Los datos ocupan desde hace tiempo un lugar central en la estrategia del grupo Pernod Ricard. Para el productor de vinos y licores, que distribuye 240 marcas en más de 160 países, los datos son esenciales para ofrecer “en cada uno de sus mercados, el producto adecuado, en el momento adecuado, al consumidor adecuado y al precio adecuado”. . El proyecto Matrix, desarrollado para equipos de marketing, ilustra cómo la empresa pone los datos al servicio de sus negocios, gracias a la experiencia combinada de sus científicos e ingenieros de datos.
Hace unos tres años, el grupo Pernod Ricard lanzó tres grandes programas de datos en el marco de su transformación digital: Key Digital Products (KDP). Entre ellos, el proyecto Matrix. "El objetivo era ayudar a los equipos de marketing a optimizar sus campañas y la asignación de su presupuesto, en función de las diferentes marcas y canales publicitarios presentes en su mercado", explica Violette Gaillard, ingeniera de datos de Pernod Ricard. El grupo recurre a numerosos canales para llegar a sus clientes potenciales, incluidas plataformas digitales, pero también medios tradicionales.
Un modelo impulsado por datos específicos de cada mercado
Para poder optimizar las campañas de marketing era necesario poder conocer el impacto real de cada canal en las ventas. “Para ello, intentamos describir lo ocurrido en campañas anteriores, con el fin de obtener recomendaciones para futuros presupuestos de marketing”, afirma Bérénice Mercier, científica de datos de Pernod Ricard. Este modelo se basa en datos recopilados en diferentes mercados, sobre ventas, finanzas y productos. Los datos también provienen de plataformas digitales, y otras a través de agencias de publicidad o marketing. Pero estos son datos sin procesar. Sin embargo, los científicos de datos necesitan datos “listos para usar” para alimentar sus modelos, subraya Bérénice Mercier.
Antes, los ingenieros de datos intervienen para transformar los datos sin procesar en datos que el modelo pueda utilizar directamente. Para ello, los equipos construyen canalizaciones de datos con diferentes tecnologías, incluidas Python, Spark o SQL, para transformar, limpiar y preparar datos, todo en la nube de Azure. “También utilizamos bibliotecas y herramientas desarrolladas internamente para acelerar, en particular el Portal de Datos desarrollado conjuntamente con JC Decaux », afirma Violette Gaillard, que desde entonces se ha unido al equipo responsable de esta solución. Uno de los desafíos también consiste en industrializar la recolección, todavía basada en parte en procesos manuales. “Estamos implementando procesos basados en flujos ETL (extracción, transformación y carga) para facilitar las cosas a los equipos de ciencia de datos”, describe el ingeniero de datos. “Pero son los científicos de datos quienes conocen los datos y nos describen sus necesidades”, recuerda.
Datos maestros para unificar datos
Para la preparación de datos, los ingenieros de datos se basan en cuatro pilares: cobertura de espectro, historial, granularidad y métricas disponibles. “En los canales digitales podemos disponer de métricas bastante precisas que nos permiten evaluar inmediatamente los datos que recibimos”, señala Violette Gaillard. Se han definido datos maestros para unificar los datos y preservar la coherencia del modelo: los datos de entrada de cada mercado se asignan a estos datos de referencia, lo que evita modificar el modelo con cada nuevo despliegue. “Nos aseguramos de que todos los modelos estén alineados desde el punto de vista lógico”, explica Violette Gaillard. Sin embargo, los datos maestros pueden enriquecerse, por ejemplo, cuando es necesario agregar un nuevo canal. Luego se vuelve a entrenar el modelo, “pero el objetivo es tener un modelo estable, que no tenga que ser reimplementado cada dos semanas”, señala Bérénice Mercier.
En caso de discrepancia con los datos de entrada del modelo deseado, el equipo de ingeniería estudia posibles soluciones alternativas con los científicos de datos, que luego están sujetas a validación comercial. “A veces podemos transformar los datos existentes para poder alimentar el modelo, pero a veces los datos necesarios no están disponibles en determinadas zonas geográficas, en cuyo caso no podemos desplegar la solución allí”, explica Bérénice Mercier.
Autonomía del usuario en la toma de decisiones
Sin embargo, estas situaciones siguen siendo poco comunes. Matrix ya se ha implementado en varios países y los equipos ahora tienen cierta perspectiva sobre los primeros mercados implementados. “Disponemos de varios KPI y métricas para saber si las recomendaciones son pertinentes y los primeros resultados han resultado muy satisfactorios, observándose aumentos de las ventas”, confía Bérénice Mercier. Por ejemplo, en Estados Unidos, una nueva asignación presupuestaria basada en las recomendaciones de Matrix permitió duplicar las ventas adicionales de la marca de whisky irlandés Jameson en el espacio de dos años.
Un aspecto clave para el éxito del proyecto es la forma en que las recomendaciones resultantes del modelo se ponen a disposición de los usuarios objetivo, en este caso los equipos de marketing. Estos cuentan con una aplicación web desarrollada internamente, que les permite ver el historial de todas las campañas pasadas y sus respectivos aportes a las ventas. “También proporcionamos una solución de optimización donde los usuarios pueden especificar diferentes restricciones. Por ejemplo, pueden indicar los presupuestos previstos o limitarse a determinadas marcas o determinados canales”, explica el científico de datos. El último punto esencial es que los equipos pueden probar diferentes escenarios y son autónomos a la hora de tomar la decisión final. “No es el algoritmo el que impulsa esto”, precisa Violette Gaillard.
Perfiles complementarios, técnicos y profesionales
El proyecto se encuentra ahora en una fase de despliegue internacional y a escala. “Hacemos hincapié en la incorporación y las explicaciones a los usuarios potenciales, para que utilicen la solución. El componente de apoyo al cambio es importante”, destaca Bérénice Mercier. La coherencia del código entre diferentes regiones también es valiosa para esta fase. "Esto nos permite tener las mismas discusiones, los mismos análisis, lo que hace que el despliegue sea más fácil y rápido", observa el científico de datos.
Matrix, al igual que los otros KDP, permitió reunir y hacer trabajar juntos todo un conjunto de diferentes perfiles y profesiones en torno a un programa basado en datos: alrededor de 150 empleados en total en todos los proyectos, incluidos científicos de datos, ingenieros de datos, diseñadores, Equipos de TI, analistas de datos, ingenieros de aprendizaje automático, representantes comerciales y gerentes de implementación en los diferentes mercados. Una dimensión destacada tanto por Bérénice Mercier como por Violette Gaillard, quienes apreciaron poder involucrarse en cuestiones comerciales.
Otras noticias que te pueden interesar