No es novedad que la velocidad del cambio tecnológico que estamos viviendo es un gran desafío para las empresas. Adaptarse a esto, mantener actualizado el talento en tu empresa y hacer un uso eficiente de los recursos, son tareas cada vez más desafiantes.
Desde Boomit – Growth Marketing, acompañamos el desarrollo de productos digitales trabajando como partners estratégicos con nuestros clientes.
Ser partners significa que nos acoplamos a su estructura, a los equipos y especialistas que ya poseen, para poder sumarles la capacidad tecnológica y el talento que venimos desarrollando hace años para el crecimiento saludable de este tipo de aplicaciones.
Desde Boomit, estudiamos la oportunidad de negocio y en caso de entender que existe una buena sinergia entre la empresa y nuestras capacidades, tomamos el desafío y asumimos riesgos. Estos riesgos son fundamentales, ya que alinean los objetivos de nuestro partner con los nuestros. Es realmente una receta que no falla.
En este artículo te vamos a contar la clave para tener éxito desde una perspectiva de Growth Marketing para Apps.
Cuando conversamos con empresas de producto digital nos encontramos con diferentes estadios a nivel del producto y a nivel de madurez en los equipos. Los niveles de talento y áreas de especialización son realmente muy variados, pero hay un área en particular que se destaca en cuanto a que siempre es un gran punto de dolor: “cómo usar los datos para tomar decisiones, reportar y optimizar la estrategia de marketing”.
Es como si toda la industria de marketing sintiera que está trabajando a ciegas en un momento de la historia en el que la IA, el Machile Learning (ML) y la automatización son la única forma de subsistir y crecer a la velocidad que necesitan los negocios.
Dentro de esta compleja realidad, los equipos de finanzas no logran conectar sus reportes con los de marketing, estos no logran hacerlo con el equipo de producto, y el C-Level no sabe qué datos mirar ni cómo rayos leerlos para poder tomar decisiones. En definitiva, muchas veces ni siquiera saben si la empresa es rentable o si tiene un flujo de fondos proyectado saludable.
Boomit se creó como empresa especializada en tecnología y consultoría en Growth Marketing (Martech) para resolver este problema.
Permítenos ahora comenzar a utilizar un lenguaje un poco más técnico.
De forma muy simplificada, estos son los 3 puntos críticos que las empresas de producto digital no pueden resolver por falta de capacidades, por no tener la tecnología correcta, y porque el talento en estas áreas es escaso o casi inexistente cuando uno lo busca dentro del sector de Marketing Digital.
1. RoAS-oriented Machine Learning.
2. Data connectors, tracking y atribución centralizada
3. Comunicación digital y creativos basados en metodología científica.
Cuando hablamos de Marketing Digital y Machine Learning (ML), de forma muy simplificada podemos decir que ML es la manera en la que hoy las plataformas publicitarias logran entender cómo y a quién mostrarle su mensaje publicitario.
La buena noticia es que estos algoritmos computacionales de ML funcionan muy bien cuando les enviamos las señales de forma correcta y a la velocidad mínima indicada (es decir, la suficiente cantidad de datos en un período dado de tiempo). La mala noticia es que enviarle las señales de forma correcta suele ser un enorme desafío para las empresas y los equipos de marketing.
Para enviar las señales de forma correcta debemos cumplir con estos pasos:
Listo, cumpliendo con estos pasos lograremos sacar el máximo provecho del ML de las plataformas publicitarias.
¿Y ahora cómo introducimos la palabra RoAS a la conversación sobre ML?
La gran mayoría de las veces observamos que las estrategias de marketing de las empresas de producto digital se basan en optimizar el costo de adquisición de cada nuevo usuario, y en algunos casos vemos además una estrategia de retención de los mismos. ¡Hasta aquí venimos bien! pero si nos quedamos únicamente observando eso, caemos en lo que en Boomit llamamos “la trampa del CAC”.
Supongamos que tenemos una App como Amazon cuyo objetivo es adquirir compradores y vendedores. Es decir que por un lado debemos desarrollar una estrategia de adquisición de empresas que quieran vender dentro del Marketplace, y por otro lado una estrategia para llevar compradores interesados en los productos que los vendedores desean vender.
Para simplificar este ejemplo centrémonos primero en esta segunda parte: la adquisición de compradores en Amazon.
¿Qué sería el CAC en este ejemplo? Pues podríamos decir que es un usuario que:
Entonces, para nuestro ejemplo el CAC es el Costo de adquisición de un cliente que sigue estos tres pasos.
¿Ves algún problema en esto?
Pues deberías!
Si nosotros orientamos todo el Machine Learning (ML) únicamente hacia el CAC, vamos a indicarle al ML que únicamente nos interesan personas que sigan esos 3 pasos.
Esto nos puede traer muchos problemas, ya que para que el negocio sea viable, no sólo necesitamos usuarios que hagan su primera compra, sino que necesitamos usuarios fieles que sigan comprando y con un perfil determinado que luego haga viable su retención a lo largo del tiempo, aumentando su LTV (Lifetime Value) y permitiendo que ese usuario sea rentable para Amazon.
Llevando este mismo razonamiento hacia el caso de la adquisición de vendedores, si apuntamos únicamente a CAC traeremos usuarios que quizás se crean su tienda en Amazon muy rápido pero que no saben vender o que no le dan suficiente importancia a su emprendimiento…
En fin, enceguecidos por un bajo costo de adquisición, podemos estar trayendo usuarios de bajo valor, destruyendo la salud del negocio.
El punto más alto de rentabilidad en el negocio habitualmente no se encuentra cuando obtenemos el CAC más bajo posible, sino que en un valor mayor a ese mínimo aparentemente ideal.
¿Ves hacia dónde va la conversación?
¡En el ejemplo, nos están faltando señales! ¡Estamos diciéndole al ML que busque a las personas incorrectas!
Para encontrar a las personas correctas es clave que alimentemos a los algoritmos de ML de las plataformas publicitarias con señales de CAC, pero también de RoAS, Revenue, o frecuencia de compra, entre otras.
Con esto cubierto, podremos comenzar a mirar los KPI de CAC y compararlo con el RoAS proyectado de los usuarios que vamos adquiriendo día a día.
Este es otro desafío que te introduciremos a continuación.
Una vez que sabemos que el Machine Learning está tomando decisiones de acuerdo a los objetivos de negocio de la empresa, para poder saber si nuestro CAC es adecuado necesitamos utilizar modelos predictivos de Life Time Value (LTV). Estos modelos predictivos nos permitirán entender qué tan rentable está siendo nuestra estrategia de marketing en función del CAC, o sea, nuestros costos de adquisición.
¿Cómo hacemos esto?
En Boomit hemos desarrollado diversas metodologías para ayudar a nuestros partners a obtener proyecciones confiables de sus LTV’s.
Las más habituales consisten en modelos predictivos que toman en cuenta el comportamiento pasado y reciente de los clientes que vamos adquiriendo. Luego, cada propuesta estratégica es analizada y juzgada en función de cómo vamos proyectando ese LTV neto contra la evolución del CAC que estamos obteniendo.
Estos modelos deben ser constantemente monitoreados y ajustados ya que dependen de múltiples variables.
Para este artículo vamos a describir una de estas metodologías de proyección, pero es importante que entiendas que se requiere un análisis de los datos con los que tu empresa cuenta para poder elegir la metodología de cálculo de estos modelos predictivos.
Metodología de ARPU acumulativo
El LTV se puede leer como la suma del Revenue por usuario a lo largo del tiempo. Entonces este modelo se basa en tomar los valores de revenue que nos dió un determinado cohorte de usuarios que deseamos estudiar, y con esos puntos calcular la función más aproximada posible que nos permita proyectar el futuro.
En general para este método utilizamos una función logarítmica:
F(t)=A*ln(t+B)
F(t) – Valor acumulado por un usuario a lo largo del tiempo
t – Número de días de vida del usuario
A y B. son las constantes que nos van a definir la aproximación de esta función a dichos puntos conocidos, y que por lo tanto también definirán el Revenue que nos dejarán dichos usuarios a medida que pasa el tiempo.
Para realizar una buena proyección es necesario tener algunos cuidados importantes:
– Curación de datos para la muestra
– Clasificación de conjuntos de usuarios para los que consideremos que debemos tomar diferentes curvas de LTV (ejemplo, usuarios incentivados vs usuarios naturales).
– Cantidad de datos mínima para darle validez estadística a la aproximación.
Una vez que obtenemos nuestra proyección, lo que haremos será cruzarla con nuestro costo actual de adquisición de cliente (CAC). Esto nos dará como resultado una medida del tiempo en el cual recuperaremos la inversión.
Mira el siguiente gráfico en el que se muestra una curva de proyección del valor de un cliente y su cruce con el CAC que estamos obteniendo actualmente. Para este ejemplo vemos que luego de 100 días llegamos al punto de equilibrio en el cual nuestro usuario nos cuesta lo mismo que la ganancia que le dejará a la empresa.
Será tarea del equipo de finanzas indicarnos cuál es el tiempo de repago del CAC que el negocio requiere según la visión de los accionistas, factores competitivos y de valor futuro de la base de clientes.
Realizar una estrategia de adquisición y retención saludable para tu negocio es un arte que requiere de conocimientos en marketing, comunicación, data analytics, estadística y machine learning.
En Boomit trabajamos con equipos expertos en estas áreas para que nuestro partnership con clientes les permita transformar su negocio con claridad en sus costos, alineando y conectando a los equipos de marketing, producto, operación y finanzas en un único objetivo.
Si te interesa sumar estas capacidades en tu empresa, conversemos, quizás podamos ser partners.
Indica la dirección del sitio web de tu empresa y te enviaremos un reporte al email que indiques debajo: