dades

Les dades al centre del

màrqueting cultural

Ajuntament de Girona

Maig 2014

Hem de mesurar i captar dades….

Ho podem mesurar tot!

Hem de mesurar i captar dades….

Hem de mesurar i captar dades….

Hem de mesurar i captar dades….

Digital és sinònim de mesurable

També en Cultura hem invertit en sistemes que ens facilitin

dades

El repte és convertir les dades en coneixement

Hem de mesurar i captar dades….

Hem de mesurar i captar dades….

…i convertir les dades en coneixement…

De l’efectivitat de les nostres estratègies

de màrqueting i comunicació

Dels nostres públics, per conectar-hi millor

…i convertir les dades en coneixement…

…i convertir les dades en coneixement…

• Preguntes directes i indirectes• Què motiva el nostre públic?• A quin preu posem els abonament per incrementar

públics?• Quins continguts ens produeixen millors vendes?• Programem un espectacle més? Ho fem més

dies?• Quin % de públics a 1 sol espectacle tenim i com

ha evolucionat?

La decisió a prendre DDD

• Quines dades?• Com les captarem?• Com les utlitzarem?• Quina modelització, algoritme?• Quin resultat esperem i com

l’avaluarem?• Quines experiències similars

podem trobar?

El model

• Els models imiten la realitat• Tots els models són erronis, alguns

són útils• Un bon algoritme no compensa la

manca de més i millors dades• La intució i la creativitat són les

materies primes d’un model

Sense oblidar...

• Les tenim?• On són?• Quin software o eina necessitem?• Hem de modificar procesos?• Els primers assaigs funcionen?

Captació de dades

Contactar

• Nom• Edat• Email mkt• Qui té més

interès• Què té més

interès• Quins dispositius

Què compren

• Ofertes• Segmentacions• Gènere• Estil

Quan i com compren

• Quan enviar informació

• Quan obrir taquilles

• Anàlisi web

D’on són

• Orientació difusió• Coneixement,

demostració de valor i rendiment social

Quantes vegades

• Segmentació per intensitat

• Coneixement, com és el públic què més ens interessa

• Ofertes, promocions

Cada quan

•Cicle de vida•Prevenció abandonament•Segmentació de valor

Anàlisi de motivacions

•Coneixement•Programació•Segmentacions complexes

Anàlisi de programació

•Millors dies i horaris•Costos butaca

Anàlisi de recorreguts

• Definir itineraris

• Abonaments• Coneixement

Comparar expectatives

• Seguiment• Avaluació• Ofertes

Anàlisi de despesa

• Política de preus

• Millora elaboració de pressupostos

Creuar dades

• Mineria de dades

• Coneixement• Millora

Dades que ens ajuden a conèixer i a connectar amb l’audiència

Dades que ens permeten avaluar estratègies, continguts i màrqueting

Integració email

màrqueting

Integració web i analítics

Integració social

Integració queixes i

atenció al client

Integració gestió

continguts i adds

Automatització email

màrqueting

Bussines intelligence Big data

Algoritmes de predicció i

recomanació

Les dades en el present i el futur proper…

Anàlisi

• Mineria de dades• Confirmar o rebatre hipòtesis• Relacions entre variables• Anàlisi estadísitc• Segmentació

• Gràfica. Una imatge val més que 1000 paraules

• Orientada a l’acció. Comprensible, completa, amb propostes, amb resultats esperables

Presentació

1

2

34 o +

Públics segons visites

1

Públics segons visites

Cortesia

Exemples gràfics

D

M

MSO

T

MixG

Públics segmentats per gènere

157 11 1923 6 10141822 3 8 121620 0 7 11151923 6 10141822 2 10141822 2 9 1317211 2 3 4 5 6 7

MOMENT DE COMPRA

1 2 3 4 50.00%

5.00%

10.00%

15.00%

20.00%

25.00%

30.00%

35.00%

40.00%

45.00%

50.00%

INTENSITAT DE COMPRA I D’EMAIL

1 2 3 4 5 6 7 100

5

10

15

20

25

30

0

50

100

150

200

250

300

350

400

450

500

ANÀLISI DE DESPESA

Ingrés per persona i espectacle Promig entrades per espectacle Promedio de Ingressos

€ pe

rson

a i e

spec

tacle

/# e

ntra

des p

er e

spec

tacle

# espectacles

€ pr

omig

Ing

ress

os a

nual

s

EmocióEmoció Evasió Relació

Emoció Fan Intel·lectualEmoció Intel·lectual Relació

Evasió Intel·lectualFan

Fan Evasió RelacióIntel·lectual

ANÀLISI DE MOTIVACIONS

Segments motivació

Segm

ents

gar

antia

0 5 10 15 20 25 30 35 40 45 500.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

PÚBLIC REINCIDENT PER PERÍODE ENTRE VISISTES

1 Polynomial (1) 2Polynomial (2) 3 Polynomial (3)

Dies entre visites

% d

el se

gmen

t

5.00% 10.00% 15.00% 20.00% 25.00% 30.00% 35.00% 40.00% 45.00%0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

120.00%

OCUPACIÓ DESCOMPTE I #FUNCIONS

% descompte mig sobre PVP màxim

% O

cupa

ció

86%

6%5%3%1%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%

Total

Barcelona Girona Tarragona Lleida Illes Balears Altres Castellón Valencia Alicante Huesca Madrid Gipuzkoa Burgos La Rioja Araba/Álava Zaragoza Albacete Valladolid Navarra Coruña Cádiz Bizkaia León S.C. Tenerife Cantabria Córdoba Granada Málaga Salamanca Teruel Cáceres Murcia Pontevedra Palencia Ávila Toledo Ciudad Real Guadalajara Segovia Las Palmas Sevilla Huelva

1. Definir el

problema

2. Modelitzar

3. Captar dades

4. Analitzar

5. Presentar

Equilibri costos i retorn

• Mesurar, analitzar i avaluar és costós• Mesurar ha de ser “rendible”

La imaginació és més important que el coneixement.Albert Einstein

Moltes gràcies!

@tekneculturainfo@teknecultura.comteknecultura.cat