por Das Narayandas y Arijit Sengupta

Resumen

¿Por qué algunas empresas adaptan mejor y más rápido que otras el uso de los datos de los clientes para responder a las condiciones de marketing cambiantes o inciertas? Un hilo conductor en las empresas que actúan más rápido es el uso de modelos de IA para predecir los resultados en las distintas etapas del recorrido del cliente.

Estas empresas utilizan la IA para predecir qué clientes es probable que se pierdan, mientras que sus competidores reaccionan cuando los clientes ya se han ido. Y cuando sus predicciones se desvían debido a cambios externos o a las condiciones del mercado, utilizan esos comentarios para reorientar y redirigir rápidamente sus esfuerzos de marketing y ventas.

El uso de modelos de IA para predecir la respuesta de los clientes se ha traducido, de hecho, en diseñar y ejecutar una gran cantidad de experimentos digitales que han ayudado a estas empresas a responder a los cambios del mercado más rápido que a las empresas que no utilizan esas herramientas. Y si bien las herramientas de IA están lejos de ser infalibles, podrían remodelar la forma en que tomamos decisiones en funciones como el marketing y las ventas y mantener una ventaja competitiva.

• • •

Se ha escrito mucho a lo largo de los años acerca de cómo las empresas carecen visibilidad en los retornos de sus inversiones en marketing. En un mundo analógico, la razón perenne que se aduce para este problema era la dificultad de establecer una relación causal entre las inversiones realizadas en actividades de marketing y la respuesta del mercado (o de los clientes) a esas acciones.

En el mundo digital, una forma común de establecer vínculos causales es realizar un gran número de experimentos relativamente baratos mediante los cuales las empresas puedan conectar las acciones de marketing y venta con la respuesta de un cliente. Las empresas pueden hacer un seguimiento de las respuestas de los clientes a lo largo del viaje, desde la búsqueda hasta el clic, la compra e incluso el consumo. El resultado ha sido un aumento exponencial de la cantidad de datos de ese viaje a los que tienen acceso las empresas.

Queríamos saber por qué algunas empresas son mucho mejores y más rápidas que otras a la hora de adaptar el uso de los datos de los clientes para responder a las condiciones de marketing cambiantes o inciertas. Especialmente durante los primeros meses de la pandemia en 2020 y, más recientemente, en 2022, cuando las fuerzas recesivas empezaron a afectar a la naturaleza de la demanda de los clientes, algunas empresas pudieron analizar los crecientes datos sobre el recorrido de los clientes y pivotar, adaptando sus esfuerzos de marketing y ventas mucho más rápido que sus competidores. Hemos observado que un hilo conductor entre estas empresas que actúan rápidamente es el uso de modelos de IA para predecir los resultados en las distintas etapas del recorrido del cliente, por ejemplo, el uso de la IA para analizar los datos históricos del comportamiento de los consumidores y predecir la probabilidad de que un cliente responda favorablemente a una campaña de marketing.

¿Qué más vemos que pasa en estas firmas? En primer lugar, si bien sus competidores responden de forma reactiva a las medidas adoptadas por los clientes, estas empresas adoptan un enfoque proactivo a la hora de gestionar sus relaciones con los clientes. Utilizan la IA para predecir qué clientes es probable que se pierdan y qué medidas correctivas se pueden tomar para evitar que el cliente se vaya, mientras sus competidores reaccionan cuando los clientes ya se han ido. Y cuando sus predicciones se desvían debido a cambios externos o a las condiciones del mercado, utilizan esos comentarios para reorientar y redirigir rápidamente sus esfuerzos de marketing y ventas. El uso de modelos de IA para predecir la respuesta de los clientes se tradujo, de hecho, en diseñar y ejecutar una gran cantidad de experimentos que ayudaron a estas empresas a responder a los cambios del mercado más rápido que a las empresas que no utilizaban esas herramientas.

Los modelos de predicción están cambiando el funcionamiento de la estrategia

Pensemos en el ejemplo de una empresa comercial global que se dedica al abastecimiento y la distribución de productos químicos básicos a granel. A principios de 2019, la empresa comenzó a utilizar modelos de predicción basados en la IA para entender el flujo de oportunidades a lo largo de las distintas etapas de los procesos de compra de los clientes basados en la RFP. La firma se enteró de que los factores relacionados con la calidad eran los principales determinantes para que los clientes fueran preseleccionados. Empezaron a utilizar esta información para buscar oportunidades de clientes de forma selectiva.

Sin embargo, en mayo de 2020, las predicciones del modelo de IA de la empresa estaban demostrando ser erróneas. Un análisis más detallado reveló que las condiciones relacionadas con la entrega ahora predecían mejor la preselección de los clientes, y la empresa cambió rápida y satisfactoriamente su modelo de compromiso a nivel mundial. Los líderes de la empresa, que anteriormente habrían recibido información sobre problemas de la cadena de suministro a través de datos macroeconómicos o un déficit de ingresos al final de un par de trimestres, pudieron, utilizando la IA para predecir los resultados intermedios en los procesos de compra de los clientes, cambiar rápidamente el enfoque de marketing y ventas para adaptarse mejor a los cambios del mercado.

Encontramos otro ejemplo en una importante promotora inmobiliaria del Reino Unido. Un análisis de enero de 2020 sobre los incentivos óptimos para los inquilinos sugirió que, dada la baja probabilidad de que un espacio corporativo permanezca sin alquilar durante más de 30 días, debería ser conservador a la hora de ofrecer incentivos a los inquilinos corporativos actuales. El análisis mostró además que los espacios de trabajo flexibles eran menos rentables que alquilar un espacio de oficinas corporativas, dadas las presiones competitivas en materia de costes. A finales de febrero de 2020, en las primeras fases de la pandemia, el modelo de IA actualizado del desarrollador sugería aumentar el espacio de trabajo flexible en un 30% y ofrecer generosos incentivos para retener a los inquilinos actuales. Estas recomendaciones llevaron al desarrollador a empezar a cambiar su estrategia de ventas a mediados de marzo, mucho más rápido que la competencia, que seguía confiando en los resultados del primer trimestre (que finaliza en marzo) de sus modelos de marketing y ventas. Una ventaja de un mes o incluso una semana puede marcar una diferencia significativa en un mercado competitivo.

En los ejemplos anteriores, cada empresa tenía que especificar los objetivos al configurar sus modelos de IA para predecir los resultados. Un objetivo podría ser alcanzar un nivel específico de adquisición de clientes con un presupuesto de marketing específico. Los modelos de IA bien diseñados sirven para mejorar los resultados empresariales, no solo para hacer predicciones precisas. Equilibran las ventajas de una predicción correcta con el coste de una predicción incorrecta y funcionan dentro de las restricciones organizativas, como los presupuestos de marketing. Al formarse con datos históricos, los modelos de IA proporcionan a las empresas una comprensión mejor, más sofisticada y ágil de los vínculos entre sus acciones y la respuesta del mercado o de los clientes.

Entender el papel de los bucles de retroalimentación

Tradicionalmente, el marketing y las ventas carecían de un enfoque del clásico ciclo de comentarios «SENTIDO —>RESPUESTA» que se utiliza normalmente en el mundo de la ingeniería. Bucles de retroalimentación habilitar sistemas para cambiar la mezcla de entradas y las características del sistema para mejorar la salida. El efecto retrasado de las acciones de marketing y el hecho de que la respuesta de los clientes sea, la mayoría de las veces, el resultado del efecto acumulativo de varias acciones emprendidas por la empresa dificultan establecer la causalidad y establecer un ciclo de comentarios claro. Es esta falta de un ciclo de comentarios lo que limita la capacidad de las empresas de evaluar el ROI de sus esfuerzos de marketing y ventas. La ausencia de ciclos de retroalimentación se traduce además en una desconexión entre la formulación de estrategias episódicas (el ámbito de la alta dirección) y la ejecución constante en el campo que normalmente se gestiona en primera línea.

Los modelos de predicción de la IA pueden captar las tendencias a nivel granular, por ejemplo, a nivel de transacciones individuales. La información de campo que proporcionan estos modelos se puede utilizar para actualizar y modificar la estrategia de marketing y ventas de forma rápida y frecuente, lo que permitirá a las empresas cerrar la brecha entre la estrategia y la ejecución.

He aquí un ejemplo: una empresa de fabricación norteamericana de 200 años había aumentado significativamente sus actividades de generación de leads de marketing, pero aún no había logrado un aumento significativo de sus ventas. La firma estaba convencida de que tenía un problema de marketing. Utilizó un modelo de IA para analizar los datos y descubrió que el aumento del gasto en marketing había generado clientes potenciales de alta calidad, pero no un aumento de las ventas en general. Los análisis posteriores revelaron que los limitados recursos de venta del fabricante eran parte del problema. El equipo de ventas había seleccionado cuidadosamente los mejores clientes potenciales de la inversión incremental en marketing, pero ignoró el número correspondiente de clientes potenciales a los que, de otro modo, habría hecho un seguimiento.

La empresa ahora entendió que tenía un problema de capacidad de venta, no un problema de marketing. El análisis permitió al fabricante equilibrar adecuadamente los gastos de venta y marketing para generar mayores ingresos. Sin el beneficio del análisis de datos, la naturaleza aislada de las organizaciones de marketing y ventas habría dificultado y llevado mucho tiempo realizar un estudio interdisciplinario de este tipo o reasignar los recursos rápidamente.

Esta desconexión se ilustra con más detalle con el ejemplo de una empresa de electrónica de consumo que dejó de hacer negocios en Rusia tras la invasión de Ucrania. La empresa sabía cuál sería su déficit de ingresos debido a la pérdida de ventas en Rusia y los mercados asociados, pero se enfrentó a la difícil cuestión de cómo reasignar de manera óptima el gasto de marketing a otros mercados para tratar de compensar la pérdida de ventas. Un ejercicio de planificación de escenarios optimizado para la IA sugirió la mejor manera de reasignar el presupuesto de marketing disponible y cuantificó la caída neta esperada de las ventas y el aumento del presupuesto de marketing necesarios para compensar las pérdidas con el aumento de las ventas en otras regiones. El análisis también reveló que sería demasiado caro aumentar la marketing para compensar por completo las pérdidas de Rusia. Aun así, permitió a la empresa reducir de manera óptima las pérdidas de ventas al reasignar los presupuestos de promoción de marketing existentes a otras regiones.

Cambiando el proceso de segmentación

Como resultado del enfoque en el ciclo de retroalimentación, vemos que el uso de modelos de IA también cambia la práctica de la segmentación. En teoría, la segmentación se define como el proceso de identificar un grupo de clientes que tienen un conjunto de necesidades comunes (para desarrollar un producto/solución únicos que sirva a ese segmento), que comparten características identificables comunes (para poder identificar a los clientes en el segmento objetivo) y que probablemente reaccionen de manera similar a las medidas adoptadas por la empresa (para diseñar la estrategia de participación y aprovechar las economías de escala). En la práctica, la mayoría de las empresas del mundo analógico se centran en las dos primeras partes de la definición, es decir, el conjunto común de necesidades y características comunes. Por lo tanto, este enfoque adopta la forma de un enfoque de afuera hacia dentro: «Averigüemos qué es lo que realmente necesita este grupo y, luego, diseñemos el producto adecuado para satisfacer estas necesidades mejor que nadie y, como resultado, podamos obtener un precio más alto».

En los modelos de predicción basados en la IA, la práctica de la segmentación se centra en la tercera parte de la definición de segmentación, es decir, la probabilidad de que todos los clientes de un segmento reaccionen de manera similar a las acciones de marketing y venta emprendidas por la empresa. Por ejemplo, un modelo de predicción basado en la IA podría preguntar qué clientes reciben mejor los servicios de la fuerza de ventas sobre el terreno o el equipo de telementa, o qué clientes tienen más probabilidades de responder positivamente a una campaña de promoción de precios específica. Las empresas pueden utilizar las predicciones de un modelo de IA para alinear los recursos de marketing y ventas adecuados a fin de satisfacer cada oportunidad de demanda.

Teniendo en cuenta las inigualables capacidades de segmentación de los modelos predictivos, es más fácil dar por sentado las capacidades organizativas (o organizativas esperadas a corto plazo) y encontrar los clientes con más probabilidades de igualar esas capacidades. Esto es especialmente cierto en un entorno que cambia rápidamente, en el que las condiciones del mercado y el comportamiento de los clientes pueden cambiar mucho más rápido de lo que evolucionan las capacidades organizativas.

¿Hacia dónde nos dirigimos ahora con los modelos de predicción basados en la IA?

La disponibilidad de los datos específicos de los clientes y la capacidad de la IA y el aprendizaje automático para ofrecer mejores predicciones están a punto de obligar a las empresas a crear organizaciones integradas de atención al cliente que fusionen las funciones tradicionales de marketing y ventas. Lo ideal sería que esto ayudara a las organizaciones a ofrecer una experiencia de cliente superior que se traduzca en una mayor rentabilidad.

He aquí un ejemplo más: un fabricante internacional que quería mejorar su función de marketing mediante modelos de IA que inicialmente se centraban en priorizar las oportunidades de venta. Sin embargo, el análisis de sus datos reveló que, dólar por dólar, los esfuerzos del equipo de ventas de campo centrados en retener a los socios de canal existentes tuvieron un mayor impacto en los ingresos que una cantidad similar gastada únicamente en marketing. De hecho, optimizar el gasto en la retención de socios del canal, el marketing y las ventas tuvo un mayor impacto en el KPI empresarial general para un nivel determinado de gasto total del que se habría logrado si se hubiera centrado exclusivamente en la priorización de las oportunidades de venta. Los enfoques verdaderamente automatizados de la IA pueden «dejar que los datos hablen» y ayudar a identificar vías completamente nuevas en las actividades tradicionales de marketing y ventas con el potencial de afectar a los KPI empresariales y a equilibrar de manera óptima los recursos entre esas actividades.

Las empresas nativas de la tecnología digital pueden progresar rápidamente en la integración de los modelos de IA, pero nos preocupa que las empresas tradicionales que crecieron en el mundo analógico se topen con dos escollos principales y queden por detrás de sus competidores. La primera es la naturaleza aislada de sus organizaciones de ventas, marketing y soporte, lo que impedirá la integración de las funciones de atención al cliente en toda la empresa. El segundo escollo es que las únicas entidades que pueden salir de este punto muerto —el CEO y el consejo de administración— suelen ignorar cómo los modelos de predicción basados en la IA pueden redefinir la forma en que las empresas interactúan con los clientes y los segmentos del mercado.

Es poco probable que las juntas directivas, a menos que tengan miembros con experiencia en tecnología, exijan las transformaciones organizativas necesarias para que esto suceda. Hay amplias pruebas de ello en las firmas de software empresarial tradicionales dirigidas por las ventas, que se han esforzado por defenderse de los ágiles competidores nativos de la tecnología digital que adoptan un enfoque holístico para atender a los clientes y entender las oportunidades que ofrecen sus datos.

¿Las máquinas asumirán las funciones de marketing y venta? No. El marketing y las ventas no se gestionarán en su totalidad por máquinas. Todavía necesitamos que los humanos tomen decisiones no obvias. Cuando se trata de actualizar la estrategia, siempre se necesitará una persona para garantizar la validez de las recomendaciones generadas por la IA antes de ponerlas en práctica. Se necesitan humanos para supervisar los resultados de forma continua a fin de proporcionar comentarios continuos a los modelos de IA.

Recuerde que, a pesar de todos sus puntos fuertes, las herramientas de IA están lejos de ser infalibles. En el mejor de los casos, la IA es una herramienta que aumenta la capacidad humana y podría cambiar la forma en que tomamos decisiones en funciones como el marketing y las ventas y mantener una ventaja competitiva.

_

Amy Gallo es redactora colaboradora en Harvard Business Review, copresentadora del Women at Workpodcast, y autora de dos libros: Convivir: How to Work with Anyone (Even Difficult People) y la Guía HBR para afrontar conflictos. escribe y habla sobre dinámicas en el lugar de trabajo. Mira su charla TEDx sobre conflictos y síguela en LinkedIn.