¿Mapear el comportamiento en línea con el comportamiento de gasto fuera de línea seguirá siendo un “santo grial” cuando muchas empresas tengan la capacidad de hacerlo?

Una vez que haya una distribución uniforme de datos entre las empresas interesadas, el comportamiento del consumidor y los hábitos de compra en línea / fuera de línea, el próximo “Santo Grial” es hacer algo útil con estos datos.

Datos, datos en todas partes, pero solo se usa una gota

Hace varios años, me asignaron la tarea de asesor de una cadena de tiendas minoristas muy grande y de alta gama para descubrir formas significativas de crear inteligencia para el consumidor basada en todos los puntos de datos del negocio. Esto fue muchos años antes de que la mayoría de las personas incluso llevaran un teléfono móvil. El sistema de punto de venta minorista y la gran cantidad de datos que produjo, junto con un nivel muy alto de uso por parte de los consumidores de la tarjeta de pago interna de la tienda, produjeron el “Juego de Química” perfecto para el descubrimiento.

Hice las cosas habituales con los datos para sacar conclusiones sobre los productos más populares. tiempo de compra más popular, etc. Me sorprendió mucho que esta compañía realmente no hiciera el análisis que uno asumiría. Las conclusiones que se pueden extraer de estos datos fueron toda una revelación para la empresa. Ser asesor en este proyecto me hizo pensar en el próximo conocimiento que podría producir el acceso a todos estos datos enriquecidos.

El modelo Huff, que predice comportamientos de compra basados ​​en la ubicación del consumidor

En 1963, el Dr. David Huff de la Universidad de Texas descubrió una ecuación muy poderosa. Se hizo conocido como el Modelo Huff, una relación espacial y una construcción de interacción de comportamiento. El modelo Huff es una teoría establecida en el análisis espacial con el principio de que la probabilidad de que un consumidor determinado visite y compre en un sitio determinado es una función de la distancia a ese sitio, su atractivo y la distancia y el atractivo de los sitios competidores y relacionados al comportamiento de compra anterior. Esta es una excelente base para las predicciones de compra basadas en la ubicación del consumidor. Y funciona fenomenalmente bien cuando se entiende completamente.

Francamente, estoy más que sorprendido de cómo muy pocas personas conocen el trabajo del Dr. Huff. Estoy aún más sorprendido de que su profundo trabajo no forme parte de todos los currículos de cursos de Marketing a nivel universitario .

La formulación básica de Huff del modelo de gravedad toma la siguiente forma :

Donde :
Pij = la probabilidad de que el consumidor j compre en la tienda i.
Wi = una medida del atractivo de cada tienda o sitio i.
Dij = la distancia desde el consumidor j hasta la tienda o el sitio i.
a = un exponente aplicado a la distancia por lo que la probabilidad de sitios distantes se amortigua. Suele oscilar entre 1,5 y 2.

Los polígonos censales son un sustituto de los consumidores individuales. Luego podemos calcular la probabilidad para cada polígono como un multiplicador de puntos de datos en la base de datos de polígonos (por ejemplo: consumidores versus dólares gastados en comestibles). Por lo tanto, podemos resumir una estimación del total con la medida del tamaño, como el área bruta locativa.


Podemos encontrar atributos que hagan que la experiencia de compra sea más atractiva para los consumidores. Este atractivo se puede calcular como una función de muchos atributos como una función básica del modelo Huff. El índice de atractivo se expresa como un número que combina todos los factores para crear un índice que hace que una experiencia sea más convincente. Los anillos de parámetros de distancia también son efectivos en el modelo Huff. Puede ingresar un valor que abarque a todos los competidores.

Un ejemplo simple sería :

Ubicación de la tienda, tamaño de la tienda, combinación de productos, producto popular, precio del producto, método de comercialización que impulsó la visita del consumidor, etc.

Para saber dónde comprará un consumidor y qué puede comprar

El modelo Huff combinado con otras métricas de análisis de datos (hay mucho más que el modelo Huff) se puede usar como un sistema predictivo que le sugerirá a una empresa una serie de atributos:

  • ¿Qué productos quiere el consumidor?
  • ¿Qué precio maximizaría las ventas frente a las ganancias?
  • ¿Qué ofertas inducirían una decisión de compra?
  • Qué ubicación produce clientes más leales

Hay una cantidad asombrosa de datos enriquecidos listos para ser utilizados con los nuevos sistemas basados ​​en la ubicación, como Foursquare, que ofrecerán cantidades sin precedentes de puntos prácticos que recompensarán tanto a los consumidores como a los comerciantes. El modelo Huff es solo un ejemplo.

Es fascinante cómo la ecuación de 1963 del Dr. Hoff podría encontrarse con 2011 y todas las empresas basadas en la ubicación móvil, fusionándose posiblemente en uno de los nuevos Holy Grail’s para comerciantes minoristas.

La inteligencia del comportamiento en línea para el gasto del consumidor sería una bendición para mostrar y promocionar a los anunciantes en línea y fuera de línea: donde no se producen clics directos a las compras, los comentarios adicionales sobre la efectividad de las impresiones de pancartas serían tremendamente valiosos.

Actualmente dentro de una red publicitaria determinada, donde las cookies pueden rastrear, por ejemplo, a cuántas impresiones de marca ha estado expuesto un internauta, es “sencillo” ver esa progresión de impresión a acción incluso sin clics explícitos. Por ejemplo, si el surfista ve un anuncio de un juego de PS3 3 veces y luego viaja a GameStop.com, incluso sin hacer clic en un anuncio, puede suponer un valor de impresión de marca. Pero todos los sitios donde los anuncios y GameStop.com deberían estar en la misma red publicitaria. Es difícil rastrear esto en línea a través de redes publicitarias.

El seguimiento del comportamiento de en línea a fuera de línea requeriría que el “consumidor” comparta, a sabiendas o no, la actividad de navegación y compra. Un equipo que busca proporcionar esta capacidad necesitaría acceso a estos datos y una forma de asociarlo todo con el consumidor individual.

Cosas como LivingSocial cierran la brecha explícitamente: regístrese y obtenga un cupón para su hamburguesería local. Hacer que estas indicaciones sean menos explícitas parece difícil. También tiene implicaciones de privacidad.

Si los consumidores tuvieran incentivos para proporcionar (algunos de) sus hábitos personales en línea para obtener recompensas fuera de línea, eso podría resultar interesante para minoristas, anunciantes y consumidores.