La estadística aplicada al marketing en Marketing Data Analytics

1. ¿Qué es la Estadística Aplicada al Marketing?

La estadística aplicada al marketing es una ciencia que se utiliza para resumir la información y formular generalizaciones de marketing a raíz de una determinada población sobre la base de una muestra extraída. 

Todas las técnicas estadísticas las aplicaremos sobre datos extraídos del ámbito del marketing y de la publicidad que dará como fruto la estadística aplicada al marketing.

2. Datos de ventas y medios

Aquí estudiaremos los principales medios publicitarios offline y online que existen. Además, mostraremos la importancia que tienen los datos en el ámbito del marketing y su influencia en la evolución de los departamentos de ventas. También contextualizaremos cada uno de los medios publicitarios con bases de datos reales, que nos permitirán comprender la importancia y la magnitud de cada uno de ellos.

3. Revisión de métricas específicas

Para hacer un buen análisis hay que conocer las principales transformaciones de los medios para tener la información al nivel y consistencia necesarios. Para medir la eficacia de los medios estudiaremos las principales métricas y conceptos como ROI, tasa de apertura, CTR, corto y largo plazo o el mix de medios.

En este punto, tendremos que entender el significado del efecto ad-stock: el efecto ad-stock describe la prolongación o disminución del efecto publicitario en el tiempo y el impacto que tiene sobre cada una de las ventas de las empresas. También el tratamiento de los datos a nivel temporal y las principales técnicas de missing (datos que faltan) que existen.

4. Datos de clientes

En marketing, el cliente es lo más importante. Debemos tener conocimiento de los datos que se relacionan con los clientes, su comportamiento, agregación y almacenamiento. Para saber todo esto hay que obtener datos en tiempo real y estudiar la importancia de ellos frente a los considerados ‘estáticos’.

También investigaremos la importancia de tener CRM —administración de relaciones con el cliente— ordenado, coherente y consistente, así como sus ventajas y las principales fuentes de información que integra. Además comprenderemos el concepto ecommerce y los datos que se pueden extraer de cada navegación web relacionada con la experiencia del usuario.

5. Datos de externos y de la competencia

A la hora de gestionar los datos, es tan importante analizar los propios como los externos y los de la competencia. Se empieza por:

• conocer bases de datos como INE, Eurostat o WorldBank
• los indicadores como PIB o el consumo por hogar
• los datos de la competencia con fuentes como InfoADEX, Kantar o SimilarWEB
• conocer cómo trabaja Google Trends, una herramienta muy útil para extraer información de otros departamentos de marketing.

6. Introducción a la estadística

En el ecuador del temario definiremos los principales conceptos de estadística como la población y la muestra, los tipos de muestreo, las variables o las tablas de contingencia. Además intentaremos comprender la importancia de tener muestras genéricas que cubran todo el espacio muestral y saber definir los outliers —valores atípicos— para los distintos tipos de variables.

7. Principales medidas de estadística básica

Con ejemplos prácticos aprenderemos a detectar cuándo debes aplicar cada una de las medidas básicas de estadística, tales como medidas de centralización, de dispersión y las correlaciones. Y seremos capaces de diferenciar entre la correlación Pearson y la de Spearman.

8. Distribuciones y contraste de hipótesis

Para avanzar en el estudio de la estadística aplicada al marketing conoceremos el significado de la distribución y la aplicación en los problemas del análisis de datos. Los profesores te enseñaremos a identificar las principales distribuciones en gráficos, a definir los intervalos de confianza y calcularlos bajo una distribución genérica, con foco en una normal.

Además, definiremos los tipos de contraste de hipótesis, conoceremos su formulación matemática y la lectura de los resultados. Al final de este apartado, se profundizará en el estudio de ANOVA, el análisis de la varianza que es una colección de modelos estadísticos y sus procedimientos asociados.

9. Regresión lineal y múltiple

Llegando al final del sprint conoceremos más sobre la técnica de la regresión y cómo se aplica a diferentes casos de uso. El temario comienza por definir el concepto de regresión y su fórmula matemática, pasa a describir cada uno de los aspectos importantes para la regresión lineal simple y múltiple (tales como coeficientes, p-valores, R2 o R2 ajustado) y termina haciendo un ejercicio práctico en Excel en el que se aprende a crear un modelo de regresión lineal y a interpretarlo. ¡Vaya viaje!

También descubriremos qué es la multicolinealidad. Con ejemplos prácticos entenderemos los principales conceptos y aprenderás a detectar un buen modelo, potenciales errores y las formas para solucionarlo.

10. Técnicas de reducción de dimensionalidad

En este penúltimo apartado definiremos la dimensionalidad y analizaremos sus principales componentes e indicadores y el análisis factorial. Introduciremos el concepto de clustering o definición de segmentación y sus principales casos de uso. También se hace foco en técnicas como k-means —método de agrupamiento— y se muestran ejemplos y casos de uso.

11. Series temporales

Por último, definiremos qué es una serie temporal y las variables que influyen sobre ella, sus principales formas de modelización y de graficarlos. Explicaremos el concepto de media móvil y la forma de calcularla, así como su formulación matemática y la elaboración de los gráficos. Para finalizar, hablaremos del término ARIMA —la técnica más extendida de modelización de series temporales—, conoceremos sus principales parámetros para su modelización y sus métricas de ajuste.