Category: Geomarketing

  • ITELLIGENT, GRUPO TOPDigital y el Cluster Andalucía Smart City colaboran en el proyecto SIPREDE
  • El objetivo ha sido mejorar el conocimiento de la demanda en las tiendas físicas de TOPDigital – Vodafone

portada-proyecto-siprede-itelligent

El consorcio formado por las empresas TOPDigital y Itelligent Information Technologies y el Cluster Andalucía Smart City recibió el pasado 2017 financiación del Ministerio de Industria, Energía y Turismo, dentro del programa Agrupaciones Empresariales Innovadoras (AEI), en su convocatoria 2017, para el desarrollo del proyecto “Sistema de previsión de la demanda”, (SIPREDE).

El Cluster Andalucía Smart City, está formado por la alianza de multitud de empresas e instituciones andaluzas dedicadas al desarrollo de ciudades inteligentes, eficientes, sostenibles y confortables. TOPDigital, es un grupo enfocado a diversas actividades en los sectores de las telecomunicaciones, la eficiencia energética, la consultoría, el marketing, los electrodomésticos, el equipamiento de hogar y profesional, el emprendimiento así como el desarrollo de software. ITELLIGENT Information Technologies es una empresa pionera en España en las áreas de la Inteligencia Artificial, el Big Data y el Procesamiento del Lenguaje Natural (PLN) dedicada desde el 2008 al desarrollo de proyectos en dichas áreas.

El objetivo del proyecto SIPREDE ha sido mejorar el conocimiento de la demanda de las tiendas de TOPDigital y para ello se han realizado la hibridación de datos internos del cliente (demanda) y datos procedentes de Open Data (ej. Dataos sociodemográficos, meteorológicos, etc…) y se ha tenido en cuenta la geolocalización de mucho de estos datos. A partir de esta hibridación se han creado modelos que teniendo en cuenta las capacidades explicativas y predictivas de dichos datos y la distribución espacial de los mismos, permitan una mejora en el conocimiento de la demanda y poder tomar decisiones más informadas.

Los resultados del proyecto obtenidos han sido satisfactorios y abren una oportunidad a muchas otras empresas, las cuales puedan aprovechar la información que aportan la hibridación de sus datos, tanto temporales como geoespaciales y demográficos y de esta forma mejorar el conocimiento de su demanda y con posterioridad poder tomar decisiones mucho más informadas y óptimas que las actualmente consideradas, entre las cuales podían no estar contenidas las ventajas que los datos anteriormente expuestos aportan.

A continuación, se va a realizar una pequeña descripción técnica del proyecto, el cual se fundamenta en el análisis de los factores que más influyen a la hora de producirse una acción de venta. Se han tenido en cuenta 11 tiendas de telefonía propias del grupo TOPDigital en colaboración con uno de sus principales asociados, el operador de telefonía móvil Vodafone. Las tiendas están localizadas en el municipio de Malaga y los datos han sido del año 2017.

Este artículo se centrará en el análisis el análisis de la captación de usuarios (creación de una nueva línea móvil). Para el análisis disponíamos además de los datos de las captaciones las direcciones de dichas tiendas a través de las cuales fueron geolocalizadas determinando su ubicación, latitud/longitud.

Una vez tenida en cuenta esta información, se realizó una búsqueda anexa de la información contenida en Google tanto de las opiniones de los usuarios que realizaron alguna actividad en alguna de las tiendas de estudios, (cantidad de reseñas y puntuaciones aportadas), como de los centros comerciales presentes en la ciudad de Málaga, dentro de los cuales podría encontrarse (o no) alguna de las citadas 11 tiendas. En la siguiente figura, Figura-1, mostramos un ejemplo de la ubicación de 6 de las 11 tiendas anteriormente mencionadas:

Figura-1. Muestra localización de 6 de las 11 tiendas Vodafone-TOPDigital de la ciudad de Málaga

Figura-1. Muestra localización de 6 de las 11 tiendas Vodafone-TOPDigital de la ciudad de Málaga

Como últimos recursos a considerar se tomaron los datos meteorológicos, temperatura media y precipitaciones, aportadas por la Agencia Estatal de Meteorología,  , así como las horas de sol del día estimadas por el Instituto Geográfico Nacional a través de las puesta y la salida del sol, y los días laborales, festivos y de apertura especiales de los centros comerciales recogidos en Boletines Oficiales del Estados, BOE, de la provincia de Málaga.

Antes de proceder a modelar los datos de venta decidimos aplicar diversos análisis estadísticos para determinar las características de cada factor, entre los cuales no se tuvieron en cuenta los de carácter espacial (latitud/longitud, presencia en centros comerciales, reseñas de Google) que serán considerados posteriormente, solo los de carácter temporal (series temporales de captación, meses del año, días horas de sol, etc…). En las siguientes figuras, Figura-2, Figura-3, Figura-4, mostramos un pequeño ejemplo de los análisis de influencia de los factores temporales para una de las 11 tiendas, serie temporal, influencia de dos de los factores, meses del año y las horas que poseen los días:

Figura-2. Serie temporal de captaciones de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Figura-2. Serie temporal de captaciones de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Figura-3. Influencia del factor meses del año en las captaciones de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Figura-3. Influencia del factor meses del año en las captaciones de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Figura-4. Influencia del factor horas de sol en las captaciones de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Figura-4. Influencia del factor horas de sol en las captaciones de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Una vez consideradas tanto el formato de los datos como las influencias anteriormente descritas y las características aportadas por el problema con respecto a los factores espaciales decimos aplicar un modelo Generalizad Linear Models, espacial y autoregresivo, una variante del Hurdle Count Model, el cual aporta ventajas sobre otros count models, principalmente porque permite corregir ciertas discapacidades como puede ser el problema de la overdispersión.

Una vez generado el modelo, se compararon el valor de estimación del modelo Hurdle Count Model para cada serie temporal de las captaciones con la serie temporal real para el año 2017 de las 11 tiendas presentes en el estudio. En la Figura-5 se muestra un ejemplo de la comparación para una de las 11 tiendas de estas dos series temporales expuestas anteriormente:

Figura-5. Serie temporal de captaciones estimadas por el Hurdle Count Model versus serie temporal real de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

Figura-5. Serie temporal de captaciones estimadas por el Hurdle Count Model versus serie temporal real de una determinada tienda Vodafone-TOPDigital de la ciudad de Málaga, año 2017

0
  • La Escuela de Organización Industrial (EOI) organiza en su sede de Andalucía en Sevilla una mesa redonda sobre “Big Data e Inteligencia Geoespacial”
  • ITELLIGENT estará presente en esta mesa redonda para hablar sobre “Inteligencia geoespacial en campañas electorales”.

El próximo mes de abril la Escuela de Organización Industrial organiza una jornada sobre Big Data e Inteligencia Geoespacial en el Campus EOI de Sevilla en la que se abordarán casos de uso relacionados con el enriquecimiento de los datos para que la organizaciones puedan tomar decisiones en base a la información que éstos les aporta. Gran parte de los datos que se generan están geolocalizados, tanto en redes sociales, direcciones IP, correo postal, GPS,  conexiones de dispositivos móviles, informacion geotageada por LN, etc. Además de este tipo de datos geolozalizados, también contamos con bases de datos espaciales como los aportados por la SEC de España. Por este motivo, el objetivo de esta jornada es compartir ejemplos de las posibilidades que se abren al integrar datos de múltiples fuentes dentro de Sistemas de Información Geoespacial con el fin de facilitar la toma de decisiones de negocio, el análisis de mercado, la selección de las mejores localizaciones de establecimientos comerciales, el análisis turísticos, etc.

En base a esto, nuestro compañero Mario Rivas, ingeniero de I+D+i en ITELLIGENT, participará en esta mesa redonda para abordar conceptos y soluciones inteligentes para establecer estrategias de campaña en procesos electorales así como soluciones para optimizar el desarrollo de una campaña electoral en base a la información geoespacial y sociodemográfica a través de un Sistema de Información Geográfica (SIG).

Inscripcion-evento-big-data-eoi

Mesa redonda: Big Data e Inteligencia Geoespacial

Lugar: Campus EOI Sevilla, Calle Leonardo da Vinci, 12. Parque Científico y Tecnológico Cartuja. Sevilla.

Fecha: Miércoles, 4 de abril de 2018

Hora: De 18:30 a 19:45 horas.

Ponentes:

Juan Ignacio de Arcos Rus, Director Académico “Programa Big Data & Business Analytics” de EOI Andalucía.

Mario Rivas, Ingeniero I+D en ITELLIGENT

Pedro Pérez Alcántara, CIO de Sunntics

Programa:

18.30h: Apertura

18.35h: Mesa Redonda: Big Data e Inteligencia Geoespacial. Modera Juan Ignacio de Arcos Rus,  Director del “Programa Big Data & Business Analytics” de EOI Andalucía.

  • “Inteligencia geoespacial en el proceso electoral”,  por Mario Rivas de ITELLIGENT.
  • “Business Location Intelligence”, por  Juan Pedro Pérez Alcántara de Sunntics.

19.25h: Cierre y conclusiones.

 

En la actualidad, muchas compañías invierten parte de su presupuesto en realizar estudios de mercado para tomar decisiones en sus estrategias de marketing y averiguar cómo es, cómo consume y qué necesita su cliente potencial. Estos estudios de mercado, en ocasiones, se basan en encuestas en las que se abordan preguntas del tipo, qué productos compramos, con qué frecuencia, cuándo y dónde… o cuestiones relacionadas con nuestra situación económica, edad, estado civil, tipo de vivienda, gastos de consumo, etc. Toda esta información sobre el consumidor es almacenada para conocer las condiciones socio-demográficas y económicas del mercado o determinar si un determinado perfil de persona será un cliente potencial. Además de este tipo de información, los datos geográficos también son parte integrante de los estudios de mercados actuales, ya que son necesarios para evaluar los esfuerzos de marketing realizados en puntos estratégicos de una ciudad, región o país.

El análisis conjunto de los datos demográficos, económicos y geográficos posibilita estudios de mercado para rentabilizar las estrategias de marketing. El análisis de este tipo de datos se puede llevar a cabo a través del Geomarketing. Tal como su propio nombre indica, Geomarketing es una confluencia entre geografía y marketing. Se trata de un sistema integrado de información -datos de diversa índole-, métodos estadísticos y representaciones gráficas orientados a dar respuestas a cuestiones de marketing de forma rápida y sencilla.

¿Cómo se estructura un sistema de Geomarketing? (Coro Chasco, 2010)

1.Las fuentes de información que integra un sistema de Geomarketing son:

  • Datos internos de la empresa relacionados con ventas, datos de clientes, datos de facturación, datos de consumo, etc.
  • Datos externos de la empresa relacionados con censos, directorios, alquileres y ventas de infraestructuras, centros comerciales, bares, hospitales, servicios públicos, etc.

metodos-de-geomarketing_coro-chasco

2.Cartografía digital: representar gráficamente divisiones censales, municipales, entidades de población, callejeros, etc.

3.Integración de los datos en el sistetam. Tras la recopilación de la información y el diseño de la cartografía digital, debemos codificar los datos extraídos, agrupar direcciones, estimar datos no existentes, depurar la información poco relevante y calcular los indicadores.

4.Análisis estadístico-gráfico. Realizar análisis exploratorio de datos espaciales, análisis de correlación y regresión de datos territoriales, análisis de flujos e interacción espacial, etc.

Como resultado de este sistema exponemos, a modo de ejemplo práctico, una imagen de nuestra herramienta netGeomarketing en la que se muestran datos de tiendas geolocalizadas y su área de influencia:

Para qué sirve una plataforma de geomarketing

Frente a la estrategia de negocio sirve para:

  • Tomar decisiones en función de la localización de su mercado en un área geográfica
  • Planificar la estrategia de expansión
  • Optimizar una red comercial, red de puntos de venta o red de distribución.
  • Determinar zonas de influencia y cobertura geográfica.
  • Evaluar perfiles de población (targets o clientes)
  • Averiguar puntos calientes de ventas (hot ubiety)
  • Dar respuesta a ¿tengo el número correcto de establecimientos?
  • Detectar y evaluar dónde se encuentra la competencia así como calcular su cobertura y área de influencia.

Frente a la segmentación de mercado, te permite:

  • Identificar de los clientes más rentables
  • Analizar la procedencia geográfica de los clientes potenciales, saber dónde se encuentran
  • Averiguar cómo es tu target o cliente potencial a través de datos sociodemográfico, comportamientos de consumo u otros aspectos.
  • Descubrir dónde y cómo llegar a tus clientes para llevar a cabo acciones de marketing.

Un claro ejemplo de este tipo de plataformas es netGeomarketing de ITELLIGENT. Este sistema te permite detectar zonas estratégicas en una ciudad, región, país, etc., establecer una segmentación del mercado, descubrir dónde se encuentran tu público objetivo o averiguar cómo es el perfil sociodemográfico de clientes potenciales, entre otras funcionalidades. netGeomarketing te facilitar la toma de decisiones tanto en la creación de un nuevo negocio como en la apertura de nuevos establecimientos, determinar áreas de cobertura y de influencia, detectar dónde se encuentra tu competencia y optimizar tu estrategia de marketing.

A continuación, exponemos tres ejemplos de geomarketing. 

Caso práctico Geomarketing: clasificación de zonas por cada target detectado.

Caso práctico Geomarketing: evaluación de geolocalizaciones de interés

Elecciones 26J, campos de batalla y remansos de paz

Cada vez es más común encontrar datos geolocalizados (Ej. redes sociales, móviles, Google, INE, etc.), estos datos añaden nuevas oportunidades de información monetizable que desgraciadamente, en la mayor parte de los casos no se aprovechan. La falta de aprovechamiento se debe a que se suelen utilizar modelos clásicos, que no tienen en cuenta la geolocalización, para intentar explicar e intentar monetizar estos datos.

En este post vamos a mostrar un claro ejemplo de cómo una técnica clásica, no geolocalizada (no tiene en cuenta la localización del dato), puede llevar a una predicción insatisfactoria de los datos geolocalizados, mientras que una tecnica geolocalizada (tiene en cuenta la localización del dato) mejora en gran medida los resultados, permitiendo “insights” que el modelo no localizado no obtendría y como consecuencia, el modelo geolocalizado, permite  una mejor monetización de los resultados

A título de ejemplo hemos realizado un análisis predictivo de la ubicación de segundas viviendas en el sur de España, los resultados son los que se muestran en la Figura-1 y que a continuación se explican.

En la parte superior de la figura 1 pueden observarse los resultados de la aplicación de las técnicas no geolocalizada (parte superior de la figura) y geocalizadas (parte inferior de la figura) para predecir el número de viviendas secundarias en las diferentes secciones censales (zonas en las que se dividen los municipios de las comunidades autónomas españolas) de las comunidades de Andalucía, Extremadura, Murcia y Castilla La Mancha.

geomarketing_oportunidades-geolocalizacio

Figura 1. Contraste de técnicas geolocalizadas y no geolocalizadas en las diferentes secciones censales de Andalucía, Extremadura, Murcia y Castilla La Mancha

Es claro que en la parte inferior de la figura 1 el color de los puntos es bastante más pronunciado que en la superior, detectándose además algunos puntos coloreados para la parte inferior que para la superior carecen de color, (comunidad de Murcia) y por ello se deduce que el modelo geolocalizado es más sensible que el no geolocalizado, ya que éste es capaz de detectar más secciones censales en las que existe un número de viviendas secundarias elevado y lo que denota que el modelo geolocalizado es mucho más efectivo.

Básicamente el modelo geolocalizado da mayor importancia a la información de las zonas más próximas por lo que al incorporar esta información permite identificar mejor las áreas de segundas viviendas ya que estás tienden a situarse en zonas geográficas reducidas.