Contexto del Proyecto:

Una empresa de fabricación de insumos industriales expandió su modelo de negocio al lanzar un e-commerce para facilitar las ventas y descongestionar los puntos de venta físicos. Si bien este nuevo canal experimentó un crecimiento significativo, la estrategia inicial de ofrecer descuentos B2B para incentivar la migración de clientes desde las tiendas físicas generó una problemática compleja. 

Aunque se logró captar un mayor número de clientes B2B, existía una gran disparidad en el valor de sus compras, desde clientes con consumos marginales hasta aquellos que representaban el 5% del total de las ventas. Esta falta de segmentación estratégica resultaba en ineficiencias operacionales (sobrecarga logística por pedidos de bajo valor) y desaprovechamiento del potencial de los clientes de alto valor, ya que todos eran tratados de la misma manera. 

Además, las estrategias de marketing generalizadas no lograban impactar significativamente en las ventas.

Mi Rol como BA y BI Leader:

En este proyecto, desempeñé un rol de liderazgo dual, actuando como Business Analyst (BA) y BI Leader. Mis responsabilidades incluyeron:

• Análisis de Negocio: Lideré el proceso de elicitación de requisitos con los stakeholders clave para comprender a profundidad los desafíos del negocio, identificar los dolores organizacionales y definir los objetivos del proyecto. Esto implicó la realización de entrevistas, talleres y análisis de la documentación existente.

• Planificación y Gestión del Proyecto: Desarrollé el plan del proyecto, establecí el alcance, los entregables, los recursos y el cronograma. Utilicé metodologías ágiles (Kanban y Scrum) para gestionar el equipo, optimizar el flujo de trabajo y asegurar la entrega oportuna de resultados.

• Diseño de la Solución de BI: Diseñé la arquitectura de la solución de Business Intelligence, incluyendo el modelo de datos y el proceso de ETL, para transformar los datos transaccionales en información estratégica.

• Liderazgo del Equipo de BI: Dirigí y coordiné al equipo de analistas de BI en todas las etapas del proyecto, desde la extracción y transformación de datos hasta el desarrollo de las visualizaciones y la generación de insights.

• Comunicación con Stakeholders: Actué como enlace principal entre el equipo técnico y los stakeholders del negocio, comunicando el progreso del proyecto, presentando los hallazgos y facilitando la toma de decisiones.

Manejo de Datos y Confidencialidad

Este proyecto se inspira en casos de negocio reales que he encontrado a lo largo de mi carrera profesional. Para proteger la confidencialidad de la información sensible, se han realizado modificaciones al contexto, la industria y otros detalles específicos. Además, se emplea un dataset público para fines demostrativos. Este enfoque refleja mi compromiso con la ética profesional y la responsabilidad en el manejo de información confidencial y conocimiento de negocio.

Para abordar estos desafíos, se implementó una solución integral de segmentación de clientes, basada en el análisis de datos transaccionales y la aplicación de técnicas de Business Intelligence. El proyecto se desarrolló siguiendo la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining), que proporcionó un marco estructurado para el proceso de análisis.

Las principales etapas del proyecto fueron:

• Comprensión del Negocio: Se realizó un análisis exhaustivo del contexto del negocio, los objetivos estratégicos y los problemas a resolver.

• Comprensión de los Datos: Se identificaron las fuentes de datos relevantes (principalmente datos transaccionales del e-commerce) y se realizó un análisis exploratorio para comprender su estructura, calidad y características.

• Preparación de los Datos: Se implementó un proceso de ETL (Extracción, Transformación y Carga) utilizando Python para extraer los datos de las fuentes, transformarlos (limpieza, integración, cálculo de variables) y cargarlos en un repositorio centralizado para el análisis. Las principales transformaciones realizadas incluyeron el cálculo de las métricas RFM (Recencia, Frecuencia, Valor), la variedad de productos adquiridos por cliente y la cantidad total de productos comprados.

• Modelado: Se aplicó el algoritmo de clustering K-Means para segmentar a los clientes en grupos homogéneos, basados en sus patrones de comportamiento de compra. La elección de K-Means se basó en una evaluación comparativa con otros algoritmos (árboles de decisión y Apriori), que demostró su mayor idoneidad para este caso de uso.

• Evaluación: Se evaluó la calidad de los segmentos obtenidos, analizando su estabilidad, interpretabilidad y relevancia para el negocio.

• • Despliegue: Se desarrolló un informe interactivo en Looker Studio para visualizar los segmentos de clientes, presentar los insights clave y facilitar la toma de decisiones por parte de los stakeholders.

• Incremento de las ventas: Se logró un incremento del 7.5% en las ventas B2B en las primeras 8 semanas tras la implementación de un canal de ventas personalizado, diseñado para atender las necesidades específicas de los segmentos de alto valor. Al final del trimestre, este incremento alcanzó un 15.7%.

• Optimización de la rentabilidad: Al enfocar los esfuerzos comerciales y de marketing en los segmentos de mayor valor, se mejoró el retorno de la inversión y se redujeron los costos asociados a la atención de clientes de bajo valor.

• Mejora de la eficiencia operativa: La segmentación permitió optimizar la gestión de inventario y la planificación logística, reduciendo la sobrecarga generada por los pedidos de bajo valor y anticipando las necesidades de los clientes de alto valor.

• Mayor conocimiento del cliente: La empresa obtuvo una comprensión profunda de los diferentes segmentos de clientes, sus necesidades, preferencias y comportamientos de compra, lo que permitió desarrollar estrategias de marketing y ventas más efectivas.

Herramientas: 

• Google colab.

• API Gem 2.0.

• GoogleCloud.

• VertexIA

• RStudio

Lenguaje de Programación:

• Python: Se utilizó como lenguaje principal para la extracción, transformación y carga de datos (ETL). Su versatilidad y la disponibilidad de bibliotecas especializadas en análisis de datos (como Pandas) lo convirtieron en una opción ideal para esta etapa del proyecto.

• R: Se empleo R parauna exploracion inicial de los datos, para validar poribles rutas de analisis y metodologias a ser aplicadas. derivando en la eleccion posterior de Python.

Bibliotecas de Python:

• Pandas: Se utilizó para la manipulación y el análisis de datos tabulares. Permitió realizar operaciones de limpieza, transformación, filtrado y agregación de manera eficiente.

• matplotlib.

• seaborn.

• numpy.

• plotly.

• sklearn.

Herramienta de Business Intelligence:

• Looker Studio: Se empleó para el desarrollo del informe interactivo de segmentación de clientes. Esta herramienta facilitó la creación de visualizaciones claras y atractivas, permitiendo a los stakeholders explorar los datos y obtener insights de manera intuitiva.

Metodologías de Desarrollo:

• CRISP-DM: Se utilizó como metodología de referencia para estructurar el proceso de minería de datos. Sus seis fases (Comprensión del Negocio, Comprensión de los Datos, Preparación de los Datos, Modelado, Evaluación y Despliegue) proporcionaron un marco de trabajo sólido para el proyecto.

• Kanban y Scrum: Se implementaron metodologías ágiles para la gestión del proyecto. Kanban se utilizó para visualizar el flujo de trabajo y optimizar la entrega continua de valor, mientras que Scrum se empleó para organizar el trabajo del equipo en sprints iterativos.

Este proyecto demostró el valor estratégico de la segmentación de clientes para impulsar el crecimiento y la rentabilidad de un negocio de e-commerce. Al aplicar un enfoque metodológico riguroso (CRISP-DM), utilizar herramientas de BI avanzadas (Looker Studio) e implementar un proceso de ETL eficiente con Python, se logró transformar datos transaccionales en insights accionables que permitieron a la empresa tomar decisiones más informadas y estratégicas. Mi liderazgo como BA y BI Leader fue fundamental para el éxito del proyecto, asegurando la alineación con los objetivos del negocio, la gestión efectiva del equipo y la entrega de resultados de alto impacto.