http://rdolinski.soy.es
rdolinski in Business Intelligence
rdolinski in Business Intelligence
lunes, 7 de febrero de 2011
jueves, 3 de febrero de 2011
Propuesta de Célula Productiva para Vender BI por Ricardo Dolinski Garrido
Madrid, jueves, 3 de Febrero de 2011
Buen día,
He intentado en 2 oportunidades vender la siguiente idea con el fin de obtener yo empleo en la empresa como Consultor de PreVenta, Negocio, Funcional y Desarrollo con Business Intelligence, DataWarehouse y ETL para desarrollar mi idea; y no he recibido aceptación.
Si le parece interesante, puedo exponer la idea personalmente :
Propuesta de Célula Productiva para Vender BI
por Ing. Ricardo Dolinski Garrido
ricardo@rdolinski.eu
rdolinski.eu@gmail.com
ricardo@rdolinski.eu
a.- Modelos para identificar Añadir Valor al Cliente
.- Cadena de Valor (identificar Ventaja Competitiva en su sector [POSICIONAMIENTO])
.- Fuerzas Competitivas (analizar situación real empresa en su sector [FODA])
.- Estrategia Competitiva (posicionar empresa para no quedar atrapado en el medio [ESTRATEGIA])
b.- Esquema de datos de gestión a información y conocimiento
BI <= DW <= ETL <= BD <= ERP, CRM, SCM c.- Propuesta Vender BI: c.1.- Pre-Venta => Negocio => Análisis => Desarrollo => Implementación
.- Actividad Primaria en Cadena de Valor
.- KPI medibles y valorables, seguimiento desempeño, rendimiento, rentabilidad, desviación de recursos
.- Cuadro de Mando con indicadores referidos a Ventaja Competitiva
c.2.- portátil de Pre-Venta
.- maquinas virtual por conjunto de herramientas
.- ISO restaurar portátil
.- .exe entregable al Cliente tipo QlikView por Actividad Primaria de Cadena de Valor
ok
Ricardo Dolinski Garrido
ricardo@rdolinski.eu
http://rdolinski.eu/
rdolinski.eu@gmail.com
nota:
relación de links de la explicación de los modelos que tome por Internet,
http://www.wikipedia.org/ , http://www.deinsa.com/ , http://www.realtimepublishers.com/ , http://www.businessintelligence.info/
y que utilizaría en mi exposición de Pre-Venta Business Intelligence, DataWarehouse y ETL:
=============================================================
---
Análisis DAFO
http://es.wikipedia.org/wiki/An%C3%A1lisis_DAFO
.
SWOT analysis
http://en.wikipedia.org/wiki/SWOT_analysis
---
Análisis Porter de las cinco fuerzas
http://es.wikipedia.org/wiki/An%C3%A1lisis_Porter_de_las_cinco_fuerzas
.
Porter five forces analysis
http://en.wikipedia.org/wiki/Porter_5_forces_analysis
---
Posicionamiento
http://es.wikipedia.org/wiki/Posicionamiento
.
Positioning (marketing)
http://en.wikipedia.org/wiki/Positioning_(marketing)
---
Cadena de valor
http://es.wikipedia.org/wiki/Cadena_de_valor
.
Value chain
http://en.wikipedia.org/wiki/Value_chain
=============================================================
===
http://www.deinsa.com/cmi/porter.htm
El Cuadro de Mando Integral
La estrategia competitiva
de Michael Porter
...
La estrategia competitiva
Las fuerzas competitivas básicas
http://www.deinsa.com/cmi/porter_c01.htm
...
La estrategia competitiva
Las estrategias competitivas genéricas
http://www.deinsa.com/cmi/porter_c02.htm
...
La estrategia competitiva
La cadena de valor
http://www.deinsa.com/cmi/porter_c03.htm
...
Todo sobre el Cuadro de Mando Integral
http://www.deinsa.com/cmi/principal.htm
...
El Cuadro de Mando Integral
Introducción
http://www.deinsa.com/cmi/cmi_introduccion.htm
...
El Cuadro de Mando Integral
Un buen Cuadro de Mando Integral
http://www.deinsa.com/cmi/cmi_bueno.htm
///
http://www-304.ibm.com/businesscenter/cpe/download0/205501/BIguidemidsize.pdf
Guía rápida para lograr inteligencia empresarial en empresas medianas
por Don Jones, editor de la serie Realtime Publishers
...
http://www.realtimepublishers.com/sgabimc.php
The Shortcut Guide to Achieving Business Intelligence in Midsize Companies by Don Jones
...
http://www.businessintelligence.info/mercado/metodologia-hefesto-v2.html
Metodología para la construcción de un datawarehouse
…
http://www.dataprix.com/data-warehousing-y-metodologia-hefestoHEFESTO
DATA WAREHOUSING: Investigación y Sistematización de Conceptos
HEFESTO: Metodología propia para la Construcción de un Data Warehouse
Ing. Bernabeu Ricardo Dario
Córdoba, Argentina — Lunes 19 de Julio de 2010
…
QlikView demos: http://demo.qlikview.com/
=============================================================
Buen día,
He intentado en 2 oportunidades vender la siguiente idea con el fin de obtener yo empleo en la empresa como Consultor de PreVenta, Negocio, Funcional y Desarrollo con Business Intelligence, DataWarehouse y ETL para desarrollar mi idea; y no he recibido aceptación.
Si le parece interesante, puedo exponer la idea personalmente :
Propuesta de Célula Productiva para Vender BI
por Ing. Ricardo Dolinski Garrido
ricardo@rdolinski.eu
rdolinski.eu@gmail.com
ricardo@rdolinski.eu
a.- Modelos para identificar Añadir Valor al Cliente
.- Cadena de Valor (identificar Ventaja Competitiva en su sector [POSICIONAMIENTO])
.- Fuerzas Competitivas (analizar situación real empresa en su sector [FODA])
.- Estrategia Competitiva (posicionar empresa para no quedar atrapado en el medio [ESTRATEGIA])
b.- Esquema de datos de gestión a información y conocimiento
BI <= DW <= ETL <= BD <= ERP, CRM, SCM c.- Propuesta Vender BI: c.1.- Pre-Venta => Negocio => Análisis => Desarrollo => Implementación
.- Actividad Primaria en Cadena de Valor
.- KPI medibles y valorables, seguimiento desempeño, rendimiento, rentabilidad, desviación de recursos
.- Cuadro de Mando con indicadores referidos a Ventaja Competitiva
c.2.- portátil de Pre-Venta
.- maquinas virtual por conjunto de herramientas
.- ISO restaurar portátil
.- .exe entregable al Cliente tipo QlikView por Actividad Primaria de Cadena de Valor
ok
Ricardo Dolinski Garrido
ricardo@rdolinski.eu
http://rdolinski.eu/
rdolinski.eu@gmail.com
nota:
relación de links de la explicación de los modelos que tome por Internet,
http://www.wikipedia.org/ , http://www.deinsa.com/ , http://www.realtimepublishers.com/ , http://www.businessintelligence.info/
y que utilizaría en mi exposición de Pre-Venta Business Intelligence, DataWarehouse y ETL:
=============================================================
---
Análisis DAFO
http://es.wikipedia.org/wiki/An%C3%A1lisis_DAFO
.
SWOT analysis
http://en.wikipedia.org/wiki/SWOT_analysis
---
Análisis Porter de las cinco fuerzas
http://es.wikipedia.org/wiki/An%C3%A1lisis_Porter_de_las_cinco_fuerzas
.
Porter five forces analysis
http://en.wikipedia.org/wiki/Porter_5_forces_analysis
---
Posicionamiento
http://es.wikipedia.org/wiki/Posicionamiento
.
Positioning (marketing)
http://en.wikipedia.org/wiki/Positioning_(marketing)
---
Cadena de valor
http://es.wikipedia.org/wiki/Cadena_de_valor
.
Value chain
http://en.wikipedia.org/wiki/Value_chain
=============================================================
===
http://www.deinsa.com/cmi/porter.htm
El Cuadro de Mando Integral
La estrategia competitiva
de Michael Porter
...
La estrategia competitiva
Las fuerzas competitivas básicas
http://www.deinsa.com/cmi/porter_c01.htm
...
La estrategia competitiva
Las estrategias competitivas genéricas
http://www.deinsa.com/cmi/porter_c02.htm
...
La estrategia competitiva
La cadena de valor
http://www.deinsa.com/cmi/porter_c03.htm
...
Todo sobre el Cuadro de Mando Integral
http://www.deinsa.com/cmi/principal.htm
...
El Cuadro de Mando Integral
Introducción
http://www.deinsa.com/cmi/cmi_introduccion.htm
...
El Cuadro de Mando Integral
Un buen Cuadro de Mando Integral
http://www.deinsa.com/cmi/cmi_bueno.htm
///
http://www-304.ibm.com/businesscenter/cpe/download0/205501/BIguidemidsize.pdf
Guía rápida para lograr inteligencia empresarial en empresas medianas
por Don Jones, editor de la serie Realtime Publishers
...
http://www.realtimepublishers.com/sgabimc.php
The Shortcut Guide to Achieving Business Intelligence in Midsize Companies by Don Jones
...
http://www.businessintelligence.info/mercado/metodologia-hefesto-v2.html
Metodología para la construcción de un datawarehouse
…
http://www.dataprix.com/data-warehousing-y-metodologia-hefestoHEFESTO
DATA WAREHOUSING: Investigación y Sistematización de Conceptos
HEFESTO: Metodología propia para la Construcción de un Data Warehouse
Ing. Bernabeu Ricardo Dario
Córdoba, Argentina — Lunes 19 de Julio de 2010
…
QlikView demos: http://demo.qlikview.com/
=============================================================
_rdolinski_propuestaPreVentaBI_20110203
ok
Ricardo Dolinski Garrido
rdolinski.eu@gmail.com
http://rdolinski.eu/
ricardo@rdolinski.eu
domingo, 22 de agosto de 2010
domingo, 25 de julio de 2010
software GRATIS & aplicaciones GRATIS
software GRATIS:
a.- Gestores de Descarga:
1.- http://www.mipony.net/es/
2.- http://www.jdownloader.org
3.- http://rdesc.com
4.- http://www.orbitdownloader.com
5.- http://www.tucaneando.com
6.- http://wordrider.net/freerapid/
7.- http://arles-download-manager.programas-gratis.net/
aplicaciones GRATIS:
b. Aplicaciones herramientas sistema operativo PC:
- CCleaner, limpiar Windows PC, http://www.piriform.com/ccleaner
- Defraggler, desfragmentar disco duro: http://www.piriform.com/defraggler
- Recuva, recupera ficheros borrados, http://www.piriform.com/recuva
- Speccy, muestra informacion del sistema PC, http://www.piriform.com/speccy
Tomado de revista Computer Hoy No. 307 2010
a.- Gestores de Descarga:
1.- http://www.mipony.net/es/
2.- http://www.jdownloader.org
3.- http://rdesc.com
4.- http://www.orbitdownloader.com
5.- http://www.tucaneando.com
6.- http://wordrider.net/freerapid/
7.- http://arles-download-manager.programas-gratis.net/
aplicaciones GRATIS:
b. Aplicaciones herramientas sistema operativo PC:
- CCleaner, limpiar Windows PC, http://www.piriform.com/ccleaner
- Defraggler, desfragmentar disco duro: http://www.piriform.com/defraggler
- Recuva, recupera ficheros borrados, http://www.piriform.com/recuva
- Speccy, muestra informacion del sistema PC, http://www.piriform.com/speccy
Tomado de revista Computer Hoy No. 307 2010
sábado, 24 de julio de 2010
Webs para niñas y niños en vacaciones:
Webs para niñas y niños en vacaciones:
--------------------------------------
Ideas y planes para padres y niños: http://saposyprincesas.com
juegos para niños: http://jugarjuntos.com
paguina infantil y juvenil: http://www.pekegifs.com
Web para Niños, Niñas, Bebés, Padres y Maestros: http://www.caricature.es
página web de los niños: http://www.dibujalia.net
actividades y juegos para aprender inglés: http://www.theyellowpencil.com
juegos para niñas y niños: http://www.pequeocio.com
tomado de revista Computer Hoy No.307 2010
--------------------------------------
Ideas y planes para padres y niños: http://saposyprincesas.com
juegos para niños: http://jugarjuntos.com
paguina infantil y juvenil: http://www.pekegifs.com
Web para Niños, Niñas, Bebés, Padres y Maestros: http://www.caricature.es
página web de los niños: http://www.dibujalia.net
actividades y juegos para aprender inglés: http://www.theyellowpencil.com
juegos para niñas y niños: http://www.pequeocio.com
tomado de revista Computer Hoy No.307 2010
sábado, 3 de julio de 2010
lunes, 10 de mayo de 2010
Data Mining: principales tareas y tipos de problemas
Principales tareas de Data Mining
==========================
Los distintos problemas de los distintos procesos de negocio
se pueden expresar en términos de las siguientes tareas:
T1.– Clasificación
T2.– Estimación
T3.– Asociación
T4.– Clustering
T1.– Clasificación
•••••••••••••••••••••
Examinar las características de un nuevo objeto
y asignarlo a una clase dentro de un conjunto de clases predefinido.
– Clasificar personas que piden créditos como alto medio o bajo riesgo,
– Determinar el patrón de las quejas de seguros fraudulentas
– Patrón de los clientes que nos dejarán en los próximos 6 meses
• Se ha de disponer de un conjunto de entrenamiento en el que todos los registros estén clasificados
• El problema consiste en construir un modelo que aplicado a un nuevo ejemplo sin clasificar lo clasifique.
• Se tiene siempre un número limitado de clases y se esperar poder asignar cualquier nuevo objeto en una de esas clases.
T2.– Estimación
•••••••••••••••••••••
• La clasificación trata con problemas de salidas discretas (si o no, alto, medio o bajo riesgo, responderá o no responderá...)
• La estimación trata con problemas donde el valor a clasificar puede tomar valores
en un rango continuo (ingresos, balance de la tarjeta de crédito, probabilidad de que sea jugador)
• Es una clasificación en la que se establece un score
Ejemplos
– Estimar el número de hijos de una familia
– Estimar la probabilidad de que alguien conteste a un mailing
– Estimar el tiempo de vida de un cliente
– Estimar los ingresos totales de una familia
T3.– Asociación o cesta de la compra
••••••••••••••••••••••••••••••••••••••••••••
Determinar que cosas van juntas.
– Pañales y cerveza se compran juntos los fines de semana
• El ejemplo típico es observar qué productos suelen ir juntos en la cesta de la compra
• Se puede utilizar para establecer los almacenes, escaparates y estrategias de Cross-selling.
T4.– Clustering
••••••••••••••••••
Segmentar una población heterogénea en un número de subgrupos homogéneos o clusters.
• No hay clases predefinidas
• Registros agrupados en base a su similitud.
• Se realiza a menudo antes de otras tareas de descubrimiento.
– Encontrar clientes con hábitos de compra similares
Tipos de Objetivos
==============
• Descubrimiento indirecto [ Problemas Descriptivos: Asociaciones(Asociación) - Segmentación(Clustering) ]
----------------------------------------------
–- Segmentación de bases de datos [T4.– Clustering]
. Clustering demográfico
. Algoritmo de las K-medias
. Mapas de Kohonen
–- Análisis de asociaciones y /o Patrones secuenciales [T3.– Asociación]
. Matrices de coocurrencias
. Algoritmo Apriori
•Descubrimiento directo [ Problemas Predictivos: Clasificación(Clasificación) - Predicción de valores(Estimación) ]
--------------------------------------------------------------------
–- Clasificación y Estimación [T1.– Clasificación, T2.– Estimación]
- Árboles de decisión:
. ID3, CART, C4.5, CHAID
- Redes neuronales
. Back Propagation
. RBF
- Regresión lineal
Tipos de problemas de Data Mining:
============================
el proceso de data mining es siempre un proceso inductivo en que no se realiza ninguna predicción de los datos.
A.- Problemas Descriptivos (problemas de descubrimiento indirecto puesto que no hay una meta a predecir)
--------------------------------------------------------------
META: es simplemente encontrar una descripción de los datos de estudio.
Pertenecen a este tipo de problemas el ejemplo de conocer cuales son los clientes de una organización
(características de los mismos) [una descripción como decimos del conjunto de datos origen],
o el encontrar los productos que frecuentemente se compran juntos o síntomas de enfermedades que se presentan juntos
[si bien el problema sigue siendo descriptivo,
el tipo de descripción requerida es diferente pues lo que se pretende es encontrar asociaciones
esta vez no entre los objetos origen sino entre los valores de atributos o propiedades de estos objetos].
Esto provoca una división más detallada del problema descriptivo en:
A1.- Análisis de segmentación ["segmentación de los clientes"]:
------------------------------------------
Se refiere a los problemas donde la meta es encontrar grupos homogéneos en la población de objetos origen.
A estos problemas se los denomina también problemas de aprendizaje no supervisado.
El típico ejemplo de segmentación es realizar una segmentación de los clientes
A2.- Análisis de asociaciones ["análisis de la cesta de la compra"]:
------------------------------------------
Hace referencia a los problemas en los que se persigue obtener relaciones entre los valores de atributos de una base de datos.
El ejemplo más típico es el de análisis de la cesta de la compra.
B.- Problemas Predictivos (problemas de descubrimiento directo.)
------------------------------------
META: es obtener un modelo que en un futuro pueda ser aplicado para predecir comportamientos.
Este tipo de problemas es el que denominamos problemas predictivos
o en entornos de inteligencia Artificial se denominan problemas de aprendizaje supervisado.
Aunque las técnicas aplicadas para la obtención del modelo son técnicas de inducción sobre los datos de origen,
el resultado (modelo) será aplicado para predecir.
La distinción en el tipo de variables que el modelo predecirá
nos lleva a una distinción dentro de los problemas predictivos que es:
B1.- Problemas de clasificación ["Encontrar el perfil.."]:
--------------------------------------------
problemas en los que la variable a predecir tiene un número finito de valores, esto es, la variable es categórica.
Un ejemplo de este tipo de problemas sería encontrar un modelo que a la vista de un histórico de clientes
clasificados como “buenos” , “regulares” y “malos” establezca de qué tipo de cliente es uno nuevo.
B2.- Problemas de predicción de valores ["Encontrar la probabilidad..."]:
---------------------------------------------------------
problemas en los que la variable a predecir es numérica.
Como ejemplo podríamos tener el caso de encontrar un modelo que me establezca la probabilidad
de que un cliente que está pidiendo un préstamo lo devolverá o no.
---
El hacer esta distinción es importante pues dependiendo del tipo de problema así será la técnica que se utilizará para solucionarlo.
fuente:
Tipos de Problemas de Data Mining
Ernestina Menasalvas
Universidad Politécnica de Madrid
Facultad de Informática
==========================
Los distintos problemas de los distintos procesos de negocio
se pueden expresar en términos de las siguientes tareas:
T1.– Clasificación
T2.– Estimación
T3.– Asociación
T4.– Clustering
T1.– Clasificación
•••••••••••••••••••••
Examinar las características de un nuevo objeto
y asignarlo a una clase dentro de un conjunto de clases predefinido.
– Clasificar personas que piden créditos como alto medio o bajo riesgo,
– Determinar el patrón de las quejas de seguros fraudulentas
– Patrón de los clientes que nos dejarán en los próximos 6 meses
• Se ha de disponer de un conjunto de entrenamiento en el que todos los registros estén clasificados
• El problema consiste en construir un modelo que aplicado a un nuevo ejemplo sin clasificar lo clasifique.
• Se tiene siempre un número limitado de clases y se esperar poder asignar cualquier nuevo objeto en una de esas clases.
T2.– Estimación
•••••••••••••••••••••
• La clasificación trata con problemas de salidas discretas (si o no, alto, medio o bajo riesgo, responderá o no responderá...)
• La estimación trata con problemas donde el valor a clasificar puede tomar valores
en un rango continuo (ingresos, balance de la tarjeta de crédito, probabilidad de que sea jugador)
• Es una clasificación en la que se establece un score
Ejemplos
– Estimar el número de hijos de una familia
– Estimar la probabilidad de que alguien conteste a un mailing
– Estimar el tiempo de vida de un cliente
– Estimar los ingresos totales de una familia
T3.– Asociación o cesta de la compra
••••••••••••••••••••••••••••••••••••••••••••
Determinar que cosas van juntas.
– Pañales y cerveza se compran juntos los fines de semana
• El ejemplo típico es observar qué productos suelen ir juntos en la cesta de la compra
• Se puede utilizar para establecer los almacenes, escaparates y estrategias de Cross-selling.
T4.– Clustering
••••••••••••••••••
Segmentar una población heterogénea en un número de subgrupos homogéneos o clusters.
• No hay clases predefinidas
• Registros agrupados en base a su similitud.
• Se realiza a menudo antes de otras tareas de descubrimiento.
– Encontrar clientes con hábitos de compra similares
Tipos de Objetivos
==============
• Descubrimiento indirecto [ Problemas Descriptivos: Asociaciones(Asociación) - Segmentación(Clustering) ]
----------------------------------------------
–- Segmentación de bases de datos [T4.– Clustering]
. Clustering demográfico
. Algoritmo de las K-medias
. Mapas de Kohonen
–- Análisis de asociaciones y /o Patrones secuenciales [T3.– Asociación]
. Matrices de coocurrencias
. Algoritmo Apriori
•Descubrimiento directo [ Problemas Predictivos: Clasificación(Clasificación) - Predicción de valores(Estimación) ]
--------------------------------------------------------------------
–- Clasificación y Estimación [T1.– Clasificación, T2.– Estimación]
- Árboles de decisión:
. ID3, CART, C4.5, CHAID
- Redes neuronales
. Back Propagation
. RBF
- Regresión lineal
Tipos de problemas de Data Mining:
============================
el proceso de data mining es siempre un proceso inductivo en que no se realiza ninguna predicción de los datos.
A.- Problemas Descriptivos (problemas de descubrimiento indirecto puesto que no hay una meta a predecir)
--------------------------------------------------------------
META: es simplemente encontrar una descripción de los datos de estudio.
Pertenecen a este tipo de problemas el ejemplo de conocer cuales son los clientes de una organización
(características de los mismos) [una descripción como decimos del conjunto de datos origen],
o el encontrar los productos que frecuentemente se compran juntos o síntomas de enfermedades que se presentan juntos
[si bien el problema sigue siendo descriptivo,
el tipo de descripción requerida es diferente pues lo que se pretende es encontrar asociaciones
esta vez no entre los objetos origen sino entre los valores de atributos o propiedades de estos objetos].
Esto provoca una división más detallada del problema descriptivo en:
A1.- Análisis de segmentación ["segmentación de los clientes"]:
------------------------------------------
Se refiere a los problemas donde la meta es encontrar grupos homogéneos en la población de objetos origen.
A estos problemas se los denomina también problemas de aprendizaje no supervisado.
El típico ejemplo de segmentación es realizar una segmentación de los clientes
A2.- Análisis de asociaciones ["análisis de la cesta de la compra"]:
------------------------------------------
Hace referencia a los problemas en los que se persigue obtener relaciones entre los valores de atributos de una base de datos.
El ejemplo más típico es el de análisis de la cesta de la compra.
B.- Problemas Predictivos (problemas de descubrimiento directo.)
------------------------------------
META: es obtener un modelo que en un futuro pueda ser aplicado para predecir comportamientos.
Este tipo de problemas es el que denominamos problemas predictivos
o en entornos de inteligencia Artificial se denominan problemas de aprendizaje supervisado.
Aunque las técnicas aplicadas para la obtención del modelo son técnicas de inducción sobre los datos de origen,
el resultado (modelo) será aplicado para predecir.
La distinción en el tipo de variables que el modelo predecirá
nos lleva a una distinción dentro de los problemas predictivos que es:
B1.- Problemas de clasificación ["Encontrar el perfil.."]:
--------------------------------------------
problemas en los que la variable a predecir tiene un número finito de valores, esto es, la variable es categórica.
Un ejemplo de este tipo de problemas sería encontrar un modelo que a la vista de un histórico de clientes
clasificados como “buenos” , “regulares” y “malos” establezca de qué tipo de cliente es uno nuevo.
B2.- Problemas de predicción de valores ["Encontrar la probabilidad..."]:
---------------------------------------------------------
problemas en los que la variable a predecir es numérica.
Como ejemplo podríamos tener el caso de encontrar un modelo que me establezca la probabilidad
de que un cliente que está pidiendo un préstamo lo devolverá o no.
---
El hacer esta distinción es importante pues dependiendo del tipo de problema así será la técnica que se utilizará para solucionarlo.
fuente:
Tipos de Problemas de Data Mining
Ernestina Menasalvas
Universidad Politécnica de Madrid
Facultad de Informática
martes, 27 de abril de 2010
HOY es Marketing 2010 ESIC
HOY es Marketing 2010 ESIC, algunas claves que apunte:
---
A.- Marketing: nuevos [ tiempos, retos, oportunidades ]
Kit para reinventar MK equivale abc;
a.- RIC X [ ya clientes; +innovación ]
b.- publicidad marca X [ patrocinio; colectivo ]
c.- incertidumbre X [ MK digital; entorno disruptivo ]
ESIC:
-. entorno de Incertidumbre, estrategias:
.- Defensiva, mantener posición
.- Ofensiva, avanzar posición
.- Diferenciadora, realizar campañas
.- Generadora de Confianza, promover lealtad - fidelidad del cliente
-. economía de guerra, estrategias asociadas:
.- Cliente:
. base instalada
. lealtad
. etener clientes
. servicio atención cliente
.- Producto y Servicio
. back to basic
. No es momento para añadir valor
. innovación
. analytics de MK
.- Empresas:
. cliente interno
. objetivo empresa
. fortalecer equipo
[ ya clientes; +innovación ]
Daemont Quest:
cliente + innovación = crecimiento ^ n
4 tendecias en nuevo MK:
1.- back to the customer, [Binter Canarias]
. No captar más
. Si plan estratégico de clientes, base instalada
. segmentación, planes de oferta, planes de servicio
. portal inteligencia comercial, calidad y cantidad de la cartera
2.- segmentación = estrategia [Telva.com]
. divide y vencerás
. modelo de negocio y productos, adelantados y adaptados
. en MK hay que crear historias
3.- Innoviquity [netexpresso]
. accesible al cliente
. probar todo tipo de canales
4.- LowXury [Jinmy Choo con H&M]
. lujo a bajo coste
. No pensar en precio
. Si pensar en modelo de oferta
. asociación, agrupación
cliente (posicionamiento, segmentación, target) + innovación (reinventar modelo de negocio)
Campofrío:
1.- RIC, Retener e Incorporar a Nuevos consumidores:
-. Renovar marcas establecidas ( brand equity )
-. Comunicación comercial, cercana al cliente, visión 360°
-. desarrollar internet, redes sociales
.- España, jamon y cerveza, vino?
.- estrategia publicitaria,TV:
. 1. Si se capto mensaje, Si hubo proximidad
.2. No se capto mensaje, No hubo humor
2.- incorporar inmigrantes a la marca:
-. proyecto => target => producto y marca
.- publicidad gratis en agradecimiento del colectivo al producto
RIC X [ ya clientes; +innovación ]
publicidad marca X [colectivo ]
Yahoo:
-. Los españoles:
.- 58% usa internet de Lun a Dom en PC, portátil y móvil
.- 75% está en red social
.- 85% tiene email
.- 21% uso simultáneo Internet y TV
.- 38% cambia opinión de marca por usar Internet
.- Internet, 13, 6 h/semanal, España 5to puesto
.- TV, 13 h/semanal
.- radio, 12,6 h/semanal
conclusión:
-. Nuestra mente, memoria tiene un límite
-. Auto envío de email para recordar datos, contraseñas, información
+ mucha información, - menos atención
.=> nos centramos en el ahora
.=> necesidad de enviar al futuro
¿estás conectado al Marketing digital?
.. Internet debe buscar conexión del
.. ( producto, marca, empresa ) .=> ( cliente, consumidor, usuario )
MK digital
Banco Santander:
-. mercados: Brasil, UK, España
-. foco: Banca Comercial
-. mejora continua de la eficiencia
-. comprar bien .=> fortalece balances
-. métricas medibles: imagen, eficacia, retorno
-. marca única, oficina modelo, tarjeta modelo
-. conocer marca por patrocinio
-. publicidad gratis indirecta por otras marcas
-. alianza de marcas: Santander + Ferrari
-. marcas más atractivas del mundo:
.- 1era. Google, 2da. CocaCola, 3era. Ferrari
publicidad marca X [ patrocinio ]
Telefónica:
Acantostega, entorno disruptivo y nueva competencia:
-. nuevos bichos:
-. 1ero. Google, 2do. Apple, 3ero. Facebook, 4to. ebay
.- son cisnes negros,
.- inesperados en este sector
.- No se ven venir
.- rápidos, flexibles
.- se hacen grandes muy rápido
.- su campo de juego es mundial
-. Hoy en Telefónica, No se sabe quiénes son sus competidores
-. “competir es hacer Rubik a ciegas”
-. ahora los clientes:
.- están informados, muy exigentes
.- usan tecnología con facilidad
.- quieren entornos de relación personal
.- y cada vez son más jóvenes
crear emociones: El principito y el zorro
“crear lazos requiere tiempo y atención”
[ ya clientes; +innovación (fidelidad base instalada) ]
---
B.- integrar estrategia [ comercial IN empresarial ]
Kit para integrar estrategia equivale abc;
a.- decisión empresarial X [ Π red comercial ]
b.- vender mi producto X [ todos somos TU fuerza venta ]
c.- crecimiento X [atacar mercados; empezar de 0 ]
ESIC:
-. Higiene de nuestra red: implicación y moral
-. política y estrategia comercial, difícil mantener modelo ya establecido
.- hoy, corto plazo es prioritario a largo plazo
.- 53% comerciales, considera que la compañía no comprende ni valora sus capacidades
.- 73% se siente frustrado, red comercial excesivamente dirigida, pero deficientemente gestionada.
.- 46% no muestra ningún grado de compromiso con la empresa donde trabaja
-. ahora, rapidez se transforma en prisa; y entonces:
.- clima genera 44% del resultado del negocio
.- el mundo que genero para los empleados; es el mundo que estos generan a sus clientes.
.- el pensamiento nunca se separa de las emociones; y las emociones no se aíslan del pensamiento.
-. estrategia + involucrarse
.- la involucración sin estrategia es incorrecta; la estrategia sin involucrarse es desalentadora; entender las razones es importante.
-. dirigir la red comercial:
.- poder de afiliación, por encima de excelencia intelectual de cualquier idea.
.- compañía capaz de emocionar sobre una idea; ya tiene una ventaja competitiva.
decisión empresarial X [ Π red comercial ]
ABM Rexel:
-. TODOS somos la fuerza de venta
.- somos la fuerza de venta de los clientes que realizan la instalación (instaladores)
.- ahora, la fuerza de venta es un producto más
.- nosotros hacemos la presentación de venta; el instalador realiza la instalación y nosotros vendemos nuestros productos
vender mi producto X [ todos somos TU fuerza venta ]
LG:
-. equipo comercial, necesidad de reinventarse:
-. Lo más fácil: reducir personal, reducir margen distribución, reducir publicidad
-. Plan 360°, para reinventarse – filosofía coreana del G:
-. 1ero. Crecimiento constante:
.- estrategia de ataque o estrategia de defensa; la diferencia es el premio
.- si tienes éxito; al atacar eres 20% más grande; al defender te quedas como estas.
.- al atacar vas a por el mercado; al defender solo tratas de mantener posición
-. 2do. Dimensional para alcanzar el crecimiento:
.- crecer un 5% es imposible; mientras crecer un 20% es posible
.- ya que para crecer un 20%: hay que ser radical; empezar de cero y derribar todos los paradigmas.
-. 3ero. Ágil, flexible, rapidez:
.- adaptarse a las necesidades del consumidor
.- el mercado de tecnología se deprecia muy rápidamente
-. 4to. Una sola voz con el consumidor
-. 5to. Todos somos fuerza de venta
.- un jugador gana solo un partido; un equipo gana el campeonato
-. 6to. reforzar vínculos comerciales:
.- innovación continua, como meta para crecer como mínimo 20% cada año
.- buscar océanos de negocio para ofrecerles a los socios
crecimiento X [atacar mercados; empezar de 0 ]
-. comité de red comercial con miembros que están en la calle con el cliente
-. comité de dirección, dirige la compañía
-. conocimiento es de abajo a arriba: de red comercial a decisión empresarial
--
C.- revolución digital:
Kit para economía digital equivale abc;
a.- redes social X [ Π ( trafico; conversión; valor2Cliente ) ]
b.- bookmark X [ resultado buscador; recomendación red social ]
c.- social commerce X [ interrelación física & virtual; crear proximidad ]
FECEMD:
-. revolución de la economía digital
.- Facebook, Tuenti, Twitter; 3 de las 4 palabras más buscadas en Internet
.- PYMES y Grandes Empresas en igualdad de oportunidades
.- networking professional
.- ser generosos con sus contactos
.- dedicar un rato al día en 3 meses: 32% mas venta y 7% menos costo
.- 25 millones internautas en España; 80% está en una red social
.- 3 millones de empresas, solo 2% utilizan Web.2.0 e interactividad
bookmark X [ resultado buscador; recomendación red social ]
ICEMD:
-. Redes sociales y éxito empresarial – mito y realidad
-. 1ero. RRSS otra plataforma mas para su monologo – mito
.- realidad: tráfico (blogging, SEO, pay per click) + conversión: implica conversar, escuchar, convertir clientes en fans
-. 2do. RRSS dan visibilidad a la marca – mito
.- realidad: tu reputación (lo que los demás dicen de ti) vale más que la marca (lo que tú dices de ti mismo)
-. 3ero. MarKeting que cuenta hoy en día es OnLine – mito
.- realidad: MK es integrado OFF Line / ON Line
-. 4to. Controlar SMM Social Media Marketing – mito
.- realidad: fuerte cultura corporativa asumida por todos con licencia / permiso para equivocarse
-. 5to. Conocimiento tecnología + conocimiento publicidad = éxito On Line MarKeting – mito
.- realidad: trafico + conversión + valor2Cliente = rentabilidad en la empresa
redes social X [ Π ( trafico; conversión; valor2Cliente ) ]
Kanvas Media:
-. SEO y SMM
.- hay búsquedas que Facebook supera a Google
.- bookmark en mente del consumidor
.- recomendaciones: resultados buscador vs. Recomendación de red social
.- del sitio web al latifundio web
.- busca en YouTube: bavaria
bookmark X [ resultado buscador; recomendación red social ]
www.muchoviaje.com
-. vender por Internet:
-. 1ero. coloca al cliente en el centro de la estrategia, escucharles, entenderles, participar con ellos
.- crear una red desde el punto de vista del cliente
-. 2do. Social Commerce, transparencia de la verdad para construir un negocio con raíces social
.- los empleados acaban conversando con nuestros clientes.
-. 3ero. define plan de Marketing:
.- acciones: adquirir trafico => conversión a clientes => fidelidad de clientes => y estos clientes en promotores para buscar nuevos clientes
.- interrelacionar: lo físico (revista, programa TV) y lo digital (website, DVD)
-. 4to. La tecnología no debe significar grandes proyectos inacabables
-. 5to. observa, testa, analiza y comparte
social commerce X [ interrelación física & virtual; crear proximidad ]
Incipy:
-. Redes sociales al servicio de las empresas – 4 ideas básicas:
-. 1ero. Aprende a decir lo siento
.- gestión proactiva de quejas: chief apologize officer
.- 70% de los clientes vuelven y traen otros clientes; ROI positivo cada mes
-. 2do. contrata a grandes personas y dejala hacer
.- Zane’s cycles, garantía exclusiva de recambios
.- 29 años crece un 23% anual
-.3ero. conocernos, aceptarnos, superarnos
.- 012 de Cataluña
.- www.gencat.cat - crm online
-. 4to. No intuir lo que no podemos medir
.- libros: “Estrategia Digital” y “Ultimate Questions”
BuyVip:
-. Modelo de negocio: comunidad de venta privada
-. www.buyvip.com
.- venta con descuento y consignación virtual
CCC:
-. Cambiar relación cliente, proveedor:
.- me cuidan: envían sms, email. Yo jamás los voy a abandonar
.- expertos en economía digital: cuidan a clientes y proveedores
.- reinventar negocio para crear proximidad, poner alma, cuidar al cliente; en real time
--
MK emocional VS MK racional
-. MK “patas arriba”: físico (producto), mental (mensaje) => al consumidor
-. Lo que es fidalidad son las emociones
-. 1 brand management, parcializa presupuesto y esfuerzos
-. 2 brand marketing es una disciplina más
-. 3 consumidor compra buenas marcas, hechas por buenas compañías; que operan en una buena categoría
.- mercado es un juego de suma cero: mercado lucha de categoría, no de marcas dentro de categorías
-. 4 black marketing, cuando se opta por el lado oscuro de la fuerza
-. 5 publicidad responde con el silencio de los corderos
-. 6 hermano mayor (comercial) debe aprender del hermano pequeño (politico)
.- Internet comparar contenido y publicida, con TV contenido y publicidad
-. 7 siempre necesidad de seguir siendo relevante en publicidad
.- Jacobs Pharmacy en Atlanta
ok
Ricardo Dolinski Garrido
lunes, 1 de marzo de 2010
jueves, 11 de febrero de 2010
Suscribirse a:
Comentarios (Atom)
