dades
TRANSCRIPT
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
