En tiempos de competencia feroz y un mercado
volátil, un área de enfoque es utilizar la IA para permitir que los equipos
tomen decisiones más informadas. Un equipo de atención al cliente
tradicionalmente se ha basado en experiencias e instintos pasados para ayudar a
gestionar las expectativas. Sin embargo, los modelos de IA conectados pueden
hacer predicciones para impulsar las capacidades de toma de decisiones
internamente, y estos poderosos conocimientos agregan valor para los clientes y
los empleados. Por ejemplo, un enfoque de "asistencia para la toma de
decisiones" utiliza la IA para dar recomendaciones al personal sobre cómo
optimizar la experiencia de usuario de cada cliente.
Supongamos que una empresa en un entorno B2B
contrata a un nuevo ejecutivo de cuentas en el equipo de ventas y gestiona
algunas de las cuentas clave. En un momento dado, hay cientos de acciones que
se pueden tomar sobre el cliente para cambiar la trayectoria de la relación.
Por ejemplo, pueden solucionar un problema de implementación, sugerir tácticas
para aumentar el uso del producto, animar al cliente a realizar un curso de
formación o solucionar un problema de soporte.
Un sistema de IA será el repositorio de cosas que
han sucedido en el pasado, cosas que suceden ahora y lo que podría suceder en
el futuro
Al crear un sistema de IA, una empresa puede
acumular posteriormente las interacciones de marketing, ventas, cx/éxito,
producto o soporte del cliente con su negocio. Estas interacciones están
organizadas, conectadas y enriquecidas en el sistema de ventas. A continuación,
las empresas pueden ejecutar múltiples escenarios de acción para cada cliente
con el fin de determinar las mejores acciones para impulsar una mejor relación.
Aprende de las acciones exitosas del pasado en función de los resultados y
prioriza para el futuro. De esa manera, el sistema aprende de los mejores y
escala a todos para que sean los mejores.
El sistema de IA aprenderá de los comentarios en
tiempo real sobre las recomendaciones y acciones tomadas hacia cada cliente.
Será el repositorio de las cosas que han sucedido en el pasado, las cosas que
suceden ahora y lo que podría suceder en el futuro.
Un número cada vez mayor de empresas se está dando
cuenta de que la IA también puede ayudar a reducir la pérdida de clientes, un
riesgo importante para cualquier empresa. La pérdida evitable es cuando una
empresa puede intervenir, ya que el riesgo se conoce de antemano y se pueden
evitar los problemas. Al analizar por qué se han roto ciertas relaciones
con los clientes y contrastar esto con los recorridos exitosos de los clientes,
las empresas pueden comprender mejor las razones del abandono.
Estas razones incluyen el uso del producto, la
experiencia del cliente, los comentarios, el compromiso y los datos de
capacitación. Cuando un nuevo cliente presenta estos factores de riesgo, un
modelo de IA puede asignar al abandono una puntuación de riesgo, que se calcula
para todos los clientes. Aquellos con las puntuaciones de riesgo más altas se
utilizan para acciones de intervención basadas en los factores de riesgo
específicos para mitigar la rotación.
Esto complementa el ERP, ya que cada acción que realiza una empresa para mejorar la experiencia de sus clientes es una inversión. Muchas de estas acciones consumen recursos y deben planificarse en consecuencia. Las acciones impulsadas por la IA no solo crean un valor positivo para los clientes, sino que también aumentan la lealtad e impulsan los ingresos comerciales.
Los directores de marketing están adoptando cada
vez más la tecnología: una
encuesta reciente reveló que la implementación de IA aumentó un 30% durante el
año pasado. Además, otra encuesta global de Deloitte en 2020 que se realizó a
los primeros usuarios de la IA, mostró que tres de los cinco principales
objetivos de la IA estaban impulsados por el marketing: mejorar los productos y
servicios existentes, crear nuevos productos y servicios y mejorar las
relaciones con los clientes.
Si bien la IA ya ha hecho incursiones en el
marketing, espero que asuma roles cada vez más importantes en la función en los
próximos años. Dado el enorme potencial de la tecnología, es crucial que los
directores de marketing comprendan los tipos de aplicaciones de IA de marketing
disponibles en la actualidad y cómo pueden evolucionar. Basándonos en más de
una década de experiencia estudiando el análisis de datos, la IA y el
marketing, y asesorando a empresas de todos los sectores al respecto, hemos
desarrollado un marco que puede ayudar a los directores de marketing a
clasificar los proyectos de IA existentes y planificar el despliegue de
proyectos futuros. Pero antes de describir el panorama, echemos un vistazo al
estado actual del juego.
La IA de
hoy en día
Muchas empresas utilizan ahora la IA para gestionar
tareas limitadas, como la colocación de anuncios digitales (también conocida
como "compra programática"); ayudar con tareas amplias, como mejorar
la precisión de los pronósticos (piense en los pronósticos de ventas); y
aumentar los esfuerzos humanos en tareas estructuradas como la atención al cliente.
(Consulte la barra lateral "Aplicaciones de IA bien establecidas en
marketing" para obtener una lista de algunas actividades comunes que la IA
puede admitir).
Aplicaciones de IA bien establecidas en marketing
Chatbots impulsados por IA para el desarrollo de clientes potenciales, la
atención al cliente y el análisis y enrutamiento de llamadas entrantes o de
venta adicional, y...
Las empresas también emplean la IA en cada etapa del recorrido del cliente.
Cuando los clientes potenciales se encuentran en la fase de
"consideración" e investigan un producto, la IA dirigirá los anuncios
a ellos y puede ayudar a guiar su búsqueda. Vemos que esto sucede en los
minoristas de muebles, que utilizan la IA para determinar qué clientes tienen
más probabilidades de ser persuadidos y, en función de sus historiales de
navegación, eligen productos para mostrarles. Además, los bots habilitados para
IA pueden ayudar a los especialistas en marketing a comprender las necesidades
de los clientes, aumentar su participación en una búsqueda, empujarlos en la
dirección deseada (por ejemplo, a una página web específica) y, si es
necesario, conectarlos con un agente de ventas humano a través de chat,
teléfono, video o incluso "navegación", lo que permite que un agente
ayude al cliente a navegar por una pantalla compartida.
La IA puede agilizar el proceso de ventas mediante
el uso de datos extremadamente detallados sobre las personas, incluidos los
datos de geolocalización en tiempo real, para crear ofertas de productos o
servicios altamente personalizados. Más adelante en el viaje, la IA ayuda con
las ventas adicionales y cruzadas y puede reducir la probabilidad de que los
clientes abandonen sus carritos de compras digitales.
Por ejemplo, después de que un cliente llene un carrito, los bots de IA pueden
proporcionar un testimonio motivador para ayudar a cerrar la venta, como:
"¡Gran compra Begoña! Pablo,
de Alicante, acaba de comprar el mismo colchón que el tuyo.
Estas iniciativas pueden aumentar las tasas de
conversión cinco veces o más.
Después de la venta, los agentes de servicio automatizados habilitados para IA
están disponibles las 24 horas del día, los 7 días de la semana para clasificar
las solicitudes de los clientes, y pueden manejar volúmenes fluctuantes de
solicitudes de servicio mejor que los agentes humanos. Pueden manejar consultas
simples sobre, por ejemplo, el tiempo de entrega o la programación de una cita,
y pueden escalar problemas más complejos a un agente humano. En algunos casos,
la IA ayuda a los representantes humanos analizando el tono de voz y los
sentimientos de los clientes, sugiriendo respuestas diferenciales, guiando a
los agentes sobre la mejor manera de satisfacer las necesidades de los clientes
o sugiriendo la intervención de un supervisor.
El marco
La IA de marketing se puede clasificar según dos dimensiones: el nivel de
inteligencia y si es autónoma o parte de una plataforma más amplia. Algunas
tecnologías, como los chatbots o los motores de recomendación, pueden entrar en
cualquiera de las dos categorías; Es la forma en que se implementan dentro de
una aplicación en particular lo que determina su clasificación.
Veamos primero los tipos de
inteligencia.
Automatización de tareas. Estas aplicaciones realizan tareas repetitivas y
estructuradas que requieren niveles relativamente bajos de inteligencia. Están
diseñados para seguir un conjunto de reglas o realizar una secuencia
predeterminada de operaciones basadas en una entrada determinada, pero no
pueden manejar problemas complejos como las solicitudes matizadas de los
clientes. Un ejemplo sería un sistema que envía automáticamente un correo
electrónico de bienvenida a cada nuevo cliente. Los chatbots más simples, como
los disponibles a través de Facebook Messenger y otros proveedores de redes
sociales, también entran en esta categoría. Pueden proporcionar algo de ayuda a
los clientes durante las interacciones básicas, lo que lleva a los clientes a
un árbol de decisión definido, pero no pueden discernir la intención de los
clientes, ofrecer respuestas personalizadas o aprender de las interacciones a
lo largo del tiempo.
Aprendizaje automático (Ml). Estos algoritmos se entrenan
utilizando grandes cantidades de datos para hacer predicciones y decisiones
relativamente complejas. Estos modelos pueden reconocer imágenes, descifrar
textos, segmentar clientes y anticipar cómo responderán los clientes a diversas
iniciativas, como promociones. El aprendizaje automático ya impulsa la compra
programática en la publicidad en línea, los motores de recomendación de
comercio electrónico y los modelos de propensión a las ventas en los sistemas
de gestión de relaciones con los clientes (CRM). Esta y su variante más
sofisticada, el aprendizaje profundo, son las tecnologías más populares en IA y
se están convirtiendo rápidamente en herramientas poderosas en marketing. Dicho
esto, es importante aclarar que las aplicaciones de aprendizaje automático
existentes siguen realizando tareas restringidas y deben entrenarse con grandes
cantidades de datos.
Ahora consideremos la IA autónoma frente a la
integrada.
Aplicaciones independientes. Estos se entienden mejor como programas de IA
claramente delimitados o aislados. Son independientes de los canales
principales a través de los cuales los clientes aprenden, compran u obtienen
soporte para usar las ofertas de una empresa, o los canales que los empleados
usan para comercializar, vender o cumplir con esas ofertas. En pocas palabras,
los clientes o empleados tienen que hacer un viaje especial más allá de estos
canales para utilizar la IA.
Como ejemplo, considere la aplicación de descubrimiento de color creada por una
empresa de pintura. Utilizando las capacidades de procesamiento de lenguaje
natural y Tone Analyzer (que detectan emociones en el texto), la aplicación
ofrece una serie de recomendaciones personalizadas de colores de pintura que se
basan en el estado de ánimo que los consumidores desean para su espacio. Los
clientes pueden usar la aplicación para enumerar dos o tres colores para la
habitación que pretenden pintar. La venta real de pintura se ejecuta fuera de
la aplicación, aunque permite una conexión para realizar pedidos desde los Home
Centers.
Aplicaciones integradas. Integradas en los sistemas existentes,
estas aplicaciones de IA suelen ser menos visibles que las independientes para
los clientes, los profesionales del marketing y los vendedores que las
utilizan. Por ejemplo, el aprendizaje automático que toma decisiones en
fracciones de segundo sobre qué anuncios digitales ofrecer a los usuarios está
integrado en plataformas que manejan todo el proceso de compra y colocación de
anuncios. El aprendizaje automático integrado de Netflix ha brindado a los
clientes recomendaciones de videos durante más de una década; Sus selecciones
simplemente aparecen en el menú de ofertas que ven los espectadores cuando
llegan al sitio. Si el motor de recomendaciones fuera independiente, tendrían
que ir a una aplicación dedicada y pedir sugerencias.
Los fabricantes de sistemas CRM están incorporando cada vez más capacidades de aprendizaje automático en sus productos. En Salesforce, la suite Einstein de Sales Cloud tiene una serie de características, incluido un sistema de puntuación de clientes potenciales basado en IA que clasifica automáticamente los clientes potenciales de los clientes B2B según la probabilidad de compra. Proveedores como Cogito, que vende IA que capacita a los vendedores de centros de llamadas, también integran sus aplicaciones con el sistema CRM de Salesforce.
Los cuatro
tipos de IA de marketing
Categorizar las aplicaciones potenciales según su
nivel de inteligencia y si están aisladas o integradas en plataformas más amplias
puede ayudar a las empresas a planificar el lanzamiento de su IA de marketing.
Estas dos dimensiones se combinan para crear cuatro tipos de IA.
1: IA aislada y menos avanzada.
Esta categoría incluye aplicaciones de
automatización de tareas independientes, como chatbots básicos de servicio al
cliente, por ejemplo, bots de Facebook Messenger, y sistemas de automatización
de correo electrónico.
2: IA integrada y menos avanzada.
Esta categoría incluye aplicaciones de
automatización de tareas integradas, como el enrutamiento de llamadas entrantes
de clientes y los sistemas de automatización de marketing vinculados a CRM.
3: IA más avanzada y aislada.
Esta categoría incluye aplicaciones autónomas de
aprendizaje automático como Skin Advisor de Olay, la aplicación de
descubrimiento de color de Behr y el chatbot de Impact.
4: IA más avanzada e integrada.
Esta categoría incluye aplicaciones de aprendizaje
automático integradas, como la puntuación predictiva de clientes potenciales de
ventas de CRM, el entrenamiento de ventas basado en CRM, las recomendaciones de
productos de comercio electrónico y la compra programática de anuncios
digitales. Las aplicaciones independientes simples son un buen lugar para
comenzar porque son más fáciles de configurar, pero sus beneficios son
limitados. Una vez que las empresas adquieren habilidades de IA y acumulan
datos, pueden agregar aplicaciones más avanzadas que forman parte de otras
plataformas, avanzando hacia el aprendizaje automático integrado, que tiene el
potencial de crear más valor.
La combinación de los dos tipos de inteligencia y
los dos tipos de marco produce los cuatro cuadrantes de nuestro marco:
aplicaciones autónomas de aprendizaje automático, aplicaciones integradas de
aprendizaje automático, aplicaciones autónomas de automatización de tareas y
aplicaciones integradas de automatización de tareas.
Comprender en qué cuadrantes se encuentran las aplicaciones puede ayudar a los
especialistas en marketing a planificar y secuenciar la introducción de nuevos
usos.
Un enfoque escalonado
Creo que, en última instancia, los profesionales del marketing verán el mayor
valor cuando busquen aplicaciones integradas de aprendizaje automático, aunque
los sistemas simples basados en reglas y la automatización de tareas pueden
mejorar los procesos altamente estructurados y ofrecer un potencial razonable
de rentabilidad empresarial. Sin embargo, hay que tener en cuenta que hoy en
día la automatización de tareas se combina cada vez más con el aprendizaje
automático, para extraer datos importantes de los mensajes, tomar decisiones
más complejas y personalizar las comunicaciones, un híbrido que cruza
cuadrantes.
Las aplicaciones independientes siguen teniendo su lugar donde la integración
es difícil o imposible, aunque sus beneficios tienen límites. Por lo tanto,
aconsejamos a los profesionales del marketing que avancen con el tiempo hacia
la integración de la IA en los sistemas de marketing actuales en lugar de
continuar con aplicaciones independientes. Y, de hecho, muchas empresas van en
esta dirección general; En la encuesta de Deloitte de 2020, el 74% de los
ejecutivos globales de IA estuvieron de acuerdo en que "la IA se integrará
en todas las aplicaciones empresariales dentro de tres años".
Comenzar
Para las empresas con experiencia limitada en IA, una buena manera de comenzar
es crear o comprar aplicaciones simples basadas en reglas. Muchas empresas
adoptan un enfoque de "gatear-caminar-correr", comenzando con una
aplicación de automatización de tareas independiente y no orientada al cliente,
como la que guía a los agentes de servicio humano que interactúan con los
clientes.
Una vez que las empresas adquieren habilidades básicas de IA y una gran
cantidad de datos de clientes y mercados, pueden comenzar a pasar de la
automatización de tareas al aprendizaje automático. Un buen ejemplo de esto es
la IA de
selección de ropa de Stitch Fix, que ayuda a sus estilistas a seleccionar
ofertas para sus clientes y se basa en sus preferencias de estilo declaradas,
los artículos que guardan y devuelven, y sus comentarios. Estos modelos se
volvieron aún más efectivos cuando la compañía comenzó a pedir a los clientes
que eligieran entre las fotos de Style Shuffle, creando una valiosa fuente de
nuevos datos.
Las nuevas fuentes de datos, como las transacciones
internas, los proveedores externos e incluso las posibles adquisiciones, son
algo que los profesionales del marketing deben buscar constantemente, ya que la
mayoría de las aplicaciones de IA, en particular el aprendizaje automático,
requieren grandes cantidades de datos de alta calidad.
Caso práctico: Considere el
modelo de precios basado en el aprendizaje automático que utilizó la empresa de
aviones chárter XO para aumentar su EBITDA en un 5%: la clave fue recurrir a
fuentes externas para obtener datos sobre la oferta de aviones privados y sobre
los factores que afectan a la demanda, como los grandes eventos, la
macroeconomía, la actividad estacional y el clima. Los datos que utiliza XO
están disponibles públicamente, pero es una buena idea buscar también fuentes
propietarias siempre que sea posible, porque los modelos que utilizan datos
públicos pueden ser copiados por los competidores.
A medida que las empresas se vuelven más
sofisticadas en el uso de la IA de marketing, muchas automatizan por completo
ciertos tipos de decisiones, sacando a los humanos del circuito por completo.
Con decisiones repetitivas y de alta velocidad, como las que se requieren para
la compra programática de anuncios (donde los anuncios digitales se muestran
casi instantáneamente a los usuarios), este enfoque es esencial. En otros
dominios, la IA solo puede presentar recomendaciones a una persona cuando se
enfrenta a una elección, por ejemplo, sugerir una película a un consumidor o
una estrategia a un ejecutivo de marketing. La toma de decisiones humanas suele
reservarse para las cuestiones más importantes, como la continuación de una
campaña o la aprobación de un costoso anuncio de televisión.
Las empresas deben adoptar decisiones más
automatizadas siempre que sea posible. Creemos que aquí es donde se encontrarán
los mayores rendimientos de la IA de marketing.
Desafíos y riesgos
La implementación de incluso las aplicaciones de IA
más simples puede presentar dificultades. La IA de automatización autónoma de
tareas, a pesar de su menor sofisticación técnica, puede seguir siendo difícil
de configurar para flujos de trabajo específicos y requiere que las empresas
adquieran las habilidades adecuadas de IA. Incorporar cualquier tipo de IA a un
flujo de trabajo requiere una integración cuidadosa de las tareas humanas y de
las máquinas para que la IA aumente las habilidades de las personas y no se
implemente de manera que cree problemas. Por ejemplo, aunque muchas
organizaciones utilicen chatbots basados en reglas para la automatización del
servicio de atención al cliente, los bots menos capaces podrían irritar a los
clientes. Podría ser mejor que estos bots asistan a agentes o asesores humanos
en lugar de interactuar con los clientes. Lo ideal es contar siempre con un partner
tecnológico y de innovación como Impact Strategy para
ayudar en el proceso de implementación.
A medida que las empresas adoptan aplicaciones más
sofisticadas e integradas, surgen otras consideraciones. La incorporación de la
IA en plataformas de terceros, en particular, puede ser complicada. Un ejemplo
es Olay Skin
Advisor de Procter & Gamble, que utiliza el aprendizaje profundo para
analizar los selfies que los clientes se han tomado, evaluar su edad y tipo de
piel, y recomendar productos apropiados. Está integrado con una plataforma de
comercio electrónico y fidelización, Olay.com, y ha mejorado las tasas de conversión,
las tasas de rebote y el tamaño medio de la cesta de la compra en algunas
geografías. Sin embargo, ha sido más difícil integrarlo con las tiendas
minoristas y Amazon, que representan un alto porcentaje de las ventas de Olay.
Skin Advisor no está disponible en el extenso sitio web de la tienda Amazon de
Olay, lo que dificulta la capacidad de la marca para ofrecer una experiencia de
cliente fluida y asistida por IA.
Dos tercios de los profesionales del marketing que
invierten en IA informan de un ROI positivo -el 43% dijo que vio el doble de
ROI y el 22% vio el triple de ROI- según una encuesta realizada en mayo de 2023
por Botco.ai.
Aquí hay un desglose de cómo la IA generativa puede
ayudar a las marcas y minoristas a conectarse con los clientes a lo largo de
sus viajes de compra.
Fuente: Larry Sackiewicz – VP Latam de Impact Strategy
