Cómo sacarle partido a tu inteligencia artificial de marketing

Cuando los especialistas en marketing de una gran empresa de telecomunicaciones se propusieron reducir la rotación de clientes, decidieron utilizar la inteligencia artificial. Con ella podrían determinar qué clientes tenían más probabilidades de desertar. Armados con las predicciones de su IA, bombardearon a los usuarios en riesgo con promociones que los tentaban a quedarse.

Sin embargo, muchos se fueron a pesar de la campaña de retención. ¿Por qué? En Harvard Business Review aseguran que los gerentes habían cometido un error fundamental: le habían hecho la pregunta equivocada al algoritmo. Si bien las predicciones de la IA fueron buenas, no abordaron el problema real que estaban tratando de resolver.

Por eso, los especialistas Eva Ascarza, Michael Ross y Bruce G.S. Hardie explican qué pueden aprender las empresas turísticas de esta información. De esta manera, les resultará más fácil evitar los principales errores y apostar por las estrategias clave.

No todos los errores son iguales

Los autores del texto aseguran que la verdadera preocupación de los gerentes de su empresa no debería haber sido identificar a los posibles desertores. Tendrían que haberse centrado en descubrir cómo usar la inversión en marketing para reducir la rotación. En lugar de preguntarle a la IA quién era más probable que se fuera, deberían haber preguntado a quién se podía persuadir mejor para que se quedara. La clave es dirigir las acciones hacia los usuarios indecisos.

Eso sí, afirman que tampoco hay necesidad de que las inteligencias artificiales sean extremadamente precisas. Hay que partir de la base de que pueden equivocarse de distintas maneras. Por ejemplo, a la hora de identificar clientes como posibles abandonos o viceversa. Sin embargo, afirman que esto es normal. Sobre todo, porque ahí entra en juego la labor del departamento de marketing, que debe analizar las diferentes posibilidades y los costes. Es decir, que debemos partir de la base de que no todos los errores son igual de importantes. Esto puede prevenir costosos errores.

Comunicación para aprovechar la inteligencia artificial

Las empresas generan torrentes de datos operativos y de clientes, que las herramientas estándar de IA pueden usar para hacer predicciones detalladas. Pero muchos especialistas en marketing no explotan esa capacidad y continúan operando de acuerdo con sus viejos modelos de toma de decisiones. Como ejemplo ponen aquellas cadenas hoteleras cuyos responsables se reúnen semanalmente para ajustar los precios a nivel de ubicación a pesar de tener IA que puede actualizar los pronósticos de demanda para diferentes tipos de habitaciones cada hora. Su proceso de toma de decisiones sigue siendo una reliquia de un sistema de reservas anticuado.

Otro detalle interesante es que deben preguntarse si las decisiones basadas en predicciones a nivel agregado deben basarse en predicciones más precisas. Por ejemplo, se puede aprovechar mejor la inversión en anuncios si se apuesta por las denominadas «granular predictions». Más allá de esto, es importante que los managers de marketing sepan comunicarse con el equipo de datos. De esta manera se evitan malentendidos. Sobre todo si se rebajan las expectativas, ya que a veces ciertos departamentos depositan demasiadas esperanzas en las IAs al no entender cómo funcionan.

Por su parte, desde análisis de datos a veces tienden a analizar bajo sus propias variables en lugar de ofrecer a marketing lo que necesitan. Es decir, que unos deben aprender a hacer preguntas aunque eso demuestre cierta ignorancia y otros deben explicar de forma no técnica sus limitaciones. Si se trabaja este aspecto, es posible aunar experiencias para mejorar los resultados. De hecho, los autores ofrecen algunas pautas al respecto.

1. ¿Qué problema estamos intentando resolver?

La respuesta a esta pregunta tiene que ser significativa y precisa. Por ejemplo, «¿Cómo reducimos la rotación?» es demasiado amplio para ser de ayuda a los desarrolladores de un sistema de inteligencia artificial. «¿Cómo podemos asignar mejor nuestro presupuesto para promociones de retención para reducir la rotación?» es mejor, pero sigue siendo demasiado vago. Así, sería más correcto preguntar algo como: «Dado un presupuesto de x millones de dólares, ¿a qué clientes deberíamos dirigirnos con una campaña de retención?».

Al definir el problema, los gerentes deben llegar al nivel atómico, en el que es posible tomar una decisión. En este caso, si enviar o no a cada cliente una promoción de retención. Como parte de esta etapa, el equipo de datos debe tener claro cómo se toman las decisiones. Mientras, el de marketing debe estar abierto al diálogo para llegar a un problema bien definido. Según el artículo, un problema habitual es que los altos ejecutivos suelen tener una buena idea del problema en cuestión, pero no siempre lo han definido con precisión ni han expresado claramente al resto del equipo cómo la IA ayudará a resolverlo.

2. ¿Estamos dejando escapar alguna oportunidad?

Aunque los especialistas en marketing a menudo reconocen que sus campañas son decepcionantes, no logran profundizar más en ello. En otras ocasiones, los gerentes no están seguros de si se pueden mejorar los resultados. Necesitan dar un paso atrás e identificar las oportunidades perdidas.

Por ejemplo, la mayoría de las aerolíneas y hoteles rastrean asientos o habitaciones vacías (a menudo como resultado de precios demasiado altos). O miden «días comerciales perdidos» en los que los vuelos u hoteles se llenaron demasiado rápido (resultado de precios demasiado altos). Pero para aprovechar al máximo sus inversiones en IA, los líderes de marketing deben identificar estos datos de éxito y fracaso a nivel atómico. El primer paso es reflexionar sobre qué constituyen estas variables. De nuevo, toca hacerse una pregunta exacta.

Una vez que se identifican las fuentes de oportunidades perdidas, el siguiente paso es cuantificarlas con la ayuda de datos. Hay casos en los que es complicado. En tales circunstancias, conviene utilizar datos más agregados, incluso si los resultados son menos precisos. Un enfoque para la empresa de telecomunicaciones sería analizar tanto a los clientes retenidos a un coste mayor que su incremento de valor como a aquellos no alcanzados por la promoción. Esta cuantificación fue posible porque el equipo de datos tenía un grupo de control de clientes con el que comparar resultados.

3. ¿Qué genera estas oportunidades perdidas?

Normalmente, esta pregunta suele ser la más complicada, porque requiere volver a examinar los supuestos implícitos sobre el enfoque actual de la empresa. El enfoque pasa por resolver los problemas de alineación, asimetría y agregación que identificamos anteriormente.

• Alineación de direcciones

El objetivo aquí es mapear las conexiones entre las predicciones, las decisiones y los resultados comerciales de la inteligencia artificial. Una vez que se identifica la información ideal, la pregunta es si el equipo de datos puede hacer las predicciones requeridas con suficiente precisión. Es crucial que los equipos de marketing y ciencia de datos respondan juntos. Un error común aquí es creer falsamente que una correlación entre la predicción y el objetivo comercial es suficiente, pues la correlación no es causalidad. E incluso cuando hay causalidad, es posible que no se corresponda al 100% con el objetivo. Por tanto, es posible que su esfuerzo no logre alcanzar el resultado final completo, lo cual genera oportunidades perdidas.

• Abordar la asimetría

Una vez que tenga un mapa claro que vincule la predicción de IA con la decisión y el resultado comercial, debe cuantificar los costes potenciales de los errores en el sistema. Eso implica preguntar cuánto nos estamos desviando de los resultados comerciales que queremos dado que la inteligencia artificial no es completamente precisa. La diferencia entre desperdicio y oportunidad perdida a veces es difícil de cuantificar. Sin embargo, vale la pena calcular incluso una aproximación. De lo contrario, se pueden tomar decisiones basadas en predicciones de IA que son precisas en algunas medidas pero inexactas en los resultados, lo cual tendría un impacto desproporcionado en el objetivo comercial.

• Abordar la agregación

La mayoría de las inteligencias artificiales de marketing no toman nuevas decisiones; abordan las antiguas. La novedad es que las decisiones se basan en cantidades más ricas de información que la IA recopila y procesa. El riesgo aquí es que los humanos son, en general, reacios al cambio. La manera de resolver este problema es realizando dos análisis. En el primero el equipo debe examinar cómo podría eliminar las oportunidades perdidas a través de otras acciones de marketing que podrían resultar de las predicciones generadas. El segundo pasa por cuantificar las ganancias potenciales de hacer predicciones de IA con mayor frecuencia, más granular o ambas cosas.

Conclusiones

El marketing necesita la inteligencia artificial. Pero la inteligencia artificial necesita un pensamiento de marketing para desarrollar todo su potencial. Esto requiere que los equipos de marketing y de datos establezcan un diálogo constante para que puedan entender cómo pasar de una solución teórica a algo que se pueda implementar. Por ese motivo los expertos autores del artículo afirman que, a medida que los especialistas colaboren, serán capaces de establecer un entorno que permita una revisión transparente del rendimiento y repeticiones periódicas del enfoque, reconociendo siempre que el objetivo no es la perfección sino la mejora continua.

Imágenes cedidas: JJ Ying en Unsplash, Fabio Bracht en Unsplash, Alina Grubnyak en Unsplash, Shutterstock.com