Poco a poco el big data, el aprendizaje automático o machine learning y la inteligencia artificial han ido ganando terreno dentro del mundo del marketing y las ventas.

La utilización de datos en el marketing siempre estuvo ahí. Como ejemplo de ello están los modelos de propensión a compra o los de marketing mix model que se vienen usando desde hace 50 años. Sin embargo, el nivel de sofisticación tanto en las capacidades como en la diversificación de casos de uso se ha disparado en estos últimos años.

Inicialmente fue terreno de unos pocos valientes que se atrevían a desarrollar modelos más o menos complicados que les ayudaran a aplicar algo de ciencia a su actividad de marketing y ventas. Hoy en día forma parte inseparable de la actividad de marketing y ventas moderna. Y, además, lo hace incorporado a las herramientas habituales de los profesionales del marketing sin que, muchas veces, estos ni siquiera sean conscientes de ello.

Bien es cierto que, cuando se quiere algo muy a medida de nuestras necesidades, como puede ser un modelo de churn o un modelo de atribución específico, se tiene que recurrir a un desarrollo a medida, bien sea desarrollado por la propia empresa o por un tercero.

La buena noticia es que incluso esos desarrollos a medida se han facilitado enormemente y, afortunadamente, también la disponibilidad de perfiles capaces de desarrollarlos. Preparar un entorno en la nube para el desarrollo de estos modelos puede ser cuestión de horas en una modalidad de pago por uso. Las herramientas tanto a nivel lenguaje con opciones gratuitas tipo Python o R o entornos de pago como SAS o SPSS como a nivel de plataforma para grandes volúmenes de datos tipo Spark están directamente integradas en esos entornos cloud.

De hecho, tanto se ha facilitado la parte técnica que la mayor dificultad, me atrevo a decir, está en ser capaz de especificar bien qué quiero hacer a nivel negocio (KPI, objetivos, etc.), encontrar los datos para hacerlo, sobre todo, en integrar todo el modelo dentro de los procesos de la compañía. Por ejemplo, si diseñamos un modelo de churn a medida, la mayor dificultad va a estar en clarificar qué entiendo por churn, encontrar los datos para entrenarlo y en el cómo uso el modelo. Esto es, cuando alguien llama a mi call center, ser capaz de que el agente que atiende la llamada lo tenga en cuenta en la atención. O que la persona que realiza las campañas de upsell también lo haga y sea comercialmente agresivo con alguien con alto riesgo de marcharse.

Los casos de uso del aprendizaje automático llevan ya muchos años en la optimización de campañas, pero desde hace no demasiado podemos directamente configurar Google Ads o Facebook para optimizar lo que estamos dispuestos a pagar por una impresión o un click de forma automática en términos de KPIs de valor de cliente como CLV (Customer Lifetime Value) o ROAS (Return of Ad Spend).

En el caso de lead scoring (clasificar leads comerciales en base a la probabilidad de convertirse en venta) las herramientas de automatización del marketing tales como Salesforce ya incorporan de forma transparente para el profesional del marketing aprendizaje automático en base al pasado para calificar los leads. Además, nos informa de por qué ha calificado un lead como alta probabilidad de convertir y, no solo eso, algunas herramientas recomiendan directamente cómo dirigirse con una propuesta de contenido y de canal.

Incluso en la parte en la parte más creativa, herramientas como Adobe se encargan de “autotagear” fotos en base a su contenido, es decir, al cargarlas decirnos que es en ella aparece una familia de 5 personas y que está sonriendo.

Los propios modelos de atribución que nos ayudan a entender cómo ha influido cada uno de los impactos publicitarios en un cliente para realizar una compra, están migrando a modelos basados en machine learning en los que el propio modelo se ajusta para determinar los pesos de los impactos de cada canal. Lo mismo aplica a las metodologías de test A/B y multivariante que ya forman parte del día a día de la mayoría de departamentos de marketing y que permite personalizar campañas y websites hasta límites insospechados hace muy poco tiempo de forma casi automática en base a datos.

Por todos son también conocidas herramientas de social listening, chatbots o incluso la creación de contenido de forma automatizada. Esto último está arrancando, pero capacidades como GPT-3 de Google anuncian lo que está por llegar.

Posiblemente Netflix es la empresa que mejor aprovecha bigdata (realmente big porque tiene cientos de millones de usuarios) y aprendizaje automático para personalizar. Y personalizar no es solo elegir que nos recomienda sino también cómo lo hace. Y es que en Netflix hasta las carátulas (imágenes) que vemos de una película están adaptados a nuestro perfil. Si nos gusta el cine de terror, o el romántico o somos fans del cine de los ochenta, veremos distintas imágenes de Stranger Things.

Existe la tentación de pensar de que esto es solo cosas de empresas digitales, pero no es así. McDonalds, esencialmente una cadena de restaurantes, adquirió una empresa de big data por 300 millones el año pasado para personalizar el trato con el cliente, dese el menú en pantallas digitales hasta su ruta de recogida a McAuto.

También existe la tentación de pensar que esto está solo disponible para grandes suites de marketing con coste elevado para cierto tipo de empresas, pero tampoco es cierto. Existen una inmensidad de startups y herramientas de marketing de unos pocas decenas de euros al mes que incorporan este tipo de funcionalidades.

No hay excusa.

Fuente: marketing4ecommerce.net