¿Por qué algunas empresas adaptan mejor y más rápido que otras su 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 abandonen, 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, en efecto, en el diseño y la ejecución de un gran número de experimentos digitales que han ayudado a estas empresas a responder a los cambios del mercado más rápido que las empresas que no utilizan esas herramientas. Y si bien las herramientas de IA están lejos de ser infalibles, podrían cambiar la forma en que tomamos las decisiones en funciones como el marketing y las ventas y mantener una ventaja competitiva.

•••

Se ha escrito mucho a lo largo de los añosacerca de cómo las empresas carecen visibilidad en la rentabilidad de sus inversiones en marketing. En un mundo analógico, la razón perenne que se adujo 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 crear vínculos causales es realizar un gran número de experimentos relativamente baratos mediante los que las empresas puedan conectar las acciones de marketing y ventas con la respuesta de los clientes. Las empresas pueden hacer un seguimiento de las respuestas de los clientes a lo largo del recorrido, desde la búsqueda hasta el clic, la compra e incluso el consumo. El resultado ha sido un aumento exponencial de la cantidad de datos en ese viaje a los que tienen acceso las empresas. Queríamos saber por qué algunas empresas adaptan mucho mejor y más rápido que otras 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 la experiencia de los clientes y cambiar de rumbo, adaptando sus esfuerzos de marketing y ventas mucho más rápido que sus competidores. Hemos observado que un hilo conductor en 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, utilizan 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, mientras sus competidores responden de forma reactiva a las medidas que toman los clientes, estas empresas adoptan un enfoque proactivo en la gestión de sus relaciones con los clientes. Utilizan la IA para predecir qué clientes es probable que abandonen y qué medidas correctivas se pueden tomar para evitar que el cliente deserte, 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 tradujo, en efecto, en diseñar y ejecutar un gran número de experimentos que ayudaron a estas empresas a responder a los cambios del mercado más rápido que las empresas que no utilizaban esas herramientas. ## Los modelos de predicción están cambiando el funcionamiento de la estrategia Considere el ejemplo de una empresa de comercio mundial 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 del proceso de compra de los clientes basado en la RFP. La empresa descubrió que los factores relacionados con la calidad eran los principales determinantes de ser preseleccionados por los clientes. Empezaron a utilizar esta información para buscar oportunidades de clientes de forma selectiva. Sin embargo, en mayo de 2020, las predicciones de la empresa sobre el modelo de IA estaban resultando 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 exitosamente su modelo de fidelización a nivel mundial. Los líderes de las empresas que antes habrían recibido información sobre problemas de la cadena de suministro a través de datos macroeconómicos o de 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 el 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 son menos rentables que alquilar espacios de oficinas corporativas, debido a las presiones de los costes de la competencia. A finales de febrero de 2020, en las primeras etapas 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 de lo que la competencia seguía confiando en la producción del primer trimestre (que termina en marzo) de sus modelos de marketing y ventas. Un mes o incluso una semana de ventaja puede marcar una diferencia significativa en un mercado competitivo. En los ejemplos anteriores, cada empresa tenía que especificar sus objetivos al configurar sus modelos de IA para predecir los resultados. Un objetivo podría ser alcanzar un nivel de adquisición de clientes específico con un presupuesto de marketing específico. Los modelos de IA bien diseñados tienen como objetivo mejorar los resultados empresariales, no solo las predicciones precisas. Equilibran las ventajas de una predicción correcta con el coste de una 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 la relación entre sus acciones y la respuesta del mercado o de los clientes. ## Comprender la función de los bucles de retroalimentación Tradicionalmente, el marketing y las ventas han carecido de un enfoque del clásico ciclo de retroalimentación «SENSE —>RESPONSE» que se utiliza comúnmente en el mundo de la ingeniería.Bucles de retroalimentación habilitar sistemas para cambiar la combinación de entradas y las características del sistema para mejorar la salida. El efecto rezagado 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 las múltiples medidas adoptadas por la empresa dificultan establecer la causalidad y establecer un ciclo de retroalimentación claro. Es esta falta de un ciclo de retroalimentación 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 provoca además una desconexión entre la formulación episódica de la estrategia (el ámbito de la alta dirección) y la ejecución constante sobre el terreno que normalmente se gestiona en primera línea. Los modelos de predicción de la IA pueden captar las tendencias de forma granular, por ejemplo, a nivel de las 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 más rápida y frecuente, lo que permite 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 en las ventas. La empresa estaba convencida de que tenía un problema de marketing. Utilizó un modelo de IA para analizar los datos y descubrió que el aumento de la inversión en marketing había generado clientes potenciales de alta calidad, pero no un aumento de las ventas generales. Los análisis posteriores revelaron que los limitados recursos de venta del fabricante eran parte del problema. El equipo de ventas había elegido cuidadosamente los mejores clientes potenciales de la inversión en marketing incremental, pero ignoró el número correspondiente de clientes potenciales a los que, de otro modo, habría hecho un seguimiento. La empresa comprendió ahora 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 la ventaja del análisis de datos, la naturaleza aislada de las organizaciones de marketing y ventas habría dificultado y llevado mucho tiempo realizar un estudio multifuncional 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 operar 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 los gastos 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 mediante el aumento de las ventas en otras regiones. El análisis también reveló que sería demasiado caro aumentar el marketing para compensar por completo las pérdidas de Rusia. Pero 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. ## Invertir 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 identificación de un grupo de clientes que tienen un conjunto de necesidades comunes (desarrollar un producto o una solución únicos para atender a ese segmento), que comparten características identificables comunes (para poder identificar a los clientes del segmento objetivo) y que probablemente reaccionen de manera similar a las medidas adoptadas por la empresa (para diseñar la estrategia de fidelización 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 fuera hacia adentro: «Averigüemos lo que este grupo realmente necesita y, a continuación, 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 ventas adoptadas por la empresa. Por ejemplo, un modelo de predicción basado en la IA podría preguntar qué clientes reciben mejor servicio la fuerza de ventas sobre el terreno o el equipo de televenta, 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 para atender cada oportunidad de demanda. Teniendo en cuenta las inigualables capacidades de segmentación de los modelos predictivos, es más fácil dar por sentadas las capacidades organizativas (o organizativas esperadas a corto plazo) y encontrar los clientes con más probabilidades de igualarlas. 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 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 orientadas 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 quiere mejorar su función de marketing mediante modelos de IA centrados inicialmente en priorizar las oportunidades de venta. Sin embargo, el análisis de sus datos reveló que, dólar por dólar, los esfuerzos de la fuerza de ventas sobre el terreno centrados en retener a los socios de canal existentes tuvieron un mayor impacto en los ingresos que una cantidad similar que se gastó únicamente en marketing. De hecho, la optimización del gasto entre los socios de canal, la retención, 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» para ayudar a identificar vías completamente nuevas en las actividades tradicionales de marketing y ventas, con el potencial de afectar a los KPI empresariales y 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 obstáculos importantes y queden por detrás de sus competidores. La primera es la naturaleza aislada de sus organizaciones de ventas, marketing y soporte, que impedirá la integración en toda la empresa de las funciones orientadas al cliente. El segundo obstáculo 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 los consejos de administración, a menos que tengan miembros con experiencia en tecnología, exijan las transformaciones organizativas necesarias para que esto suceda. Las firmas de software empresarial tradicionales, impulsadas 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 se harán cargo de las funciones de marketing y ventas? No. El marketing y las ventas no estarán a cargo exclusivamente de máquinas. Todavía necesitamos que los humanos tomen decisiones no obvias. Cuando se trata de actualizar la estrategia, siempre se necesitará a una persona para garantizar la validez de las recomendaciones generadas por la IA antes de ponerlas en práctica. Se necesitan humanos para monitorear los resultados de forma continua para poder 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. La IA en su máxima expresión es una herramienta que aumenta la capacidad humana y podría remodelar la forma en que tomamos las decisiones en funciones como el marketing y las ventas y mantener una ventaja competitiva.