Cómo la inteligencia artificial ayuda a las empresas a salir de la crisis

Hace algunos años, el concepto de inteligencia artificial estaba más relacionado a las películas de ciencia ficción que a la estrategia comercial de una empresa. Resultaba impensado que una organización –fuera de Silicon Valley– pudiera incorporar machine learning, big data y tomar decisiones en base a información brindada por algoritmos.

Hoy en Argentina, según un estudio realizado por IBM, el 60% de las organizaciones quiere empezar a usar inteligencia artificial, o se encuentra en fase exploratoria. Mientras que una quinta parte ya lo está haciendo.

Derribado el mito anterior, el nuevo mito instalado sobre la implementación de IA tiene que ver con el tamaño. Ya no son sólo las grandes empresas las que lo usan, sino que también las medianas, y cada vez hay más herramientas para que organizaciones más pequeñas puedan usar la ciencia de datos como un motor de su negocio o su objetivo, por ejemplo, si se tratase de ONGs.

Pero, ¿para qué usan las empresas la IA? Para muchas cosas. Desde fidelizar equipos de trabajo hasta para aumentar la seguridad de los trabajadores en una planta industrial, o incluso para predecir y anticipar lesiones de un futbolista. Sin embargo, los algoritmos que se encuentran en mayor demanda hoy en el mercado en un contexto de crisis económica y restricciones presupuestarias son los enfocados en mejorar o aumentar las ventas.

“¿Cómo hago para aumentar mis ventas?” o “¿Cómo evito que mis clientes se vayan con la competencia?” son algunas de las preguntas que más resuenan cuando se habla con empresas de distintos rubros, desde telcos hasta compañías de energía o distintos tipos de comercios físicos u online.

A continuación, cuatro algoritmos que pueden ayudar en esos procesos y que ya están siendo usados por empresas de Argentina y todo el mundo.

1. Segmentación y recomendación

Para arrancar, un 2x1. Cuando compramos algo en Amazon, Mercado Libre, o el e-commerce de algún supermercado, es probable que antes de pagar, o apenas ingresamos a la web, se nos recomiende algo que se ajuste a nuestras preferencias o gustos. Algo que nos habíamos olvidado de comprar, o que necesitamos, o sencillamente un producto que nos gusta.

Detrás de estas recomendaciones, que no solamente permiten amplificar las ventas sino también mejorar la experiencia del cliente en el sitio, hay en primer lugar un algoritmo de segmentación.

Los algoritmos de segmentación permiten definir segmentos de clientes a partir de ciertas variables que los caracterizan, para poder llegar de una forma más personalizada, ya sea con mensajes, promociones, o, por supuesto, recomendaciones.

Según un estudio de McKinsey, el 35% de las ventas de Amazon y el 75% de lo que miramos en Netflix es gracias a un motor de recomendación que tiene detrás un algoritmo de segmentación. Como vemos, estos algoritmos no se usan sólo para e-commerce, sino para conocer mejor a los clientes: algo útil para cualquier industria.

2. Predicción de abandono

Imagínense que no están conformes con su compañía de telefonía. Hace rato están pensando en cambiarse, no les convence el servicio y creen que están pagando muy caro. De pronto entonces llega un mensaje o un llamado telefónico: Como usted es tan buen cliente, nos gustaría hacerle un descuento especial en la tarifa por X cantidad de meses.

¿Magia? No. Más bien un algoritmo de predicción de abandono de clientes. Este tipo de modelos analizan el comportamiento histórico y las características de clientes abandonadores para poder anticiparnos a aquellos que quieran dejar de comprarnos online, de venir a nuestra tienda física, o suscribirse a nuestro servicio.

Los algoritmos conocidos como Customer Churn Prediction permiten ahorrar mucho dinero y fidelizar clientes detectando entre un 74 y un 80% de potenciales abandonadores. Si ganar un cliente es difícil, recuperarlo puede ser el doble de difícil. La solución en ese caso es evitar perderlo.

3. Valor del Ciclo de Vida de Clientes

Customer Lifetime Value (CLTV) es uno de los algoritmos más usados para entender a los potenciales clientes. Este modelo consiste en analizar la rentabilidad, el comportamiento histórico y las características de cada uno de ellos para poder predecir el total de ingresos que generará cada uno.

Toda organización sabe que tiene clientes muy rentables, otros sencillamente rentables y otros poco o casi nada rentables. Según un estudio de Arya Systems, alrededor del 75% de los altos ejecutivos de Estados Unidos opina que el CLTV es un indicador muy valioso para sus empresas, principalmente porque permite justificar inversiones, medir rentabilidad, o brindar descuentos más personalizados para fidelizar clientes. Pensemos por ejemplo en un banco, un supermercado, o una distribuidora de bebidas, o incluso plataformas como Airbnb lo usan para entender muy rápidamente sus clientes nuevos.

Además, conocer mejor a nuestros clientes también nos permite mejorar los motores de recomendación o de predicción de abandono, para priorizar aquellos clientes que seguramente no queremos perder.

4. Predicción de la demanda

Los algoritmos de predicción de la demanda se han vuelto muy populares en todo tipo de industrias. Sin ir más lejos, en 2020 RockingData desarrolló junto a uno de los sanatorios que más casos de COVID recibió en la Ciudad de Buenos Aires, un modelo que permitía predecir con una precisión superior al 90% la cantidad de casos de COVID-19 que llegarían al sanatorio en las siguientes dos semanas. Permitiendo al equipo organizar mejor su trabajo en plena pandemia, brindar vacaciones a algunos profesionales en ciertas semanas y reforzar los equipos en los picos de contagios. En resumen, tomas mejores decisiones para gestionar mejor los recursos disponibles.

Pero estos mismos algoritmos también son usados para mejorar las ventas. Pensemos en un restaurante, una distribuidora, la industria del retail, una concesionaria de autos o un almacén. Conocer la demanda que vamos a tener nos permite estar mejor preparados para no desaprovechar los picos y rechazar potenciales clientes sólo por estar con mucho trabajo.

Estos modelos se basan en el análisis del comportamiento histórico de la demanda y otras variables complementarias para poder predecir cómo se va a comportar en el futuro, permitiéndonos minimizar el stock y evitar el faltante de productos, por ejemplo.

Seguir leyendo: