Inteligencia artificial, clave para la segmentación eficiente
La pandemia barrió la tradicional clasificación de los consumidores por edad, género y nacionalidad. Las marcas se encuentran ante el desafío de gestionar un infinito de patrones sociales. El deep learning permite contar con una dinámica de segmentación más precisa,
Dedo índice de una persona tocando el dedo índice de un robot a través de una pantalla que muestra gráficos

22 Jul, 2022

Universitario, clase media, entre 20 y 30 años; trabajadores de más de 35; familias tipo del AMBA. Se podría agregar: estudiante de ingeniería, con consumos en zona Norte, homeworking para el exterior con criptoactivos. O: empleados con seis viajes en SUBE por día, dos billeteras electrónicas, gastos en fast food y deportes. O: familia de cuatro integrantes, colegio privado no bilingüe, cuatro salidas gastronómicas al mes (tres menús estándar y uno vegano), dos clubes, abono AFA, tres plataformas streaming, terror, series épicas, pelis románticas, en ese orden. Cada consumidor es un mundo y la big data lo sabe.

Los desarrollos de inteligencia artificial (IA) y, específicamente de deep learning (DL), desafían los criterios de segmentación con los que las encuestas de mercado vienen trabajando desde hace un siglo y amenazan con dejar obsoletas a muchas de sus categorías. ¿Por qué apuntar a lo macro, si se puede identificar lo micro con lujo de detalles?

Pero ¿cuán micro puede ser lo micro en la era de la IA? Todo lo que quiera ser: el DL es una especie de microscopio colocado sobre los consumidores, que puede, en segundos, desagregar hasta el más mínimo dato bio, hábito, conducta financiera o anhelo de los clientes potenciales y reales.

La cantidad de información es tan abrumadora que es imposible que un operador humano la filtre.

Los sistemas de deep learning, el último paradigma de moda de la IA, pueden crear plataformas de procesamiento similares a la arquitectura del sistema nervioso, pero capaces de procesar cantidades de datos infinitamente superiores al razonamiento humano. Sus modelos computacionales arman redes de unidades de proceso especializadas en la detección de determinadas características ocultas en los datos.

Lo revolucionario es que representa el cambio de los aprendizajes automáticos a los no supervisados: la cantidad de información es tan abrumadora que es imposible que un operador humano la filtre. El DL crea sistemas cognitivos artificiales, que buscan datos específicos, los tamizan, tejen relaciones y toman decisiones en consecuencia.

Afinar la puntería

¿Dónde queda el marketing, entonces? Para Monika Ogloszka, head Cono Sur de RTB House, una empresa global que ofrece tecnologías de MKT, el DL no implica una retirada. Más bien es una reorganización de estrategias y una manera de afinar la puntería, con una exactitud que antes era imposible de lograr.

“La segmentación demográfica tradicional nos cuenta el pasado del comprador, mientras que la segmentación pos-demográfica, apoyada por la tecnología, nos hablará del ahora y del futuro de cada uno de los perfiles de nuestros clientes”, explicó.

Construir MKT digital con las estrategias del mercadeo tradicional puede ser contraproducente. “Cada persona tiene un perfil muy heterogéneo y particular. Los consumidores pos-demográficos muestran una tendencia a construir una identidad propia y única del consumo con más libertad que nunca”, agrega.

“Estas tecnologías cambian muchísimo las investigaciones, porque permiten entender grandes insights de los distintos rubros y contribuyen a que las estrategias de segmentación o de marketing sean más personalizadas y relevantes”, coincidió Joel Rodríguez, responsable de Analytics e Inteligencia Artificial de SAP Latinoamérica
Región Sur.

Dedo índice de robot tocando dedo índice de una persona

 

“No es aconsejable atender a todos los clientes con el mismo modelo de producto. Los clientes tienen diferentes necesidades.” Sergio Mastrogiovanni, VP Data & Digital Strategy de Nubiral.

 

Para el ejecutivo la clasificación tradicional de datos más estructurados, como géneros y edad, se va a seguir utilizando, pero mucho más afinada. “Cuanto mayor sea la cantidad de datos que se tengan, habrá mayor conocimiento y mejores ofertas y promociones para un target específico en el momento más apropiado”, aseguró.

“No es aconsejable atender a todos los clientes con el mismo modelo de producto, correo electrónico, campaña de mensajes de texto o anuncio. Los clientes tienen diferentes necesidades”, advirtió Sergio Mastrogiovanni, VP Data & Digital Strategy de Nubiral.

Un enfoque de negocios único para todos, generalmente, resultará en menos leads y engagements, tasas de clics más bajas y, en última instancia, menos ventas. “Encontrar una cantidad óptima de grupos de clientes únicos ayuda a comprender cómo difieren los clientes y a brindarles exactamente lo que quieren. La segmentación inteligente mejora la experiencia del cliente y aumenta los ingresos de las compañías”, agregó.

“Hoy es posible recopilar y extraer sentido de un abanico mucho más amplio de fuentes de información, que no solo corresponden a los tradicionales datos sociodemográficos y transaccionales, sino que incorpora aquellas cuestiones que el cliente expresa y experimenta en todos los canales de contacto”, apuntó Roberto Cruz, socio de Consultoría de PwC Argentina.

“Los algoritmos de IA analizan los datos sin suposiciones previas. Permiten crear una imagen de quiénes son realmente nuestros clientes.” Sergio Mastrogiovanni.

Alguna vez, Umberto Eco dijo que la estadística es la ciencia según la cual, cuando un hombre come dos pollos y otro, ninguno, dos hombres comen un pollo cada uno. Hoy, con el deep learning, sabríamos qué antiácido venderle al que comió dos, podríamos recomendarle un nutricionista cerca de su casa y hasta indagar qué males esconde tanta ansiedad.

Ogloszka lo ejemplifica con una campaña de maquillaje. La segmentación tradicional indicaría dirigirla a mujeres con cierta edad y clase social. Un presupuesto que no resiste los actuales patrones de consumo. “Hoy algunos hombres también se maquillan. Los consumidores, más allá de la edad pre-configurada, también podrían interesarse en adquirir el producto. La restricción de condición económica también puede ignorar a aquellas personas que aspiracionalmente podrían pagar el producto con maneras alternativas, como el crédito”, indicó la especialista.

Segmentos ilimitados

El número y tamaño de segmentos es ilimitado. “Los algoritmos de IA analizan los datos sin suposiciones previas, como, por ejemplo, pensar que los jugadores de videojuegos son hombres jóvenes. Permiten crear una imagen de quiénes son realmente nuestros clientes. Facebook es el mejor ejemplo de esto, ya que recopila tantos datos sobre sus usuarios y crea segmentos tan particulares como el de los data scientists latinoamericanos que juegan al fútbol y escuchan a Morrissey”, remarcó Mastrogiovanni.

Para Rodríguez la información precisa ayuda a ofrecer experiencias más personalizadas que benefician tanto al cliente como a la organización. “Si un cliente pagó el mínimo de la tarjeta en enero durante dos años seguidos, se aplican estos algoritmos para identificar el patrón. Y luego se aplica machine learning y deep learning para conocer en mayor profundidad cuál es la probabilidad de que lo haga el año próximo y cuáles son los motivos, que en este caso podría ser que en ese mes se va de vacaciones o que compra pasajes para hacerlo”.

La pandemia obligó a repensar el customer journey en todas las industrias, pero especialmente en la financiera. Para Agostina Fernández, Sales Manager para Argentina y el Cono Sur de Hexagon, el riesgo de no aplicar herramientas tecnológicas es perder clientes.

“Captar prospectos y convertirlos en clientes será mucho más sencillo gracias a toda la información que se optimiza.” Agostina Fernández, Sales Manager para Argentina y el Cono Sur de Hexagon.

“Actualmente, y más aún pos-pandemia, los clientes se acostumbraron a interactuar digitalmente con el banco o las aseguradoras, y es allí donde esta industria encuentra su desafío. Las compañías financieras debieron repensar la experiencia del cliente e incorporar herramientas de aprendizaje automático para brindarles un servicio personalizado”, aseveró.

Cerebro hecho de circuitos eléctricos

La ecuación ganadora es: más información, más predicción, igual a más fidelización. Captar prospectos y convertirlos en clientes será mucho más sencillo gracias a toda la información que se optimiza. Realizar ventas cruzadas, retención y fidelización de clientes, supervisar, mejorar y corregir de forma oportuna la experiencia de tus clientes para que la relación sea a largo plazo”, concluyó Fernández.

Vivimos en un mundo más digitalizado y volátil. “La pandemia de COVID-19 nos dejó una audiencia que cambia todos los días y nuevos modelos de negocio, lo que hace la ecuación aún más compleja. La pandemia expuso en los últimos dos años algo que ya pasaba desde antes, el cliente cambia, y no es el mismo, cambian sus intereses y sus necesidades. El mejor ejemplo es el retail, donde el cliente es el mismo, la misma persona, y puede necesitar lo mismo, pero de una forma diferente, como se lo da Amazon y las plataformas digitales. La escena se repite en todas las industrias”, diagnosticó Mastrogiovanni.

Más interacción

La inteligencia cognitiva, que ofrece el DL, permite interactuar con la data a través de muchos approaches. “Posibilita, por ejemplo, que los productos y servicios bancarios se integren cada vez más en las experiencias cotidianas de los consumidores. En este nuevo modelo, estarán integrados en los intercambios comerciales en industrias fuera de las finanzas, como viajes y retail”, destacó Mastrogiovanni. Una plataforma moderna soportada por estas tecnologías, e impulsada por la experiencia del cliente, garantiza la supervivencia de la industria. “Es resistente a las amenazas de la industria financiera y está diseñada para un crecimiento sostenible a largo plazo, permite a los clientes disfrutar de la comodidad, la personalización y la transparencia”, agregó el analista.

Las herramientas de DL revalorizan el modelo RFM: reciente, frecuente y monetario.Reciente es la métrica de la última vez que el cliente interactuó con la marca. Frecuente es cuántas veces reincide en el tiempo. Y monetario es cuánto ha gastado en sus interacciones. Con esas tres variables se puede segmentar en grupos de alto potencial de compra y fidelización”, explicó Cristian Rojas, chief thecnology office en BGH Tech Partner.

“Algoritmos avanzados de IA pueden identificar y predecir en tiempo real los cambios en los patrones de comportamiento de cada consumidor.” Monika Ogloszka, head Cono Sur de RTB House.

Rojas insistió con la inmediatez: “agiliza los tiempos de explotación y correlación de datos en una escala nunca antes vista. Los tiempos de análisis se han acortado dramáticamente desde la adopción de estas tecnologías en el mundo del marketing. Deep learning , en particular, ayuda a generar contenido en tiempo real al analizar al cliente y sus intereses”.

Las tecnologías de aprendizaje profundo imitan las redes neuronales humanas y procesan datos de manera extremadamente rápida. Esto se traduce en algoritmos de autoaprendizaje que se ajustan de forma rápida y asertiva a los cambios de patrones, difíciles de predecir por los humanos. “En el tiempo que nos toma leer esta frase, una solución de deep learning realiza alrededor de 240 billones de operaciones. Algoritmos avanzados de IA pueden identificar y predecir en tiempo real los cambios en los patrones de comportamiento de cada consumidor, incluso los más sutiles, con extrema precisión y rapidez, lo que permite niveles muy altos de personalización a los anuncios, siempre basados en datos de primera mano”, contextualizó Ogloszka. La clave es la efectividad. Cruz explica que las campañas lo son más si se aplica IA. Permite entender mucho mejor al target, y, a la vez, permite experiencias conversacionales con más engagement para el cliente”.

El proceso implica redefinir modelos de atención al cliente. “Las soluciones basadas en IA pueden asistir al oficial de cuenta para brindar un mejor servicio. Ese entendimiento, que surge del diálogo, les da a los equipos de marketing una oferta de productos y servicios más oportuna y asertiva, que redunda en más conveniencia para el cliente y,
por lo tanto, una mayor satisfacción”.

Hombre viendo datos“La función de los especialistas es conseguir más datos de mayor calidad, seleccionar los rangos para cada campaña y elegir las técnicas más apropiadas para cada tipo de negocio.” Cristian Rojas, chief thecnology office en BGH Tech Partner.

 

Un círculo cerrado en el que las ganancias de dar en el clavo con un producto van mucho más allá de la estrategia comercial. “Genera ahorros mucho más considerables ya que además de investigar buenas ideas, se centra en el usuario y la usabilidad del producto o servicio. El retorno de inversión (ROI) frecuentemente está en 10 a 1”, agregó Fernández.

Es posible determinar, en tiempo real, el nivel de engagement potencial y conversión de cada usuario y recomendar mejores enfoques publicitarios para captarlos individualmente en función de sus intereses personales y su contexto, sin basarnos únicamente en estimaciones demográficas tradicionales”, afirmó Ogloszka.

La traducción son piezas publicitarias segmentadas y hasta on demand. Los sistemas de DL permiten crear hasta 10.000 versiones del mismo video para una sola campaña, con visualización en diferentes tipos de dispositivos y con narrativas altamente personalizadas y más eficaces.

¿Alcanza con el software?

¿Alcanza sólo con comprar software? Rodríguez aseguró que la tecnología por la tecnología misma no es suficiente para poder obtener conocimiento relevante para el negocio. “Es clave contar con grandes volúmenes de datos para analizar y contar con profesionales que tengan una mirada estratégica. A mayor cantidad y diversidad de datos, mejores y más acertadas serán las predicciones para anticipar acciones y escenarios. Por ejemplo, no alcanza con saber cuándo se suelen contratar seguros o pedir préstamos sino para qué y en qué circunstancias, entre otras variables”.

Los especialistas en MKT seguirán leyendo datos, pero de una manera bastante distinta a la pila de planillas de una encuesta o el play de los videos de grupos de testeos. “La función de los especialistas es conseguir más datos de mayor calidad, seleccionar los rangos para cada campaña y elegir las técnicas más apropiadas para cada tipo de
negocio”, concluyó Rojas.

Las tecnologías de IA y machine learning son potentes habilitadores, y, definitivamente, son necesarias pero no suficientes para una transformación exitosa. Por ejemplo, el proceso de entrenamiento y reentrenamiento de los modelos requieren disciplinas y habilidades específicas para todas las instancias, desde disponer de datos de calidad de fuentes diversas hasta el uso de las recomendaciones del modelo”, coincidió Cruz.

Para Mastrogiovanni se trata de crear ecosistemas. “A medida que las compañías se embarcan en la siguiente fase o comienzan su viaje de modernización, los especialistas de MKT adoptan nuevas formas de pensar, trabajar y relacionarse con los sistemas y ecosistemas de los clientes”.

Share This