fbpx

Un gran reto para el departamento de marketing

Oui.sncf es una de las principales operadoras ferroviarias de Francia. Su sitio web es uno de los comercios electrónicos franceses más visitados, adquiriendo la mayor parte del tráfico a través de Adwords. En esta historia de producto, el departamento de marketing de la organización asumió un gran reto: la creación de la herramienta Ouiboost. 

2 TB
de datos
cada día

1
Data Product Manager

12 millones
de visitantes
únicos al mes

Factores claves del éxito

Crear un MPV en tiempo récord

Como responsable de la hoja de ruta, nuestro Data Product Manager definió las características más importantes que permitieron crear un Mínimo Producto Viable en tiempo récord. Gracias a esto, los equipos técnicos contrastaron sus hipótesis para cada etapa del desarrollo del producto.

Reducir la brecha entre trabajo y tecnología

Con el objetivo de recuperar la visión del negocio, poner a prueba las hipótesis con datos e intercambiar los resultados con el equipo técnico. Todo esto resume el día a día de un Data Product Manager de Thiga.

Nos formations

Saber experimentar

Gracias a la metodología SBCE y a las sesiones de exploración de Quick Wins, el equipo pudo experimentar y explorar manteniendo el objetivo de incrementar el valor de la producción al final de cada sprint.

Mejorar los datos internos para optimizar la adquisición

El Equipo de Adquisición de Marketing utilizaba Google Adwords para promocionar las ofertas de Oui.sncf. El sector turístico es agresivo, por lo que requiere estrategias de optimización sólidas con el fin de seguir siendo competitivo. Dicho de otra manera, el objetivo era el de obtener un coste por clic máximo por cada palabra clave, y así poder pujar por el menor precio posible.

Para gestionar las campañas publicitarias de Google Adwords, el Equipo de Adquisición utilizó Adobe Media Optimizer (AMO), el software más importante del mercado. Sin embargo, parecía que esto ya no era suficiente:

  • La solución AMO es interesante, pero demasiado genérica. En cambio, desarrollar algoritmos específicos para cada sector permite ajustar las predicciones.
  • Oui.sncf tiene un Data Warehouse extremadamente rico, con más de 2 terabytes de datos al día. Al utilizar AMO, el equipo de marketing se privó a sí mismo de esta gran cantidad de datos.

Nathan Chauliac

Head of Data Product Management

Formado en la escuela de negocios EDHEC y la École Centrale Paris, Nathan es un apasionado de los productos de Data Science. Se incorporó a Thiga en 2016. En la actualidad, como Head of Data Product Management, apoya a sus clientes a la hora de adoptar un enfoque de producto desde el comienzo, hasta la fase de implementación de una organización de producto en el caso de los equipos con más experiencia.

#Data #AI #ProductManagement

Todo el equipo de Ouiboost

 

1 Data Product Manager de Thiga

3 data engineers y 3 data scientists

Lanzando un MPV en mes y medio

Con demasiada frecuencia, el enfoque de datos implica una búsqueda de algoritmos optimizados en la que el equipo de datos trabaja durante varios meses o incluso años antes de dar con el resultado.

Este enfoque tiene una doble desventaja: priva a los equipos de negocio de la solución durante todo el proceso de implementación y no permite a los data scientists comparar su modelo con la realidad; por lo tanto, el riesgo del proyecto aumenta considerablemente.

Para evitar estas dificultades, tomamos dos importantes decisiones:

Poner en producción un modelo sencillo

Para tener un primer modelo en producción en tan solo mes y medio, sentamos las bases de la arquitectura del modelo, simplificando al máximo cada componente. Esto implica recuperar solo los datos más relevantes y basar la «inteligencia algorítmica» en elementos simples: promedios, reglas de negocio, entre otros. Por lo tanto, en esta etapa no hay Machine Learning.

Trabajar con un subconjunto de palabras clave

Con el Equipo de Adquisición definimos desde el principio un subconjunto de palabras clave que serían gestionadas por el MPV tan pronto como entrasen en producción. De este modo, pudimos comparar rápidamente nuestro modelo con la realidad y con la herramienta AMO. Así dedicamos la etapa de desarrollo a los elementos más importantes.

Ampliación

Una vez que los resultados de la prueba fueron satisfactorios, ampliamos gradualmente el alcance a todas las pujas de Oui.sncf en Adwords.

Rendimiento superior

Una vez consideradas todas las palabras clave, trabajamos para mejorar el rendimiento mediante nuevos elementos de complejidad (estacionalidad, entorno competitivo, datos geográficos).

Ingeniería concurrente

Identificando el enfoque más efectivo con Machine Learning

Aunque algunos de los componentes ya tenían un rendimiento aceptable, pronto se hizo evidente que otros eran demasiado erráticos para ser evaluados de forma adecuada utilizando reglas manuales. Los algoritmos de machine learning, capaces de aprender de los datos históricos para predecir correctamente comportamientos complejos, se volvieron necesarios. ¿Pero cómo podemos escoger el enfoque correcto y evitar invertir demasiado esfuerzo en un camino que pudiera desembocar en un callejón sin salida?

Para hacer frente a este desafío, hemos adaptado una metodología de Toyota: la ingeniería concurrente o SBCE. Este método, empleado originalmente para gestionar la innovación en sistemas complejos de la industria de la automoción, permite evaluar una amplia gama de soluciones que se prueban en distintas combinaciones hasta encontrar el sistema más eficiente.

Esta metodología se compone de 6 etapas:

  • Definición del problema, limitaciones y KPI (indicadores de rendimiento clave).
  • Exploración: brainstormig sobre posibles enfoques y selección de los 4 más relevantes.
  • Comunicación: prototipado simultáneo de estas 4 soluciones a lo largo de una semana.
  • Convergencia: intercambio de lecciones aprendidas e hibridación de estas soluciones.
  • Prototipado de soluciones híbridas en una semana.
  • Selección de la solución.
business-case-ouisnf-historia-de-producto