos naturales donde las piedras de peso y textura similares se asientan juntas de forma natural. La computadora probó diferentes números de grupos, de dos a ocho, y seleccionó la disposición que creó las categorías más distintas y claras. El resultado fue un mapa de cuatro tipos distintos de compradores. El primer grupo, que constituía aproximadamente el 27 por ciento de los clientes, eran los compradores de bajo valor: no habían comprado nada recientemente, compraban con poca frecuencia y gastaban muy poco. El segundo grupo, que representaba casi el 23 por ciento, eran clientes que habían gastado una buena cantidad y comprado con frecuencia en el pasado, pero que habían guardado silencio recientemente; estos eran los compradores a los que el comerciante necesitaba recuperar. El tercer grupo, otro 27 por ciento, eran compradores recientes que aún estaban explorando la tienda pero que aún no se habían comprometido con un alto gasto o visitas frecuentes. Finalmente, el cuarto grupo, que comprendía alrededor del 22.5 por ciento del total, eran los clientes de alto valor: compraban recientemente, compraban con frecuencia y gastaban la mayor cantidad de dinero.

Cuando el investigador comparó este nuevo método con la forma tradicional de puntuar a los clientes, la diferencia fue clara. El enfoque tradicional, que a menudo depende de pesos fijos decididos por expertos, tendía a agrupar a los compradores más valiosos en una fracción minúscula del total, identificando solo un pequeño 0.8 por ciento como de alto valor. En contraste, el nuevo método, que permitió que los datos determinaran los pesos, identificó un grupo de clientes de alto valor mucho más grande y realista, alineándose estrechamente con la conocida observación empresarial de que una pequeña parte de los clientes genera la mayoría de los beneficios. El nuevo modelo mostró que los grupos eran más distintos entre sí, lo que significa que el comerciante ahora podía ver las diferencias entre los tipos de clientes con mayor claridad. Esto sugiere que, al dejar que los datos decidan cuánto peso dar a la recencia, la frecuencia y el gasto, las empresas en línea pueden crear perfiles más precisos de sus compradores. El estudio concluye que este enfoque ofrece una mejor manera de segmentar a los clientes, permitiendo a los comerciantes adaptar sus estrategias para mantener felices a sus mejores compradores y fomentar suavemente el regreso de otros, todo basado en una imagen más clara de quiénes son realmente.