Un insight es un conocimiento clave o una verdad sobre los consumidores o el mercado que, interpretada correctamente, puede dar información muy útil acerca de las razones de un determinado comportamiento.
Al entender este conjunto de acciones una marca puede comprender realmente qué necesitan sus usuarios, qué está pasando con sus productos, con el mercado y cómo mejorar sus acciones de marketing.
Así que los insights son puntos de partida clave que pueden llevar a la solución de problemas.
Por tanto, la generación de insights consiste en observaciones e información contextualizada acerca del valor del consumidor, su comportamiento, hábitos, circunstancias, actitudes, mercado o ambiente, y tiene el potencial de cambiar el rumbo de acción de una empresa para obtener el éxito.
Fuentes de insight
Las fuentes de donde pueden surgir datos para el proceso de su generación, pueden ser:
Bases de datos de consumidores Una base de datos de clientes nos pueden decir la identidad de nuestros consumidores, la naturaleza de la relación que tenemos con ellos, las transacciones que hacen y el valor de esas transacciones.
Datos internos Los diversos departamentos de una empresa pueden aportar importantes piezas de conocimiento, como interacciones entre empleados, restricciones operacionales, implicaciones financieras y quejas realizadas.
Datos del mercado Todas las compañías necesitan una perspectiva externa sobre el volumen y el valor en un mercado, su cuota en ese mercado y las tendencias más amplias del sector (de consumo, demográficas, económicas, tecnológicas, etc.).
Investigación de consumidor La investigación de mercado que constituye la columna vertebral en la generación de insights para muchas compañías, ya sea cuantitativa, cualitativa, etnográfica, semiótica, o realizada con algún otro método de investigación.
Como parte de este trabajo, es necesario hablar con los consumidores para conocer por qué hacen lo que hacen, y bajo qué circunstancias actuarían diferente.
La acumulación de varios insights construye un entendimiento acumulado que se relaciona con el proceso de cotejar evidencia y descubrimientos de múltiples proyectos y fuentes, reflexionar acerca de sus conexiones e investigar sus contradicciones.
###¿Qué tipos de insights existen?
Generalmente, podemos encontrar tres categorías principales de la generación insights en la investigación de mercados:
En la actualidad se considera que hay información más valiosa que la demográfica y tiene que ver con comportamientos, actitudes, necesidades, deseos, metas, nivel de entendimiento, otras marcas que siguen, intereses y motivaciones, de ahí la importancia de obtener insights del consumidor.
Cuando se trata de competidores se observa lo que están haciendo, tanto lo bueno como lo malo, así como a lo que la gente responde y a lo que no. No se trata de volverse una copia, sino de aprender de los competidores y encontrar un ángulo diferente desde el cual situarse, sabiendo qué es lo que le hace falta a la competencia. De ahí la importancia de conocer qué es un insight y dónde obtenerlos.
Aprende cómo hacer una investigación de la competencia.
Si bien puedes obtener información de la cultura a través de los insights del consumidor, hay otras piezas clave que buscar, como quiénes son las celebridades o influencers en la cultura compartida, cuál es el lenguaje que se usa, cuál es la historia, las tendencias emergentes y los comportamientos esperados.
Entender a la cultura permite tener acceso a insights más profundos que permiten comprender de forma más integral a los consumidores.
Beneficios de Insights
Genera más consumidores Una clave para incrementar el compromiso con tu marca usando insights es una reacción en cadena de recomendaciones relevantes, cada una construyéndose sobre la anterior para darle más valor a la recomendación.
Los insights permiten automatizar recomendaciones de una manera relevante y brindar a los consumidores una guía personal que les ayude a obtener lo que desean. Cuando puedes entender a cada uno de tus clientes individualmente, es más fácil ayudarles a obtener lo que quieren.
Proveer este nivel de servicio personalizado puede consumir tiempo y costo para negocios, lo que antes lo hacía inaccesible. Pero gracias a los insights accionables es posible automatizar las recomendaciones en escalas masivas, dándole a cada consumidor un servicio personalizado a sus necesidades, metas y comportamiento.
Generan confianza Al ayudar a los consumidores en sus vidas diarias, una marca puede demostrarles que cuentan con su apoyo.
Al entender sus hábitos y comportamientos, es posible darles recomendaciones que les ayuden a obtener lo que haría sus vidas más fáciles, y cuando se demuestra consistentemente que su efectividad, las relaciones se hacen más profundas y se gana la confianza del cliente.
Aumenta las ventas Ya que los clientes están comprometidos y se ha desarrollado la confianza, tienden a ser más abiertos a nuevas ofertas o a nuevos servicios, contribuyendo a aumentar las ventas de un negocio.
Descubre cómo incrementar las ventas gracias a los insights de los clientes
Los datos de buena calidad permiten aproximarse a los clientes inteligentemente, p
Lanzamiento de productos exitosos Cuando se usan los insights para el desarrollo de productos, la audiencia actual nos dice exactamente el producto que quieren o necesitan.
Se está haciendo nuevos productos a la medida de una audiencia ya definida que los demanda, por lo cual sus posibilidades de adopción y éxito comercial serán mayores.
Publicidad y campañas de marketing efectivas La industria de la publicidad ha estado usando los insights por muchos años. Los insights de marketing y de publicidad a veces se sobreponen y pueden abarcar una gran parte del uso de insights, ya que estos departamentos se encargan de las estrategias relacionadas con el branding de los negocios.
Por ejemplo, las campañas de marketing pueden estar orientadas a incrementar el reconocimiento y obtener más clientes o pueden estar orientadas a la retención de consumidores.
Una estrategia sólida para generar insights requiere un proceso multidimensional que incluye los siguientes elementos:
+Definir el objetivo de los datos Tienes que saber qué es lo que quieres de tus datos antes de que vayas a usarlos. Esto significa que requieres saber qué estás tratando de lograr, qué clase de necesidades los datos deben abordar y cómo vas a medir el éxito del proyecto.
+Construir el esquema de trabajo En este paso, se visualiza lo que se quiere que los datos digan, de manera que creen una historia. Esto es cuando las cantidades numéricas se vuelven gráficas o cuando datos inesperados son transformados para que puedan ser fácilmente entendidos con la mirada.
Utilizaremos el dataset ” diamonds” del paquete “car” en rstudio. Para ello utilizaremos las librerías carData, car, ggplot2.
library(carData)
library(car)
#> Warning: package 'car' was built under R version 4.2.2
library(ggplot2)
library(readr)
#> Warning: package 'readr' was built under R version 4.2.2
Importamos base de datos diamonds
diamonds
#> # A tibble: 53,940 × 10
#> carat cut color clarity depth table price x y z
#> <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
#> 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
#> 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
#> 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
#> 4 0.29 Premium I VS2 62.4 58 334 4.2 4.23 2.63
#> # … with 53,936 more rows
diamonds <- diamonds
Analizamos su contenido
head(diamonds)
#> # A tibble: 6 × 10
#> carat cut color clarity depth table price x y z
#> <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
#> 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
#> 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
#> 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
#> 4 0.29 Premium I VS2 62.4 58 334 4.2 4.23 2.63
#> # … with 2 more rows
str(diamonds)
#> tibble [53,940 × 10] (S3: tbl_df/tbl/data.frame)
#> $ carat : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
#> $ cut : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
#> $ color : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
#> $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
#> $ depth : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
#> $ table : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
#> $ price : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
#> $ x : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
#> $ y : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
#> $ z : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...
conocemos la estructuras y medidas de resumen de las variables price y depth
summary(diamonds$depth)
#> Min. 1st Qu. Median Mean 3rd Qu. Max.
#> 43.00 61.00 61.80 61.75 62.50 79.00
summary(diamonds$price)
#> Min. 1st Qu. Median Mean 3rd Qu. Max.
#> 326 950 2401 3933 5324 18823
Usamos las variables cut y reemplace su nombre por:
# cut: Regular, Bueno, Muy Bueno, Premium, Idea
diamonds$cut<-recode(diamonds$cut,"'Ideal'='Ideal';'Premium'='Premium';'Very Good'='Muy Bueno'; 'Good'='Bueno';'Fair'='Regular'")
str(diamonds)
#> tibble [53,940 × 10] (S3: tbl_df/tbl/data.frame)
#> $ carat : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
#> $ cut : Factor w/ 5 levels "Bueno","Ideal",..: 2 4 1 4 1 3 3 3 5 3 ...
#> $ color : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
#> $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
#> $ depth : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
#> $ table : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
#> $ price : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
#> $ x : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
#> $ y : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
#> $ z : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...
table(diamonds$cut)
#>
#> Bueno Ideal Muy Bueno Premium Regular
#> 4906 21551 12082 13791 1610
diamonds$cut <- ifelse(diamonds$cut=="Fair", "Regular",
ifelse(diamonds$cut=="Good", "Bueno",
ifelse(diamonds$cut=="Very Good", "Muy Bueno", diamonds$cut)))
str(diamonds)
#> tibble [53,940 × 10] (S3: tbl_df/tbl/data.frame)
#> $ carat : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
#> $ cut : int [1:53940] 2 4 1 4 1 3 3 3 5 3 ...
#> $ color : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
#> $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
#> $ depth : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
#> $ table : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
#> $ price : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
#> $ x : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
#> $ y : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
#> $ z : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...
Realizamos un gráfico de barras sobre las frecuencias absolutas de la variable cut
mis_colores<- c("red", "blue", "yellow", " pink", "orange")
barplot(table(diamonds$cut), main = "Frecuencias Absolutas de corte /n Diamante",
col= (mis_colores), ylim = c(0,25000))
La estadística del software toma una cadena como valor
g <- ggplot(diamonds, aes(depth, price))
summary(g)
#> data: carat, cut, color, clarity, depth, table, price, x, y, z
#> [53940x10]
#> mapping: x = ~depth, y = ~price
#> faceting: <ggproto object: Class FacetNull, Facet, gg>
#> compute_layout: function
#> draw_back: function
#> draw_front: function
#> draw_labels: function
#> draw_panels: function
#> finish_data: function
#> init_scales: function
#> map_data: function
#> params: list
#> setup_data: function
#> setup_params: function
#> shrink: TRUE
#> train_scales: function
#> vars: function
#> super: <ggproto object: Class FacetNull, Facet, gg>
g + geom_point(alpha=1/3)
cutpoints <- quantile(diamonds$carat,seq(0,1,length=4),na.rm=TRUE)
Vemos que es cutpoints
cutpoints
#> 0% 33.33333% 66.66667% 100%
#> 0.20 0.50 1.00 5.01
diamonds$car2<- cut(diamonds$carat, cutpoints)
Gráfico de Cajas
ggplot(diamonds,aes(carat,price))+geom_boxplot()+facet_grid(.~cut)
#> Warning: Continuous x aesthetic
#> ℹ did you forget `aes(group = ...)`?