Klarna es una solución de pago y compras inteligentes de comercio electrónico que tiene como objetivo hacer que las compras en línea sean simples, seguras y fluidas. En la actualidad, Klarna brinda soporte a 150 millones de clientes activos y 450 mil comerciantes integrados, y procesa más de 300 mil millones de puntos de datos cada año.

Para que las transacciones en línea sean lo más sencillas y fluidas posible, Klarna ofrece a sus usuarios las ofertas adecuadas, en el momento adecuado y en el canal adecuado.

Como plataforma de datos de clientes (CDP) de Klarna, mParticle facilita la unificación de los datos de numerosas fuentes de datos para obtener una visión única y de alta calidad del cliente, y permite a docenas de equipos de toda la organización aprovechar esos datos en todos los canales para la personalización.

En esta presentación, Gaia Del Mauro, directora de productos de CRM en Klarna, y Satrajit Basu, gerente de ingeniería de Klarna, explican cómo Klarna utiliza mParticle para mejorar los resultados empresariales.

¿Cómo usa Klarna mParticle?

Klarna impulsa mParticle con datos de clientes de diversas fuentes, entre las que se incluyen:

  • Aplicaciones web y nativas de Klarna
  • El almacén de datos en la nube
  • Paneles de análisis e inteligencia empresarial (BI)

Estos datos fluyen a mParticle, donde la resolución de identidades, la gestión de datos y los cálculos en tiempo real mejoran el valor de los datos de los clientes. Luego, los datos se conectan de manera descendente a una serie de herramientas de análisis y automatización de marketing sin soporte de ingeniería.

  • Braze para impulsar campañas y viajes automatizados mediante push, correo electrónico, SMS y aplicaciones integradas
  • Amplitude para paneles y análisis de usuarios
  • Canales transaccionales a través de la API mParticle Profile
Flow diagram showing how real-time data from apps, backend systems, and data warehouses feed into mParticle’s Customer Data Platform. The platform processes identity resolution, governance, and calculations, then powers CRM automation, analytics, and APIs.

«Gestionamos datos procedentes de más de 100 equipos», explicó Gaia Del Mauro, directora de productos de CRM de Klarna. Con mParticle posicionado como el sistema central de movimiento de los datos de los clientes, Klarna puede capacitar a los equipos de marketing con datos de clientes de alta calidad y, al mismo tiempo, liberar recursos de ingeniería.

Cada campaña de personalización que implementa Klarna depende de la precisión y la calidad de los datos subyacentes. Si los datos son incorrectos o si los equipos de marketing no confían en ellos, todo se estropea. mParticle contribuye a la calidad de los datos de Klarna, lo que alivia el trabajo de mantenimiento manual de los datos para que los ingenieros trabajen en proyectos más complejos y, al mismo tiempo, permite que el marketing avance más rápido. Satrajit Basu, gerente de ingeniería de Klarna, dijo:

El plan de datos de mParticle nos ayuda a mantener la calidad de los datos y también nos permite recibir cualquier dato no planificado, lo cual es muy importante para nosotros. Nos da el control para reducir los datos no deseados en el sistema CDP y aumentar la gobernanza.

Estructura organizativa del CDP de Klarna

Dado que los datos de los clientes se recopilaban de tantas fuentes y que tantos equipos utilizaban los datos enviados desde mParticle, era importante que Klarna estableciera claramente la propiedad del CDP.

El equipo de datos de CRM es propietario del CDP en Klarna. El equipo de datos de CRM trabaja en estrecha colaboración con los desarrolladores de aplicaciones y los ingenieros de backend para gestionar la recopilación de datos en el CDP, al tiempo que trabaja en estrecha colaboración con los equipos de marketing para garantizar que puedan utilizar los datos del CDP para lograr los objetivos empresariales. Como el equipo de datos de CRM tiene la formación y la experiencia necesarias para gestionar los datos confidenciales de los clientes, puede establecer la gestión de la calidad de los datos y la gobernanza de la privacidad para garantizar que todos los equipos trabajen con los datos correctos.

«Nuestra misión es proporcionar una visión coherente de los datos de los consumidores de Klarna, de modo que podamos permitir a los equipos de CRM de toda la empresa llegar al usuario correcto, en el momento adecuado y por el canal correcto, de modo que podamos crear, juntos, una experiencia de compra relevante y personalizada para todos nuestros clientes», afirma Gaia.

Esta configuración significa que la ingeniería solo tiene que mantener y actualizar una única canalización de datos, y permite a los equipos de marketing de toda la empresa (que trabajan en la activación, la conversión, la pérdida de clientes, etc.) tener una visión de 360 grados del cliente y depender menos de los recursos de ingeniería.

«El principal beneficio para nuestros clientes internos», comentó Gaia, «es la reducción del tiempo de comercialización, ya que no necesitamos depender del desarrollo para crear audiencias o atributos calculados».

Diagram of a CDP organizational structure divided into three roles: Engineers (app and backend developers), CRM Data Team (engineers, data scientists, analysts), and over 25 Marketing teams. Arrows show workflow and data flow across teams.

Activar la personalización con mParticle

Configurar su arquitectura de CDP y su estructura organizativa de esta manera permite al equipo de Klarna implementar programas de personalización de manera eficiente y precisa. En su presentación, el equipo destacó dos casos de uso clave impulsados por mParticle:

  • Aumentar las inscripciones a la carta de Klarna apuntando a la derecha clientes en el momento adecuado
  • Impulsar las compras repetidas de productos de reabastecimiento mediante la personalización de la temporización de los mensajes de forma individual

Aumentan las inscripciones a la tarjeta Klarna

El equipo de Klarna aprovecha los modelos de aprendizaje automático internos, combinados con mParticle, para identificar a los clientes individuales adecuados a los que dirigirse a los mensajes de Klarna Card.

Supongamos que un cliente fiel de Klarna usa la aplicación con frecuencia, pero aún no tiene una tarjeta Klarna. El equipo lo sabe gracias a la resolución de identidad que ocurre dentro de mParticle. No importa cómo, cuándo o dónde un cliente interactúe con Klarna, cada punto de contacto se conecta y se resuelve en un único perfil de cliente en mParticle.

Los atributos adicionales, incluidas las predicciones de aprendizaje automático sobre si un cliente es adecuado para la tarjeta Klarna o no, se integran en el perfil de cliente de mParticle en tiempo real.

«Conocemos esta información porque el perfil [del cliente] se crea y almacena en mParticle, junto con los datos de comportamiento, la información de consentimiento y también algunos atributos predictivos», señaló Gaia.

Sobre la base de todos esos datos, el perfil del cliente se designa como un buen candidato para la promoción de la tarjeta Klarna.

Como dijo Gaia, esos atributos «nos dicen que [...] recomendarle que se apunte a la carta de Klarna es la mejor acción que puedes recomendar ahora mismo. Esta información se transfiere directamente y en tiempo real a nuestras herramientas de automatización de CRM».

Esa recomendación se envía en tiempo real a la herramienta de automatización CRM de Klarna y se activa una comunicación inteligente para promocionar Klarna Card entre ese cliente.

Three-step visual guide showing how to increase Klarna Card sign-ups. Step 1: A man named Francis uses the Klarna app but doesn’t have the card. Step 2: mParticle processes his behavioral data. Step 3: He receives a personalized push notification to apply.

Impulsar las compras repetidas de productos de reabastecimiento

Otro objetivo estratégico de Klarna es impulsar las compras repetidas de productos de reabastecimiento. El equipo aprovecha los modelos predictivos para determinar el momento adecuado para la participación, incluso a nivel individual, a fin de fomentar la repetición de las compras.

He aquí un ejemplo: un cliente fiel de Klarna hace una compra en su tienda de belleza favorita. El objeto tiene que reponerse en algún momento, y Klarna tiene que saberlo cuando, para que puedan enviar un recordatorio en el momento adecuado.

Sin embargo, cada cliente y cada artículo son diferentes.

mParticle combina información en tiempo real con el historial de compras del cliente y las predicciones de aprendizaje automático extraídas del almacén de datos de Klarna. Tiene en cuenta el producto en sí, el historial de uso personal del cliente y el uso general del producto entre todos los clientes de Klarna.

«Es un enfoque por capas», explicó Satrajit, «y, con el aprendizaje automático, hemos logrado mucha precisión en este sentido. Hemos visto que las compras aumentaron después de estas recomendaciones».

La unificación de toda esta información en un perfil de cliente ayuda a determinar el plazo de reabastecimiento más preciso para este cliente individual, por lo que los mensajes recordatorios automáticos pueden activarse en el momento justo y entregarse a través del canal de comunicación preferido del cliente.

Three-step visual showing how to drive repeat purchases of replenishment products. Step 1: Melissa, a loyal Klarna customer, buys beauty products. Step 2: mParticle analyzes her profile. Step 3: She gets a timely refill reminder notification.

Próximos pasos

Desde Klarna lanzaron su asociación con mParticle en 2018, han evolucionado considerablemente su programa de CDP, lanzando la personalización en tiempo real en los casos de uso en 2020 y los controles de calidad de los datos en 2021. A lo largo de los años, han creado una sólida máquina de personalización con la ayuda de mParticle, pero aún no lo han hecho.

Los próximos pasos para Klarna incluyen más experimentación, explicó Gaia Del Mauro, gerente de productos de CRM de Klarna, específicamente experimentar con Cortex, el motor de inteligencia artificial (IA) de mParticle, como complemento de los modelos de aprendizaje automático internos de Klarna.

No items found.
Anterior
Próxima