Dime cómo compras en línea y te diré quién eres

Machine Learning no es infalible (tampoco los humanos lo somos), pero es ilimitado en su capacidad, escalabilidad y mejora entre más datos y modelos procesa

Los líderes de negocios tienen cada vez más presión de incrementar ventas y encontrar avenidas de innovación. Bajar precios a rajatabla o incrementar artificialmente la cuota de la fuerza de ventas funcionó en el pasado, pero no en un mundo más digital y con clientes informados y con mayores expectativas.

Las tecnologías disruptivas, y la programación en particular, se han percibido como lejanas y complejas –un mal necesario para la digitalización, una caja negra incomprendida y temida—. Machine learning (ML), la maquinaria principal de la inteligencia artificial, está mostrando a líderes en todo el mundo exactamente lo contrario. Usando algoritmos (programas e instrucciones), ML crea un nuevo camino para la creación de ideas, productos y mercados, usando un activo que las empresas ya tienen: los millones de datos de sus clientes.

Si hoy un cliente se registra en una tienda virtual (app o página) con usuario y contraseña, ML puede usar los datos de sus compras anteriores para sugerir al sistema cómo debe comportarse: ¿fue directo a las ofertas?, ¿pagó con una tarjeta de crédito o con PayPal?, ¿qué productos vio antes de tomar decisión?, ¿aceptó las sugerencias de productos complementarios? El sistema podrá simplificar su camino y mostrar las ofertas directamente, sugerir pago a meses sin intereses o recomendar un producto que ni su cliente sabía que podía necesitar.

¿Qué pasa si un cliente decide navegar sin registrarse? Al no haber un historial de compra, ML debe ‘olfatear’ su comportamiento de otra forma. Las apps que tiene instaladas podrían indicar si ya usa los servicios de un competidor, si está preocupado por su salud mental o qué tipo de noticias prefiere ver, creando un primer perfil de cliente que revele su nivel digital (innovador o seguidor) o su predisposición (de 0 a 10) para adquirir nuestro producto.

Su modelo de teléfono, su dirección de IP y hasta el porcentaje de batería que le queda son otras pistas que ayudarán a ML a ‘pulir’ ese perfil. Saber dónde vive su cliente le dará una noción de qué se consume más en esa zona; cómo usa la batería de su celular puede informarle sobre rasgos de su personalidad, por ejemplo: ¿es precavido o es de los que está siempre al filo de la muerte prestándose cargadores? Para un banco, esta información puede ser muy valiosa para saber si la persona pagará puntualmente su préstamo de auto.

El cliente además tomará una serie de decisiones mientras navega: buscará una categoría o producto (masculino o femenino), revisará evaluaciones o consultará otras páginas antes de hacer su compra final. Con estos datos, ML puede ubicarlo en grupos de usuarios con características similares (clusters) para ofrecerle una experiencia diferenciada.

Aquí ya no importa la demografía del cliente (su edad o su ocupación), sino cómo se comporta en el momento de la compra. Un hombre de 30 años puede tener el mismo comportamiento que una mujer de 60 y el sistema debería mostrarles la misma oferta a ambos. Una misma persona puede tener un comportamiento de compra diferente en su celular o en la tienda física y estar en clusters diferentes en cada caso.

ML no se limita a data interna de la compañía ni al ambiente virtual: una caja registradora puede sugerir a un cajero una acción diferente dependiendo del clima o el tráfico. ML puede integrar millones de datos en tiempo real que su Excel tardaría semanas (y varios servidores) en procesar y tiene la ventaja de usar modelos ya creados y probados.

El gerente de una cafetería puede recibir sugerencias sobre los insumos que debe pedir diariamente basado en los miles de datos y correlaciones históricas que tiene su punto de venta: clima, días feriados cercanos, nuevos competidores, campañas activas, eventos en el área, etc.

Muchos ejecutivos piensan que ML es una bola mágica que descubrirá por sí misma tendencias en sus clientes. La realidad es que cada decisión del sistema debe ser definida. Si el objetivo es fidelizar al cliente, el sistema deberá llevarlo a acciones que incrementen el valor percibido de su compra, como ofrecer un descuento especial para su siguiente compra. Las acciones sugeridas serán muy distintas si su objetivo es adquirir a un nuevo cliente, por ejemplo, ofrecer el envío gratis en la primera compra.

Para sacar el máximo provecho a ML, la empresa requiere talento especializado, tanto científicos de datos que combinan conocimientos de matemáticas y programación, como talento que entiende el negocio y el potencial disruptivo de la tecnología.

ML no es infalible (tampoco los humanos lo somos), pero es ilimitado en su capacidad, escalabilidad y mejora entre más datos y modelos procesa. Mientras las empresas líderes usan ML para innovar y anticiparse a sus clientes (para diferenciarse del competidor), otras seguirán buscando en el Excel los culpables de la baja facturación del año anterior. La gran pregunta es: ¿qué tipo de empresas queremos ser?

Publicado originalmente en Expansión.

Articles of Innovación
Ir a opinión
EGADE Ideas
in your inbox