“`html
Poco a poco el big data, el aprendizaje automatizado o machine learning y la inteligencia artificial han ido ganando protagonismo en el ámbito del marketing y las ventas.
El uso de datos en el marketing siempre ha estado presente. Un claro ejemplo son los modelos de propensión a la compra o los modelos de mezcla de marketing que se han utilizado durante los últimos 50 años. No obstante, el nivel de complejidad tanto en las capacidades como en la variedad de aplicaciones se ha incrementado enormemente en estos últimos años.
Al principio, era un dominio de unos pocos aventureros que se atrevían a crear modelos más o menos complejos que les ayudaban a incorporar ciencia en su actividad de marketing y ventas. Hoy en día, esto es una parte fundamental de la actividad moderna de marketing y ventas. Además, se encuentra integrado en las herramientas habituales de los profesionales del marketing, a menudo sin que estos se den cuenta.
Es cierto que, cuando se busca algo muy adaptado a nuestras necesidades, como puede ser un modelo de abandono o un modelo de atribución particular, es necesario recurrir a un desarrollo personalizado, ya sea realizado por la propia organización o por un tercero.
La buena noticia es que incluso esos desarrollos personalizados se han facilitado de gran manera y, afortunadamente, también hay mayor disponibilidad de profesionales capaces de ejecutarlos. Configurar un entorno en la nube para el desarrollo de estos modelos puede llevar solo unas horas en un formato de pago por uso. Las herramientas, tanto a nivel de lenguajes con opciones gratuitas como Python o R, como plataformas de pago como SAS o SPSS, así como entornos que manejan grandes volúmenes de datos como Spark, están directamente integradas en esos entornos de la nube.
De hecho, se ha simplificado tanto la parte técnica que la mayor dificultad, me atrevería a decir, radica en ser capaz de definir claramente qué quiero lograr a nivel empresarial (KPI, objetivos, etc.), localizar los datos necesarios, y sobre todo, integrar el modelo en los procesos de la empresa. Por ejemplo, si desarrollamos un modelo de abandono personalizado, la mayor dificultad será aclarar qué significa para mí el abandono, encontrar los datos necesarios para su entrenamiento y cómo utilizar el modelo. Es decir, cuando alguien se comunique con mi centro de atención telefónica, asegurarme de que el agente que atiende está al tanto de ello durante la atención. O que la persona encargada de las campañas de upsell también lo considere y actúe de manera proactiva con aquellos con un alto riesgo de marcharse.
Los casos de uso del aprendizaje automático han estado presentes durante muchos años en la optimización de campañas, pero desde hace poco podemos configurar directamente Google Ads o Facebook para optimizar lo que estamos dispuestos a pagar por una impresión o un clic automáticamente en términos de KPIs de valor del cliente como CLV (Customer Lifetime Value) o ROAS (Return of Ad Spend).
En lo que respecta al lead scoring (clasificación de clientes potenciales según la probabilidad de convertirse en venta), las herramientas de automatización de marketing como Salesforce ya integran de manera transparente para el profesional del marketing aprendizaje automático basado en datos históricos para calificar los leads. Además, informan acerca de por qué han calificado un lead con alta probabilidad de conversión y, no solo eso, algunas herramientas sugieren directamente cómo dirigirse con una propuesta de contenido y canal.
https://icrono.com/tendenciasmarketingque-es-el-lead-scoring/
Incluso en la sección más innovadora, herramientas como Adobe se encargan de “etiquetar automáticamente” imágenes en función de su contenido; es decir, al subirlas, nos informan que en ellas se observa una familia de 5 integrantes que está sonriendo.
Los propios modelos de asignación que nos ayudan a comprender cómo ha impactado cada uno de los efectos publicitarios en un cliente para efectuar una compra, están evolucionando hacia modelos fundamentados en machine learning, en los cuales el propio sistema se ajusta para establecer los pesos de los impactos de cada canal. Lo mismo se aplica a las metodologías de pruebas A/B y multivariantes que ya son parte del cotidiano de la mayoría de los departamentos de marketing y que permiten personalizar campañas y sitios web hasta niveles insospechados hace poco tiempo, de manera casi automática basándose en datos.
Es ampliamente conocido que existen herramientas de escucha social, chatbots o incluso la generación de contenido de manera automatizada. Esta última está comenzando, pero capacidades como GPT-3 de Google prevén lo que está por venir.
Probablemente, Netflix sea la compañía que mejor utiliza big data (realmente grande porque cuenta con cientos de millones de usuarios) y aprendizaje automático para personalizar. Y personalizar no solo implica elegir lo que nos recomiendan, sino también la forma en que lo hacen. En Netflix, incluso las carátulas (imágenes) que visualizamos de una película se adaptan a nuestro perfil. Si nos atrae el cine de terror, o el romántico, o somos aficionados al cine de los ochenta, veremos diferentes imágenes de Stranger Things.
Hay una tentación de pensar que esto es exclusivamente de empresas digitales, pero no es así. McDonalds, fundamentalmente una cadena de restaurantes, adquirió una empresa de big data por 300 millones el año pasado para personalizar la experiencia del cliente, desde el menú en pantallas digitales hasta su ruta de recogida a McAuto.
También existe la tentación de suponer que esto está reservado solo para grandes suites de marketing con un alto costo para ciertos tipos de empresas, pero esa idea tampoco es cierta. Hay una gran cantidad de startups y herramientas de marketing que cuestan unas pocas decenas de euros al mes y que integran este tipo de funcionalidades.
No hay justificación.
Imagen: Depositphotos
