Data-driven marketing

De Wiki del Marketing
Ir a la navegación Ir a la búsqueda

Introducción

El data-driven marketing es un enfoque de marketing en el que las decisiones estratégicas, tácticas y operativas se apoyan en datos, análisis, evidencia, experimentación y medición continua.

Su propósito es reducir la dependencia de intuiciones aisladas, supuestos no verificados o decisiones puramente creativas, integrando información sobre consumidores, mercado, comportamiento, campañas, canales, ventas, experiencia del cliente, conversiones, retención, reputación y rentabilidad.

En Marketing digital, el data-driven marketing se relaciona con Dataficación, Analítica de marketing, Big data, CRM, Customer Data Platform, Inteligencia artificial, Machine learning, Automatización de marketing, Personalización, Publicidad digital, Atribución, Optimización de conversión, Test A/B, Testing multivariable, Customer Experience, Protección de datos, Privacidad digital y Ética en marketing.

El data-driven marketing parte de una premisa: las acciones de marketing deben diseñarse, probarse, medirse y ajustarse con base en información observable. Esto no elimina la creatividad, la intuición ni el criterio estratégico; los somete a contraste con datos reales.

Data-driven marketing

Nombre Data-driven marketing
Nombre original Data-driven marketing
Tipo Enfoque estratégico y operativo de marketing basado en datos
Área Marketing digital, Analítica de marketing, CRM, Automatización de marketing
Otros nombres Marketing basado en datos, marketing orientado por datos, marketing data-driven, marketing guiado por datos, insight-driven marketing
Desarrollado por Evolución del marketing directo, CRM, analítica digital, big data, plataformas publicitarias, ecommerce, inteligencia artificial y ciencia de datos
Década de origen 2000s
Propósito Tomar decisiones de marketing con base en datos, evidencia, experimentación y análisis para mejorar segmentación, personalización, conversión, retención y rentabilidad
Variables evaluadas Datos de clientes, comportamiento, conversión, atribución, ROI, ROAS, engagement, retención, lifetime value, segmentación, satisfacción, intención, tráfico, ventas
Técnicas relacionadas Analítica de marketing, CRM, CDP, personalización, automatización, atribución, test A/B, testing multivariable, machine learning, segmentación, lead scoring, dashboards
Herramientas Google Analytics, CRM, CDP, data warehouse, dashboards, BI, plataformas publicitarias, herramientas de automatización, píxeles, APIs, social listening, email marketing, IA
Disciplinas relacionadas Marketing, Estadística, Ciencia de datos, Psicología del consumidor, Comunicación, Administración, UX, Tecnología, Ética, Derecho digital
Aplicaciones Publicidad digital, ecommerce, CRM, email marketing, social media, SEO, SEM, automatización, customer experience, investigación de mercados, retención, pricing y personalización
Nivel de evidencia Estratégico, técnico, estadístico, experimental y aplicado; evaluable mediante calidad de datos, hipótesis, pruebas, métricas, atribución, impacto y aprendizaje
Limitaciones Depende de calidad de datos, interpretación correcta, privacidad, consentimiento, integración tecnológica, cultura organizacional y criterio estratégico

El data-driven marketing no consiste únicamente en usar dashboards. Implica una forma de trabajar: formular preguntas, capturar datos relevantes, analizarlos con método, convertirlos en hipótesis, probar acciones, medir resultados y aprender.

La OCDE señala que el acceso y uso de datos puede generar innovación, crecimiento y bienestar, pero también plantea desafíos de privacidad, protección del consumidor, acceso, medición y gobernanza. En marketing, esa tensión es central: usar datos puede mejorar relevancia y eficiencia, pero también puede producir vigilancia, sesgos, manipulación o pérdida de confianza si se aplica sin ética.

Este artículo examina la definición, evolución, fundamentos, metodología, componentes, aplicaciones, ventajas, limitaciones, herramientas, buenas prácticas, errores comunes, desafíos éticos y relación del data-driven marketing con otros conceptos del marketing contemporáneo.

Definición

El data-driven marketing es la práctica de diseñar, ejecutar, medir y optimizar estrategias de marketing utilizando datos como insumo principal para la toma de decisiones.

Puede utilizar datos sobre:

  • Clientes.
  • Prospectos.
  • Audiencias.
  • Comportamiento web.
  • Búsquedas.
  • Compras.
  • Carritos abandonados.
  • Campañas publicitarias.
  • Interacciones en redes sociales.
  • Email marketing.
  • CRM.
  • Historial de ventas.
  • Atención al cliente.
  • Reseñas.
  • Reputación digital.
  • Encuestas.
  • NPS.
  • Satisfacción.
  • Segmentos.
  • Valor de vida del cliente.
  • Costos de adquisición.
  • Retención.
  • Churn.
  • Atribución.
  • Inventario.
  • Precios.
  • Competencia.
  • Tendencias de mercado.

Su objetivo es que las decisiones de marketing sean más precisas, medibles, adaptables y alineadas con comportamiento real del mercado.

Diferencia entre data-driven marketing, dataficación y analítica de marketing

La dataficación es el proceso mediante el cual comportamientos, interacciones y prácticas se convierten en datos.

La analítica de marketing es el conjunto de métodos para analizar esos datos y producir conocimiento útil para la toma de decisiones.

El data-driven marketing es el uso estratégico de esos datos y análisis para diseñar, ejecutar y optimizar acciones de marketing.

La diferencia práctica puede entenderse así:

  • Dataficación: convertir acciones en datos.
  • Analítica de marketing: interpretar datos para producir conocimiento.
  • Data-driven marketing: tomar decisiones y actuar con base en datos.
  • Big data: gestión de grandes volúmenes, variedad y velocidad de datos.
  • CRM: sistema para gestionar datos y relaciones con clientes.
  • CDP: plataforma que integra datos de clientes desde múltiples fuentes.
  • Inteligencia artificial: sistemas que pueden aprender, predecir, clasificar o generar a partir de datos.

El data-driven marketing no termina en el análisis. Su valor aparece cuando el insight se transforma en una decisión concreta.

Contexto histórico y evolución

El data-driven marketing tiene antecedentes en el marketing directo, la investigación de mercados, las bases de datos de clientes, el CRM, la estadística comercial, los programas de lealtad y la medición de respuesta.

Antes del marketing digital, las empresas ya usaban datos de ventas, encuestas, cupones, tarjetas de lealtad, llamadas, catálogos, códigos promocionales y pruebas de mercado. Sin embargo, la cantidad, velocidad y granularidad de los datos era menor.

Con la web, la analítica digital permitió medir visitas, fuentes de tráfico, clics, sesiones, conversiones y comportamiento de navegación. Luego, el ecommerce, los píxeles de seguimiento, las cookies, las plataformas publicitarias, los CRMs y las redes sociales ampliaron la capacidad de medir y actuar.

La evolución puede organizarse en varias etapas:

  • Investigación de mercados tradicional.
  • Marketing directo.
  • Bases de datos de clientes.
  • CRM.
  • Analítica web.
  • Email marketing medible.
  • Publicidad digital.
  • Píxeles de seguimiento.
  • Ecommerce.
  • Automatización de marketing.
  • Big data.
  • Customer Data Platforms.
  • Machine learning.
  • Personalización algorítmica.
  • Modelos predictivos.
  • First-party data.
  • Marketing privacy-first.
  • Inteligencia artificial generativa aplicada a marketing.

En la década de 2020, el data-driven marketing comenzó a reorganizarse por cambios de privacidad, reducción de cookies de terceros, regulación de datos, consentimiento, first-party data, server-side tracking, modelado de conversiones e inteligencia artificial.

Fundamentos teóricos

El data-driven marketing se apoya en marketing estratégico, estadística, analítica, ciencia de datos, psicología del consumidor, experimentación y teoría de decisiones.

Entre sus fundamentos principales se encuentran:

El fundamento central es que el marketing mejora cuando sus decisiones se contrastan con evidencia. Pero los datos requieren interpretación; no sustituyen criterio.

Principios del data-driven marketing

El data-driven marketing se organiza alrededor de varios principios:

  • Toda decisión importante debe tener una hipótesis.
  • Toda hipótesis debe conectarse con una métrica.
  • Toda métrica debe tener una interpretación.
  • Toda interpretación debe considerar contexto.
  • Toda acción debe generar aprendizaje.
  • Todo dato debe tener origen conocido.
  • Toda automatización debe tener supervisión.
  • Toda personalización debe respetar privacidad.
  • Toda optimización debe considerar impacto en experiencia.
  • Toda medición debe revisar calidad de datos.
  • Todo resultado debe distinguir correlación, causalidad e inferencia.
  • Toda estrategia debe combinar datos cuantitativos y cualitativos.

El dato útil no es el dato abundante. Es el dato pertinente, confiable, interpretable y accionable.

Metodología

Una metodología de data-driven marketing puede estructurarse en varias fases.

1. Definición del problema

Antes de recolectar datos, se define qué decisión se quiere mejorar. Puede ser aumentar conversión, reducir churn, mejorar segmentación, optimizar inversión, entender abandono o mejorar retención.

2. Formulación de hipótesis

Se plantea una explicación tentativa: “los usuarios abandonan porque el costo de envío aparece tarde”, “los leads de cierto canal tienen menor calidad”, “la audiencia recurrente responde mejor a contenidos educativos”.

3. Identificación de datos necesarios

Se determinan los datos requeridos para validar o refutar la hipótesis.

4. Captura e integración

Se recolectan datos desde fuentes como web, CRM, email, ads, ecommerce, atención, encuestas, redes, ventas o analytics.

5. Limpieza y calidad

Se revisan duplicados, errores, eventos mal configurados, datos incompletos, bots, tráfico inválido y problemas de atribución.

6. Análisis

Se aplican análisis descriptivos, diagnósticos, predictivos o prescriptivos según el problema.

7. Insight

Se interpreta el dato y se formula un aprendizaje accionable.

8. Decisión

El insight se traduce en acción: cambiar mensaje, público, oferta, canal, landing, proceso, presupuesto o automatización.

9. Experimentación

Se prueba la acción mediante test A/B, cohortes, control, holdout, testing multivariable o evaluación antes-después.

10. Medición

Se evalúan resultados con métricas definidas.

11. Optimización

Se ajusta la estrategia con base en los resultados.

12. Documentación

Se registra qué se probó, por qué, con qué datos, qué pasó y qué se aprendió.

Tipos de datos utilizados

El data-driven marketing puede usar distintos tipos de datos.

Datos declarados

Información que el usuario entrega directamente: nombre, correo, preferencias, encuestas, formularios, intereses o respuestas.

Datos observados

Información derivada de comportamiento: clics, visitas, compras, aperturas, búsquedas, reproducciones, abandono, interacción.

Datos transaccionales

Compras, tickets, frecuencia, valor, métodos de pago, productos adquiridos y recurrencia.

Datos demográficos

Edad, ubicación, idioma, género, ocupación, nivel socioeconómico o variables similares, cuando son legítimas y pertinentes.

Datos psicográficos

Intereses, valores, motivaciones, estilos de vida, actitudes y preferencias.

Datos contextuales

Dispositivo, ubicación aproximada, horario, canal, clima, temporada, evento o contexto de uso.

Datos de terceros

Datos proporcionados por socios, plataformas o proveedores externos. Su uso requiere especial cuidado legal y ético.

First-party data

Datos recolectados directamente por la empresa desde sus propios canales y relaciones.

Second-party data

Datos compartidos por un socio confiable bajo acuerdo.

Third-party data

Datos agregados o vendidos por terceros. Su uso se ha vuelto más delicado por regulación, privacidad y cambios tecnológicos.

Zero-party data

Datos que el usuario entrega voluntariamente sobre preferencias, intenciones o necesidades.

Componentes principales

Estrategia de datos

Define qué datos se necesitan, para qué se usarán, cómo se capturarán y cómo se gobernarán.

Infraestructura

Incluye CRM, CDP, analítica, data warehouse, APIs, píxeles, tags, dashboards, plataformas publicitarias y herramientas de automatización.

Calidad de datos

Evalúa precisión, consistencia, completitud, duplicación, frescura y trazabilidad.

Modelos de medición

Definen métricas, KPIs, atribución, cohortes, segmentos y criterios de éxito.

Segmentación

Agrupa audiencias según comportamiento, valor, intención, intereses o etapa del funnel.

Personalización

Adapta mensajes, ofertas, contenidos, productos o experiencias a cada usuario o segmento.

Automatización

Ejecuta acciones basadas en reglas, eventos o modelos predictivos.

Experimentación

Permite validar hipótesis y evitar decisiones basadas en impresiones subjetivas.

Gobernanza

Establece reglas de privacidad, acceso, seguridad, consentimiento, documentación y responsabilidad.

Aplicaciones

El data-driven marketing puede aplicarse en:

  • Publicidad digital.
  • SEO.
  • SEM.
  • Ecommerce.
  • Social commerce.
  • CRM.
  • Email marketing.
  • Automatización de marketing.
  • Redes sociales.
  • Marketing de contenidos.
  • Customer Experience.
  • Optimización de conversión.
  • Retención.
  • Programas de lealtad.
  • Pricing.
  • Segmentación.
  • Personalización.
  • Investigación de mercados.
  • Social listening.
  • Reputación digital.
  • Growth marketing.
  • Lead scoring.
  • Account-based marketing.
  • Modelos de atribución.
  • Predicción de churn.
  • Recomendación de productos.
  • Campañas omnicanal.
  • Análisis competitivo.

Su utilidad aumenta cuando las decisiones son frecuentes, medibles y susceptibles de mejora continua.

Ventajas

El data-driven marketing ofrece varias ventajas:

  • Reduce decisiones basadas solo en intuición.
  • Mejora segmentación.
  • Aumenta relevancia de mensajes.
  • Permite personalización.
  • Optimiza inversión publicitaria.
  • Mejora conversión.
  • Identifica fricciones.
  • Aumenta retención.
  • Permite predecir comportamientos.
  • Mejora medición de campañas.
  • Detecta oportunidades.
  • Permite experimentación.
  • Mejora velocidad de aprendizaje.
  • Conecta marketing con ventas.
  • Alinea decisiones con métricas.
  • Permite asignar presupuesto con mayor precisión.
  • Ayuda a calcular ROI y ROAS.
  • Mejora experiencia del cliente cuando se usa correctamente.

Su mayor ventaja es convertir el marketing en un sistema de aprendizaje acumulativo.

Limitaciones

El data-driven marketing presenta limitaciones importantes:

  • Los datos pueden estar incompletos.
  • Los datos pueden estar mal capturados.
  • Las métricas pueden ser engañosas.
  • La atribución puede ser imperfecta.
  • Los modelos pueden tener sesgos.
  • La privacidad limita algunas formas de seguimiento.
  • Las plataformas pueden cambiar reglas y datos disponibles.
  • El exceso de datos puede generar parálisis.
  • La interpretación puede ser incorrecta.
  • La correlación puede confundirse con causalidad.
  • La personalización puede volverse invasiva.
  • La automatización puede amplificar errores.
  • Los equipos pueden optimizar métricas superficiales.
  • Los dashboards pueden ocultar problemas cualitativos.
  • Los datos no siempre explican motivaciones profundas.
  • La dependencia de plataformas externas puede debilitar autonomía.

La principal limitación estratégica es creer que los datos hablan solos. Los datos responden mejor cuando se les hacen buenas preguntas.

Consideraciones técnicas o estadísticas

El data-driven marketing requiere métricas bien definidas.

Indicadores frecuentes:

  • CTR.
  • CPC.
  • CPM.
  • CPA.
  • ROAS.
  • ROI.
  • Conversión.
  • Tasa de rebote.
  • Tiempo de permanencia.
  • Scroll depth.
  • Engagement.
  • Apertura de email.
  • Clic en email.
  • Churn.
  • Retención.
  • Frecuencia de compra.
  • Ticket promedio.
  • Customer Lifetime Value.
  • CAC.
  • LTV/CAC.
  • NPS.
  • CSAT.
  • Leads.
  • MQL.
  • SQL.
  • Tasa de cierre.
  • Atribución por canal.
  • Cohortes.
  • Incrementalidad.
  • Tráfico orgánico.
  • Búsquedas de marca.
  • Share of voice.
  • Sentimiento.
  • Calidad de lead.
  • Margen.
  • Rentabilidad por segmento.

También requiere distinguir tipos de análisis:

  • Descriptivo: qué ocurrió.
  • Diagnóstico: por qué ocurrió.
  • Predictivo: qué podría ocurrir.
  • Prescriptivo: qué conviene hacer.

Una estrategia madura debe combinar métricas de eficiencia, experiencia, confianza y rentabilidad.

Herramientas y plataformas

Entre las herramientas relacionadas con data-driven marketing se encuentran:

  • Google Analytics: analítica web y eventos.
  • CRM: gestión de relaciones con clientes.
  • CDP: integración de datos de clientes.
  • Data warehouse: almacenamiento centralizado.
  • BI: visualización y análisis de datos.
  • Dashboards: seguimiento de KPIs.
  • Google Ads: datos publicitarios y optimización.
  • Meta Ads: campañas, eventos, audiencias y conversiones.
  • Email marketing: automatización y medición de mensajes.
  • Marketing automation: flujos, scoring y nutrición.
  • Social listening: análisis de conversación y sentimiento.
  • Herramientas SEO: rankings, keywords, tráfico y autoridad.
  • Heatmaps: comportamiento visual en páginas.
  • Testing A/B: evaluación de variantes.
  • Tag managers: gestión de etiquetas y eventos.
  • Píxeles de seguimiento: captura de eventos.
  • APIs: conexión de fuentes.
  • Machine learning platforms: modelos predictivos.
  • CMP: gestión de consentimiento.
  • Herramientas de calidad de datos: limpieza, validación y deduplicación.

La herramienta debe responder a una arquitectura de medición clara. Comprar software sin estrategia de datos solo aumenta complejidad.

Relación con otros conceptos

El data-driven marketing se relaciona con:

Buenas prácticas

  • Definir objetivos antes de medir.
  • Crear un plan de medición.
  • Documentar eventos y conversiones.
  • Revisar calidad de datos.
  • Integrar datos de marketing, ventas y atención.
  • Distinguir métricas de vanidad y métricas de negocio.
  • Usar hipótesis claras.
  • Probar mediante experimentos.
  • Medir incrementalidad cuando sea posible.
  • Revisar atribución con cautela.
  • Combinar datos cuantitativos y cualitativos.
  • Usar first-party data con consentimiento.
  • Explicar el valor del intercambio de datos al usuario.
  • Proteger datos personales.
  • Auditar sesgos.
  • Evitar personalización invasiva.
  • Mantener dashboards simples y útiles.
  • Documentar aprendizajes.
  • Capacitar equipos en interpretación de datos.
  • Revisar cumplimiento legal y ético.

Errores comunes

  • Medir todo sin saber para qué.
  • Usar dashboards como decoración.
  • Confundir tráfico con valor.
  • Optimizar clics que no convierten.
  • Ignorar calidad de leads.
  • No filtrar bots.
  • No revisar eventos duplicados.
  • Confundir correlación con causalidad.
  • Cambiar campañas sin hipótesis.
  • Cortar experimentos demasiado pronto.
  • No documentar pruebas.
  • Creer que la atribución es exacta.
  • Depender de datos de una sola plataforma.
  • No integrar CRM con marketing.
  • Ignorar privacidad.
  • Usar datos sin consentimiento.
  • Personalizar de forma invasiva.
  • Medir solo corto plazo.
  • No incluir márgenes ni rentabilidad.
  • Tomar decisiones sin contexto cualitativo.

Desafíos éticos y organizacionales

El data-driven marketing plantea desafíos éticos porque los datos permiten conocer, predecir e influir en las personas con una precisión cada vez mayor.

La OCDE señala que el uso intensivo de datos genera oportunidades económicas, pero también desafíos relacionados con privacidad, protección del consumidor y gobernanza. También sostiene que proteger la privacidad contribuye a la seguridad, dignidad y derechos fundamentales de las personas.

Los principales riesgos incluyen:

  • Seguimiento excesivo.
  • Perfilado opaco.
  • Uso de datos sensibles.
  • Discriminación algorítmica.
  • Manipulación de vulnerabilidades.
  • Personalización invasiva.
  • Falta de consentimiento.
  • Recolección excesiva.
  • Retención indefinida de datos.
  • Falta de seguridad.
  • Decisiones automatizadas sin supervisión.
  • Falta de explicación al usuario.
  • Dependencia de terceros.
  • Uso de datos para dark patterns.

A nivel organizacional, el data-driven marketing exige colaboración entre marketing, ventas, datos, legal, tecnología, UX, seguridad y atención al cliente. Sin esa coordinación, los datos se fragmentan, se duplican, se interpretan mal o se usan sin control.

Una práctica responsable debe usar datos para mejorar valor y experiencia, no para vigilar, presionar o explotar al consumidor.

Impacto actual

El data-driven marketing tiene impacto directo en la forma en que las marcas planean campañas, asignan presupuestos, personalizan mensajes, miden resultados y diseñan experiencias.

En publicidad digital, permite optimizar audiencias, pujas, creatividades y conversiones. En ecommerce, permite recomendar productos, detectar abandono, ajustar ofertas y mejorar checkout. En CRM, permite segmentar clientes, calcular valor, activar automatizaciones y predecir riesgo de abandono.

También ha cambiado la cultura del marketing. Los equipos ya no pueden justificar decisiones solo por gusto personal o jerarquía. Deben demostrar hipótesis, resultados, aprendizajes y relación con objetivos.

El impacto actual también está condicionado por privacidad. Google, Apple, Meta, navegadores, reguladores y usuarios han cambiado la disponibilidad de datos. Esto obliga a construir estrategias basadas en first-party data, consentimiento, modelado, medición agregada y confianza.

La consecuencia estratégica es clara: las marcas que entienden sus datos, pero también sus límites, pueden competir mejor que aquellas que solo acumulan información sin convertirla en aprendizaje.

Futuro y tendencias

El futuro del data-driven marketing estará marcado por inteligencia artificial, privacidad, first-party data, data clean rooms, medición agregada, modelado predictivo, automatización, personalización responsable y mayor gobernanza.

La inteligencia artificial permitirá analizar datos más rápido, detectar patrones, generar segmentos, producir contenidos, resumir insights y automatizar decisiones. También aumentará el riesgo de errores invisibles, sesgos y dependencia de modelos opacos.

La privacidad seguirá modificando el ecosistema. Las marcas deberán explicar mejor qué datos piden, para qué los usan y qué valor obtiene el consumidor. El consentimiento dejará de ser una molestia legal para convertirse en parte de la propuesta de confianza.

Los modelos de atribución serán más probabilísticos y menos deterministas. La medición dependerá de experimentos, incrementalidad, datos propios y estimaciones.

La tendencia más sólida será pasar de data-driven marketing entendido como acumulación de datos hacia data-informed marketing: decisiones guiadas por datos, pero interpretadas con estrategia, ética, contexto cultural y conocimiento humano.

Véase también

Referencias

  • Salesforce. “Data-driven marketing”.
  • OECD. Data-Driven Innovation: Big Data for Growth and Well-Being. OECD Publishing, 2015.
  • OECD. Privacy and data protection. OECD.
  • Kotler, Philip; Kartajaya, Hermawan; Setiawan, Iwan. Marketing 5.0: Technology for Humanity. Wiley, 2021.
  • Wedel, Michel y Kannan, P. K. “Marketing Analytics for Data-Rich Environments”. Journal of Marketing, 2016.
  • Davenport, Thomas H. y Harris, Jeanne G. Competing on Analytics. Harvard Business Review Press, 2007.
  • Provost, Foster y Fawcett, Tom. Data Science for Business. O’Reilly, 2013.
  • Chaffey, Dave y Ellis-Chadwick, Fiona. Digital Marketing. Pearson.
  • Kaushik, Avinash. Web Analytics 2.0. Sybex.
  • Sterne, Jim. Artificial Intelligence for Marketing. Wiley.

Bibliografía

  • Chaffey, Dave y Ellis-Chadwick, Fiona. Digital Marketing. Pearson.
  • Davenport, Thomas H. y Harris, Jeanne G. Competing on Analytics. Harvard Business Review Press, 2007.
  • Kaushik, Avinash. Web Analytics 2.0. Sybex.
  • Kotler, Philip; Kartajaya, Hermawan; Setiawan, Iwan. Marketing 5.0: Technology for Humanity. Wiley, 2021.
  • OECD. Data-Driven Innovation: Big Data for Growth and Well-Being. OECD Publishing, 2015.
  • OECD. Privacy and data protection. OECD.
  • Provost, Foster y Fawcett, Tom. Data Science for Business. O’Reilly, 2013.
  • Salesforce. “Data-driven marketing”.
  • Sterne, Jim. Artificial Intelligence for Marketing. Wiley.
  • Wedel, Michel y Kannan, P. K. “Marketing Analytics for Data-Rich Environments”. Journal of Marketing, 2016.
Obtenido de «https://sabermarketing.org/wiki/index.php?title=Data-driven_marketing&oldid=23322»