Cómo comenzó
Una empresa grande con fuerte presencia en la industria alimentaria contactó a KarmaPulse con el objetivo de “construir un sistema interno de inteligencia de marketing.”
La empresa tenía múltiples marcas, cada una con su propio departamento de marketing, y por encima de ellas, una dirección general de marketing. Cada departamento tenía estrategias, necesidades de datos y niveles de madurez digital distintos. Ellos eran los usuarios finales del sistema.
Los líderes de marketing necesitaban acceso directo a datos de consumo, analizados según sus propios conceptos y métodos. Ese fue nuestro primer objetivo.
Hacer que los insights comunes fueran accesibles y escalables en toda la empresa, para aumentar la alineación de contexto y el conocimiento compartido entre las distintas marcas.
Este paso era necesario, porque la inteligencia requiere datos y ciclos de retroalimentación de información efectivos.
Qué hice
- Realicé sesiones de alineación con los stakeholders
- Auditué sus procesos actuales de producción y consumo de datos
- Identifiqué el trabajo principal a resolver, un proceso de análisis de consumo aplicable a múltiples canales sociales y marcas, con una taxonomía común de categorías de marketing (producto, precio, marca, servicio, etc.)
- Definí un proceso asistido por IA para automatizar el análisis
- Desplegué un prototipo funcional en 5 días usando Observable Framework para la visualización de datos, y un notebook de Python para prototipar el pipeline inicial (con la gran ayuda de una analista de datos)
- Implementé un programa inicial de co-creación para la mejora continua
Resultados
- Un MVP escalable capaz de crecer indefinidamente en fuentes de datos y marcas, con categorías analíticas personalizables
- Reportes de marketing mejorados y personalizables en la interfaz
- Análisis cualitativo de consumo automatizado, sensible a la marca y al contexto de campaña
- 4 de 6 marcas principales recibieron reportes mejorados de insights de consumo
Más sobre el proceso
En este proyecto inicial trabajé solo con una analista de datos senior. Así que puse manos tanto en el código como en el diseño con gusto.
El valor de este MVP no estaba en la interfaz, sino en el pipeline inicial de IA. Aun así, la visualización de datos fue crucial para las pruebas, la alineación y la evaluación del éxito del prototipo.
La estructura y densidad del dashboard cambiaron de forma importante durante los siguientes tres meses.
La clave fue simplificarlo. Pensar en términos de divulgación progresiva en la visualización de datos de negocio resultó esencial.
Este refinamiento del problema me llevó a considerar canales alternativos para entregar información de forma más sensible al contexto. El dashboard se convirtió en el punto de entrada y en un espacio compartido para iniciar conversaciones entre los distintos equipos de marketing de las marcas.
Nota: algunos detalles y datos de las imágenes fueron modificados para proteger la privacidad de los stakeholders.