Artículos con la etiqueta machine learning

La predicción del comportamiento, solución para el futuro de las empresas

Publicado en 21 de nov de 2019 por Alberto CórdobaNo Comments

 

Rafael Vara, CEO de Lukkap Iberia & Latam

Predecir el comportamiento de clientes y empleados, nos permitirá adelantarnos a los acontecimientos

Inteligencia Artificial y Machine Learning. ¿Otra vez? Sí. Porque, aunque hayamos escuchado hasta la saciedad de su importancia, parece que el concepto no termina de calar.

¿Por qué nos da miedo el concepto de Inteligencia Artificial? ¿Por qué no nos atrevemos a lanzarnos con un proyecto de Machine Learning? ¿Nos preocupa la rentabilidad de captar datos en una organización? ¿Creemos en la predicción del comportamiento? A día de hoy, todavía surgen miles de dudas que motivan que muchas compañías sigan con ciertas reticencias hacia el progreso que la tecnología pone a nuestra disposición.

Los estudios dicen que, para 2020, el 64% de las compañías utilizarán Machine Learning y que, para 2023, la inversión empresarial en Inteligencia Artificial superará los 20 billones de dólares. Ello conllevará un cambio de paradigma en los modelos de negocio; cambiará la forma y el contenido de lo que vendemos; cambiará la manera en la que compramos; y, como no puede ser de otra manera, esto tendrá un importante impacto en el mercado laboral.

Sin duda, aquellas empresas que empiecen a construir modelos basados en Machine Learning conseguirán una ventaja competitiva adicional, ya que empezarán a afinar los modelos de toma de decisiones respecto a los productos y servicios que ofrecen –en base a la predicción del comportamiento– y, en consecuencia, a definir una estrategia de ventas y experiencia de cliente que marque la diferencia con sus competidores.

Entonces, si los datos demuestran que la tendencia a medir, a analizar los datos e ir hacia la IA es imparable, ¿por qué algunas empresas no empiezan ya? Las razones son tan básicas que asustan:

  1. Miedo al concepto. El ser humano tiende a tener miedo a lo desconocido, y más aún si invade su seguridad física e intelectual. Que una máquina (y una empresa detrás de la máquina) conozca y sepa lo que voy a realizar es algo que, de primeras, no agrada. Genera temor. Pero, ¿y si con ello nos pueden salvar la vida, hacer la vida de nuestros hijos más fáciles o educarles mejor? Entonces el miedo desaparecerá … los que crean en ello serán early adopters y, con ellos, el resto de la sociedad.
  2. Desconocimiento del potencial. Los proyectos de Machine Learning permiten sacar rentabilidad a la recogida de datos (bien sea de consumidores o de empleados). Muchas veces recogemos datos y datos, pero no sabemos qué impacto real tendrá esto. Contratar un servicio de análisis de predicción del comportamiento es muy rentable, pero se desconoce. Aquellos que tengan más iniciativa conseguirán los primeros modelos predictivos y, por ende, multiplicarán exponencialmente el retorno de la inversión que supone la captación de datos.
  3. Fracasos iniciales. En algunos casos, las pruebas piloto no han funcionado. Cuando recoges datos sin una metodología contrastada es difícil obtener datos de calidad. Es por ello que se recomienda asegurarse de que la metodología de medición este contrastada y las herramientas de recogida de datos sean fiables. Hoy por hoy, las herramientas de reconocimiento facial o neuromarketing son limitadas, pero hay otras herramientas (analytics, paneles, cuestionarios…) que permiten medir de forma predictiva la experiencia del cliente o empleado.
  4. Falta de pautas. No saber cómo o con quién hacer un proyecto de estas características hace que las organizaciones no sepan por dónde empezar. ¿Quién liderará el proyecto? ¿Debemos medir primero? ¿Son válidos los datos que tenemos? ¿Qué haremos después con lo que obtengamos? Contar con una metodología y unos pasos claros a seguir, nos ayudará a predecir con sentido y con éxito.

Si ya somos capaces de predecir picos de tensión en sistemas eléctricos, el impacto del incremento de precio de las materias primas en la economía, el por qué alguien comprará en IKEA o qué personas abandonarán la empresa en los próximos meses, ¿por qué no damos un paso más allá? Medir y predecir. Si predecimos lo que nuestro cliente y/o empleado hará, podremos anticiparnos, planificar y hacer la vida más fácil a los demás.

 

Machine learning y Experiencia de Cliente, un matrimonio feliz

Publicado en 9 de oct de 2019 por Alberto CórdobaNo Comments

 

Rafael Vara, CEO de Lukkap Iberia&Latam

¿Es el machine learning el futuro de la experiencia de cliente? Si lo analizamos, podemos concluir que, sin duda, el futuro de la experiencia de cliente pasará, seguro, por la predicción de comportamientos.

En este sentido, hasta ahora se analizaba y medía el comportamiento del cliente ante la propuesta de valor de cada compañía. Pero lo hemos hecho por pura necesidad, porque el cliente exige más; exige porqué está en posición de exigir, exige porque nos encontramos en un ciclo económico donde la oferta supera, como nunca en la historia, la demanda, exige porque los niveles de consumo son exagerados y porque la cultura de compra compulsiva americana se ha asentado en Europa y Asia.

Estos hechos hacen que cualquier equipo directivo tenga que “devanarse los sesos” para hacer que la compra sea una experiencia en sí, que genere ciertas sensaciones diferenciales para los clientes. El producto por sí mismo ya no es diferencial; los productos se copian o, incluso peor, se mejoran en tiempo récord que hace que su ciclo de vida sea tan corto que no tenga sentido analizarlo. Sin embargo, la experiencia es un plus para los clientes.

Durante los últimos años hemos visto que una ventaja diferencial podría ser un NPS –Net Promoter Score– alto (tasa de recomendación de un cliente a otro), sin embargo, este índice es, en múltiples ocasiones, muy pernicioso y engañoso para la dirección de las compañías, ya que, por ejemplo, puede realizarse en un momento incorrecto, medirse con el empleado presente o que el empleado induzca a la respuesta positiva.

Con el fin de mejorar estos fallos, la disciplina de Experiencia de Cliente ha profundizado en su metodología de medición –incluyendo los momentos clave de una relación con el cliente, los hechos que vive y sus percepciones con la marca– y ello nos ha permitido obtener datos de calidad que nos permiten conocer y anticiparnos a lo que es vital para nuestro cliente.

Así, en este momento, la metodología ya nos permite ir un paso más allá, nos permite adelantarnos; tanto en las relaciones online, como en las offline, podemos, gracias a un buen customer journey, tener datos de tanta calidad que nos permitan anticiparnos a lo que el cliente quiere.

Pero, ¿qué es lo próximo en materia de experiencia?

Todo apunta a que deberá ser la predicción de comportamientos, no solo la anticipación. De ahí que resurja el machine learning. Y digo resurja, porque no es nuevo ni nació ayer.

Sin embargo, es en este momento histórico cuando más fácil es ponerlo en práctica. Principalmente por dos razones: ahora somos capaces de tener múltiples datos de calidad y es barato almacenarlos.

Así, por un lado sabemos que el machine learning es una rama de la inteligencia artificial que nos permite aprender de los datos, identificar patrones y tomar decisiones con cierta intervención humana, mientras que, por otro, sabemos que la metodología de experiencia de cliente está ultra contrastada y que, gracias a ella, conseguimos incrementar los KPI (Key Performance Indicator) de negocio con nuevas experiencias diseñadas.

Entonces, ¿por qué no unir ambas metodologías?

  1. La potencialidad y hallazgos, hasta la fecha, de utilizar ambas metodologías en simultáneo provoca grandes beneficios
  2. Se pueden tomar decisiones empresariales bajo una sólida base científica. Se puede entender qué aspectos son clave para el cliente, qué le molesta, qué le gusta contestar y nos aporta y qué no. Por ello podríamos ahorrar miles de euros en estudios de calidad inocuos.
  3. Se puede anticipar la necesidad y requerimiento del cliente.
  4. Se le puede sorprender con mayor nivel de acierto.

Sin duda, abordar un proceso de Customer Centric tiene sentido hoy en día y, más aún, con las metodologías tan sólidas que existen y con expertos en machine learning. El reto está ahí. Es bonito, es innovador, es transformador.