Qué saben las empresas inteligentes sobre la integración de la IA

Mercury Financial, fundada en 2014, es una pequeña tecnología financiera con una gran misión: ayudar a los clientes a restablecer sus perfiles crediticios. Jim Peterson, CEO de Mercury y veterano de las finanzas, supo desde el principio que la IA era crucial para crear una experiencia de cliente personalizada que sería la base de la oferta de Mercury. Así que, en 2021, la empresa empezó a buscar un motor impulsado por la IA que pudiera dar a cada cliente el empujón adecuado en el momento adecuado, a través del canal correcto y en la secuencia correcta. El empujón podría ser un impulso para dividir los pagos entre varias tarjetas de crédito o una advertencia amable de que el cliente se acerca al límite de crédito. Algunos pueden responder a un mensaje de texto, otros a un correo electrónico. Algunos pueden responder mejor dos semanas antes de la fecha de la acción, otros dos días antes. Cualquiera de esos elementos —o, más precisamente, su combinación particular— podría marcar la diferencia entre un cliente totalmente comprometido y uno muy molesto.

Mercury, un antiguo cliente de BCG, no se dedica a la tecnología de construcción, por lo que sus líderes decidieron empezar con la IA de código abierto. Dado que la mayoría de estas herramientas se cobran según el uso, los costes fijos iniciales serían bajos. Mercury se concentró en cómo integrar las soluciones de IA disponibles con sus sistemas de gestión de contenido, fraude y elegibilidad y muchos otros sistemas de inicio y fondo. A continuación, la empresa automatizó sus procesos de marketing, basándose de nuevo en las herramientas de IA disponibles, pero utilizando su propio código para todas las pruebas necesarias para saber qué funcionó para quién y para hacer un seguimiento de los resultados anteriores. El sistema que creó se centraba en gestionar cientos de variables con fines de segmentación y en crear contenido de forma microgranular. En seis meses, el piloto generó una mejora del 10% en las acciones emprendidas como resultado de los mensajes de la tecnología financiera. Mercury sabía que estaba metido en algo grande.

La IA es necesaria para lograr precisión y escala en la personalización. Puede recopilar, analizar y utilizar enormes volúmenes de datos de clientes individuales y adaptar el recorrido del cliente en cada punto de contacto. La experiencia de Mercury y la experiencia de CVS y Starbucks (que analizaremos en detalle) desmiente la idea predominante de que extraer valor de las soluciones de IA es un ejercicio complicado de creación de tecnología. Esa idea impide que las empresas capten el poder de la IA. No tienen que crearlo, solo tienen que integrarlo correctamente en un contexto empresarial determinado.

Cuando reconoce el valor de centrar sus recursos en la integración y el cambio de procesos, mejora lo que busca en un sistema de IA. Empieza a entender la importancia de ver sus datos y el diseño de su arquitectura tecnológica como activos competitivos. Y usted presiona al resto de su organización para que lleve a cabo más pruebas que puedan alimentar la inteligencia de su sistema de IA.

Pero la IA probablemente solo sea alrededor del 10% de la salsa secreta. El otro 90% se debe a la combinación de datos, experimentación y talento que activan e informan constantemente a la inteligencia detrás del sistema. La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología no es más que la herramienta para alcanzarlo. En este artículo presentaremos lo que significa integrar las herramientas de IA y lo que se necesita para experimentar de forma continua, generar aprendizaje e importar datos nuevos para mejorar y refinar los recorridos de los clientes.

Repiense la forma en que adquiere la tecnología

En más conversaciones de las que podemos contar, nos encontramos desengañando a los ejecutivos de sus ideas sobre lo que crea una ventaja de la IA. Una empresa no tiene por qué aspirar a ser otro AWS, Microsoft, Google o Adobe, todos creadores de las principales herramientas de IA que, al fin y al cabo, se dedican a venderlas. Los maestros conocidos de la IA, como Uber, Netflix y Spotify, pueden investigar y diseñar nuevas soluciones, pero por lo general lo hacen para ampliar las aplicaciones que se adaptan a su enorme escala única o para realizar funciones específicas que no estarían disponibles de otro modo (como el análisis de fotogramas de películas en el caso del algoritmo de recomendaciones de Netflix). Pero pocas empresas ajenas al mundo de la tecnología están monetizando su propia innovación digital. Para ellos, la innovación implica ofrecer una solución nueva sobre una base de capacidades digitales. Todos los competidores tienen acceso a la misma IA, pero los resultados empresariales varían mucho. Una diferencia fundamental son los datos que le proporciona una empresa. La ventaja competitiva depende de la recopilación incesante de datos, la transformación o el enriquecimiento seleccionados y de alimentar las bibliotecas de IA que informan sobre las capacidades de la siguiente mejor acción. El trabajo del vendedor es aplicar de forma creativa esas recomendaciones impulsadas por la IA a las campañas de marketing y aprender de ellas de forma iterativa.

Edoardo Tresoldi utiliza la forma, el marco y la transparencia de la malla metálica para ilustrar el diálogo entre la arquitectura y el mundo.

Hoy en día existe una gran cantidad de tecnología de código abierto, que incluye la mayoría de las herramientas de IA, amplias, como el GPT-4 de OpenAI, y bibliotecas completas (aplicaciones escritas en lenguajes de código abierto que se empaquetan para un uso específico, como XGBoost, para entrenar un tipo específico de modelo de aprendizaje automático). Las grandes tecnologías ponen a disposición muchas de sus bibliotecas o herramientas para tareas específicas: Meta (un cliente de BCG), por ejemplo, con su biblioteca Prophet de previsiones, y Airbnb con Airflow, una plataforma de gestión del flujo de trabajo para los procesos de ingeniería de datos. Las capacidades de la IA están integradas en muchas herramientas comunes de experiencia del cliente, como las «nubes de experiencias» de Salesforce y Adobe (ambas empresas son socias de BCG). También mejoran constantemente: gracias a las interfaces de programación de aplicaciones (API) y a la arquitectura de los sistemas tecnológicos modernos, es más fácil hacer que los sistemas se comuniquen entre sí, como veremos más adelante.

Otro poco de desacreditación tiene que ver con cómo empezar. Contrariamente a lo que se piensa, no es necesario un enfoque a lo grande. Como ocurre con los verdaderos enfoques ágiles, es inteligente empezar por poco y centrarse en casos de uso específicos (la incorporación del cliente o la participación temprana, por ejemplo) en lugar de intentar rediseñar toda la experiencia del cliente desde cero. Es inteligente elegir un área en la que pueda conseguir un verdadero éxito con la IA y, luego, ampliar gradualmente su uso.

Nada de esto quiere decir que implementar un recorrido del cliente basado en la IA sea fácil. Y tres defectos comunes pueden hacer que sea especialmente difícil, incluso cuando tiene la solución de IA adecuada.

Limitaciones en la captura de datos.

Pueden ocurrir cuando la mayoría de los datos no están estructurados, como en la atención médica, o no están registrados, como en la industria hotelera. Nadie introduce comentarios de las tarjetas dejadas a los huéspedes en las habitaciones de hotel, que pueden contener información valiosa y direccionable de inmediato. Si un hotel registrara sus preferencias en cuanto al tipo de cama, el horario de limpieza, las alergias alimentarias, las instalaciones de cada propiedad que ha utilizado, etc., su próxima estancia podría adaptarse fácilmente a sus gustos.

Falta de conectividad entre la solución de IA y el marketing.

Una cadena de supermercados podría suponer qué clientes prefieren los alimentos no cárnicos o cuáles buscan gangas, sin confirmación explícita. La IA proporciona acceso a esas predicciones personalizadas de forma automática y a gran escala. Pero para poner a prueba la suposición, necesita un sistema de tecnología de marketing al que pueda canalizar esos datos en forma de diálogo. La visión en sí misma no puede crear valor a menos que esté activada.

Incapacidad del sistema para escalar automáticamente.

Una gran cantidad de información sobre los clientes sirve de poco si sus sistemas no pueden convertir cada una de ellas en acciones personalizadas para los clientes individuales. Y no puede confiar en la entrada o el análisis manuales para desarrollar una campaña personalizada perfecta y única. Sin un sistema sólido y escalable, la información se suprimirá o se utilizará de forma demasiado limitada en una sola función.

Las cuatro claves de la integración inteligente

En nuestra experiencia guiando a diversas empresas a medida que desarrollaban recorridos de clientes basados en la IA, hemos identificado cuatro características que definen a un integrador inteligente: claridad y alineación de los objetivos, instrumentación de datos sólida, una arquitectura tecnológica poco conectada, y una cultura experimental. Cabe destacar que ninguno de ellos incluye tener un algoritmo de IA mejor, aunque sí que exigen uno mejor entrenado.

1. Claridad y alineación de los objetivos.

El marketing basado en la IA requiere objetivos de optimización claros para cada caso de uso, y esos objetivos tienen que ser razonablemente limitados. Los objetivos generales amplios, como «acelerar el crecimiento de las ventas», hacen que sea imposible saber cómo atribuir los resultados. Un objetivo más adecuado para la IA podría ser «minimizar el tiempo de espera», «reducir el coste del incentivo por venta» o «hacer una sugerencia que el cliente acepte». Si el cliente puede realizar varias acciones, tendrá que decidir de antemano: ¿Queremos que la IA se optimice para las opciones más valiosas o para las que es más probable que el cliente tome?

Las aplicaciones de IA hacen predicciones principalmente sobre la base de datos históricos. Si la IA se centra de manera demasiado amplia, pierde la capacidad de optimización; si se enfrenta a una situación en la que no hay precedentes, sus predicciones serán inexactas. En lugar de un motor de IA que lo gobierne todo, puede que necesite varios motores de IA para crear una experiencia de cliente más amplia. Una importante empresa de atención médica, por ejemplo, tiene un motor para identificar a los miembros del plan de salud que corren mayor riesgo de sufrir un incidente agudo; otro para recomendar la forma de abordar a un miembro; otro para sugerir un diseño de pruebas con fines de experimentación; y otro para optimizar toda la cartera de tipos de divulgación dentro de un presupuesto específico.

La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología no es más que la herramienta para alcanzarlo.

Una de las razones por las que Starbucks ha tenido éxito en la personalización basada en la IA es la claridad de sus objetivos. Al impulsar una venta a partir de una campaña de marketing, la empresa tiene en cuenta el hecho de que muchos de sus equipos de productos quieren que se promocionen sus ofertas, por lo que ha decidido optimizarlas para que el toque tenga más probabilidades de obligar al cliente a comprar. (Junto con los datos de respuesta reales, Starbucks capta el interés implícito, por ejemplo, lo que el cliente busca y si pasa el ratón sobre una imagen, hace clic en una descripción o vuelve a la misma página tres veces por semana). Más allá de su experimentación constante, la empresa se centra en cómo el marketing puede impulsar los ingresos incrementales netos totales, en lugar de en optimizar las pérdidas y ganancias de una bebida específica. Eso permite una definición holística del éxito.

2. Instrumentación de datos de sonido.

Los mecanismos que registran, organizan y comparten datos sobre las interacciones con los clientes, las acciones asociadas a la empresa y los resultados en los puntos de contacto son los detalles del programa de personalización de la IA de una empresa. Esta instrumentación de datos incluye de todo, desde registros de centros de llamadas y datos procedentes de relaciones de segunda y tercera parte (como socios de canal, empresas de medios y corredores de datos) hasta software de automatización que genera y rastrea las comunicaciones digitales (como el de Salesforce, HubSpot e Illumin).

Una empresa necesita «receptores» para captar información sobre todas las interacciones del cliente en todos los canales, y esa información debe ser extraordinariamente granular. Por ejemplo, en una interacción con un centro de llamadas, la empresa querría saber más que el propósito de la llamada: ¿La persona que llama parecía molesta o confundida? ¿El ordenador de la persona que llamó estaba abierto durante el encuentro? ¿La persona que llamó siguió las instrucciones del representante o se distrajo con otra cosa?

Cuando una empresa envía un correo electrónico de prueba, debe poder controlar el fraseo, la imagen incrustada, el tamaño de fuente y los colores utilizados y cualquier otra variable que pueda afectar a la respuesta del cliente. Una arquitectura de etiquetado (para capturar y clasificar los metadatos de estas interacciones y comunicaciones) permite realizar pruebas y aprender.

Cuando uno de nosotros (David) era director de marketing en Aetna (que ahora forma parte de CVS Health), el objetivo principal era lograr que las personas tomaran medidas para promover la salud, como vacunarse contra la gripe y tomar sus medicamentos con regularidad. La empresa sabía quién quería tomar qué medidas, pero no sabía cómo lograr que esas personas las cumplieran. Se necesitó una enorme cantidad de experimentos: cambiar el mensaje (tanto la oferta como su contenido creativo), probar un incentivo, modificar la hora del día en que se enviaban y la secuencia de los mensajes, etc., nada de lo cual habría sido posible sin los mecanismos establecidos para establecer las pruebas y rastrear las microvariables que impulsan las respuestas. Aetna tenía que asegurarse de que cada interacción estaba etiquetada de forma exhaustiva con descriptores de lo que contenía (el color del texto, la naturaleza de la imagen, el tono del idioma, las palabras específicas) y de que cada punto de la interacción se capturaba con todo detalle: cuándo el cliente interactuó, cuántos clics hubo, si el cliente salió y regresó, hacia dónde iba el viaje tras el primer clic. Esto requería incrustar el código en todos los lugares de interacción (Internet, aplicaciones, correo electrónico, SMS, etc.) e integrar los flujos de datos que regresaban de ellos. Ahí era donde la empresa centraba su tiempo, no en crear una nueva IA. A medida que los sistemas de IA escriben código cada vez mejor para facilitar la integración de los datos y etiquetan automáticamente los activos de marketing, el trabajo se hace más fácil.

Una gran cantidad de información sobre los clientes sirve de poco si sus sistemas no pueden convertir cada una de ellas en acciones personalizadas para los clientes individuales.

Los datos de fuentes de terceros, como el clima, los cortes de energía, los datos demográficos y psicográficos y los datos de salud generales sobre una población del código postal, proporcionan más contexto. Cuanto más amplia y granular sea la información, más ricos pueden ser los modelos. Esa riqueza alimenta su ventaja de rendimiento. ¿Los clientes responden de inmediato o tardan días? ¿Se desplazan hacia abajo para obtener más información y, a continuación, hacen clic o saltan inmediatamente? ¿A qué incentivos responden con más rapidez? La instrumentación de datos permite realizar pruebas y experimentos continuos que proporcionan respuestas, ayudan al sistema a seguir aprendiendo y ayudan a la empresa a entender lo que se necesita para que el cliente A responda frente a lo que los clientes B, C y D.

3. Una arquitectura tecnológica poco conectada.

La tecnología de experiencia del cliente se compone de un motor de predicción, un motor de secuenciación (o gestión de experiencias), un motor de contenido, motores de entrega de canales y un motor de experimentación y análisis. Además, la IA se basa en cinco o más sistemas para unir el recorrido del cliente: marketing, servicio de atención al cliente, uso del producto, facturación, canales en línea y, a veces, una tienda minorista. Dada la probabilidad de que se añadan nuevas capacidades y de que sea necesario conectar varios motores de IA, lo mejor es diseñar la pila de forma modular.

La IA proporciona la inteligencia y la velocidad y la escala computacionales para impulsar las operaciones que se basan cada vez más en la automatización. Por lo tanto, las tecnologías que llevan a cabo la automatización deben poder aceptar las señales de la IA y devolverle información para ayudarla a mejorar. Lo ideal es una arquitectura tecnológica poco conectada, en la que los sistemas funcionen juntos pero no dependan unos de otros.

Las interfaces de programación de aplicaciones disponibles al público, que dan a los desarrolladores acceso al software propietario a través de un estándar de comunicación simple y versátil, permiten esta arquitectura modular. Las API son la lengua franca del diálogo digital en diferentes plataformas. Un ejemplo sencillo es una API que vincula el sistema CRM de una empresa con un sistema telefónico basado en la nube, lo que permite al agente de un centro de llamadas llamar inmediatamente a un cliente potencial recién generado sin tener que salir del software de CRM. Con las API abiertas, la información se puede mover sin problemas, los modelos se actualizan fácilmente y se añaden nuevas funciones de forma modular. Una arquitectura poco conectada permite a las empresas realizar maniobras competitivas más rápidas, ya que pueden cambiar fácilmente los componentes en cuanto hay nuevas funciones disponibles, con unos costes de conmutación mínimos.

Para ver cómo una arquitectura poco conectada permite la integración de los distintos elementos de la pila y admite la personalización a escala, el objetivo de la integración inteligente, piense en Comcast. La empresa se dio cuenta de que sería imposible conectar formalmente todos los sistemas de datos de sus clientes. Pero los sistemas tenían que estar vinculados de alguna manera si las decisiones de la IA querían determinar qué enviar a quién a través de qué canal y los datos de comentarios se devolvían a la IA.

Pointillist, la herramienta de toma de decisiones de IA de Comcast, cumple una doble función. En primer lugar, compara los datos del cliente de todos los sistemas de la empresa (las interacciones con las aplicaciones, el centro de llamadas, los registros de uso de los productos, etc.) y crea una vista integrada del cliente. Luego, al funcionar como el middleware, une varias bases de datos en una base de datos integrada, lo que evita la necesidad de crear otra base de datos formal. Pointillist encuentra toda la información relevante sobre un cliente y la marca de tiempo para informar a la empresa sobre el recorrido del cliente. En tiempo real, el sistema encuentra las coincidencias, crea mapas de viajes, identifica las anomalías que requieren atención y profundiza en las causas fundamentales. Utilizando los estándares de Genesys, el sistema central de clientes de Comcast (y un cliente de David), Pointillist canaliza la información sobre el cliente a todos los sistemas de interacción con el cliente, que son compatibles con la API de Genesys.

Edoardo Tresoldi

Las interacciones con los clientes se rastrean en orden cronológico y con fecha. El sistema avisará a Comcast en tiempo real de que Jane Doe está en la aplicación móvil y tiene dificultades para acceder a la información del plan de servicio. Incluso antes de que llame a Comcast, puede enviarle un mensaje de texto sugiriéndole una solución rápida. Si no actúa o si esa acción no resuelve el problema, el software indica que probablemente llamará y, si lo hace, el sistema del centro de llamadas ya sabe cuál es su problema. Puede determinar si una respuesta automática concreta puede ayudarla, en cuyo caso proporciona indicaciones automáticas, o si necesita hablar con una persona, lo que, como solución más cara, es siempre el último recurso. Lo mejor de este sistema es su capacidad de respuesta en tiempo real y la experiencia rápida y fluida que proporciona.

Con el tiempo, a medida que Pointillist sigue recopilando información, permite a Comcast probar constantemente nuevas y más eficaces formas de gestionar cualquier problema: determinar el mensaje ideal, encontrar la mejor manera de interceptar al cliente e incluso hacer un seguimiento de si los clientes que tienen problemas contactan realmente con la empresa o no. En sus primeros 18 meses, este sistema impulsado por la IA ahorró a Comcast más de un 10% en costes de centro de llamadas. Los comentarios que recibe la empresa y las mejoras que ha realizado en la experiencia del cliente en línea crean menos motivos para llamar. El sistema ha ayudado a Xfinity Mobile de Comcast a alcanzar el primer puesto de J.D. Power durante varios años consecutivos.

4. Una cultura experimental.

La IA impulsa la creatividad al permitir a la empresa poner a prueba las ideas rápidamente y hacer más a gran escala. Además, aprende del pasado, a través de millones de puntos de datos, y desbloquea la innovación más rápido de lo que podría hacerlo un humano. Pero la IA no inventa, solo predice, basándose en patrones del pasado. Los vendedores inventan y la IA aprende qué funciona, para quién, cuándo y cómo. La invención requiere una cultura que valore la experimentación y la asunción de riesgos.

En igualdad de condiciones, los datos experimentales de una empresa son la fuente de su ventaja competitiva. Los líderes deben reconocer que una mentalidad de poner a prueba y aprender es esencial para traducir esos datos de la materia prima a la moneda. Eso significa aceptar que la experimentación tiene costes de oportunidad y que, por definición, algunos experimentos no funcionan. Pero incluso los experimentos fallidos ofrecen lecciones que valen la pena.

Los equipos ágiles son esenciales en este esfuerzo. Tienen la destreza y la creatividad para perseguir nuevas ideas y seguir mejorándolas con el tiempo. Utilizar métodos de trabajo ágiles significa planificar lo que puede, pero dejar espacio para cambiar rápidamente según lo que revelen los experimentos. Por lo tanto, los líderes tienen que examinar sus incentivos y planes operativos para asegurarse de que promueven prácticas ágiles, permitir las pruebas que no arrojan resultados satisfactorios y ofrecer la flexibilidad necesaria para cambiar de rumbo. Pero los líderes también deben adoptar una mentalidad experimental y tener la licencia financiera para correr riesgos. La experimentación requiere que los grupos de control validen los resultados de las pruebas. Debe poder reducir sus pérdidas y doblar la apuesta de los ganadores. Tiene que financiar los cambios operativos y los nuevos incentivos que hay que poner a prueba. Cuanto más ajustada sea la correa financiera, más difícil es innovar. No puede experimentar si no puede correr riesgos.

Cuando una empresa envía un correo electrónico de prueba, debe poder supervisar cualquier variable que pueda afectar a la respuesta del cliente.

El dominio de Starbucks en el marketing basado en incentivos depende en gran medida de su estrategia de experimentación continua y de su compromiso de apoyarlo con los recursos necesarios. La empresa se basa no solo en los datos recopilados digitalmente y en la tecnología digital, sino también en su experiencia de venta minorista. Su tecnología está compuesta al 100% por herramientas e idiomas de código abierto. Starbucks se centra en enriquecer constantemente su conjunto de datos y en conectarlo a su arquitectura tecnológica, no en desarrollar los algoritmos.

Cada semana, Starbucks realiza ensayos aleatorios con un subconjunto de sus clientes para poner a prueba y aprender y reforzar o desafiar las hipótesis de marketing. Los clientes que suelen visitar las tiendas minoristas reciben incentivos para interactuar a través de la aplicación Starbucks y dejar una ruta de pan digital. La aplicación recopila datos enriquecidos: cuándo, qué y dónde hicieron el pedido los clientes; si hicieron su pedido normal o agregaron un artículo; y detalles del mensaje de estímulo (texto, incentivos, cuándo se envió, cuándo se abrió). La aplicación aprovecha todos esos detalles para adaptar el alcance del marketing a nivel individual.

La empresa puede experimentar con los productos existentes y con otros nuevos. Por ejemplo, puede optar por mejorar la mensajería o el formato, cambios que pueden ser tan detallados como el idioma, el color o la imagen incluidos en el mensaje. Puede que quiera probar las recomendaciones de precios o productos en los segmentos de clientes o en los canales más eficaces. Cuantos más parámetros, más permutaciones de prueba. Las pruebas pueden llevar tiempo, lo que es otra razón más para hacer de la experimentación un esfuerzo continuo.

Su proceso de integración de la IA permitió a Starbucks aumentar un 45% sus ingresos netos incrementales (ventas atribuibles al marketing, excluidos los descuentos) a los cuatro meses de haber publicado una prueba de concepto simplificada. A los 12 meses, tras ensayos aleatorios, un flujo constante de datos nuevos, más pruebas y ampliar el programa a toda la base de clientes, Starbucks experimentó un aumento del 150%. A medida que se añadían más canales, más combinaciones de ofertas y más permutaciones, esa cifra llegó al 300%.

Integración inteligente en una relación compleja con el cliente

A diferencia de Starbucks, CVS Health opera en un sector regulado en el que está prohibido ofrecer incentivos a los clientes. Igual de importante (si no más) es que las variaciones entre su base de pacientes y clientes y sus situaciones de salud, y en las conductas y acciones que la empresa quiere provocar, son considerablemente más complicadas que las de un minorista como Starbucks.

La trayectoria de CVS comenzó en Aetna, que adquirió en 2018. Aetna quería motivar a los miembros de Medicare a tomar medidas más saludables. Ayudar a las personas a estar más sanas también reduciría los costes para todos y permitiría a la empresa mejorar el servicio de atención al cliente.

La IA no inventa, solo predice, basándose en patrones del pasado. Los vendedores inventan y la IA aprende qué funciona, para quién, cuándo y cómo.

Aetna pensó que podría animar a sus clientes a tomar docenas de medidas de salud; sin embargo, la empresa entendió que, por ejemplo, lograr que los pacientes volvieran a surtir sus recetas requiere un camino diferente para cada uno, e incluso uno diferente a lo largo del tiempo para el mismo paciente. Los datos que podrían predecir la mejor manera de influir en el comportamiento en un momento dado pueden provenir de las afirmaciones recientes, las respuestas a las campañas de marketing, el uso de herramientas digitales por parte de los clientes, las variaciones demográficas y regionales básicas y los protocolos clínicos, entre otras fuentes. Para adaptar sus comunicaciones, la empresa ha invertido en la capacidad de cambiar todos los aspectos de una divulgación (canal, horario, frecuencia, mensaje, idioma), creando así millones de posibles permutaciones. Probarlos significa personalizar las herramientas de tecnología de marketing comunes para que sean lo suficientemente flexibles como para capturar y utilizar esta gama cada vez mayor de datos. Pero para optimizar todas las posibles variantes, las herramientas de IA disponibles habitualmente necesitaban más datos históricos de los que estaban disponibles en ese momento. Así que Aetna desarrolló un enfoque para probar todas esas permutaciones a una escala gigantesca, con experimentos controlados.

¿Qué aspecto podría tener un experimento controlado? Un ejemplo sería comprobar el impacto relativo de un mensaje de texto, un correo electrónico y una interacción en el mostrador de la farmacia y, al mismo tiempo, variar el mensaje, el momento y el incentivo. Como el número de permutaciones se acumula rápidamente, la empresa utilizaría una herramienta de inteligencia artificial para examinar la gama de opciones de prueba y determinar el número mínimo de pruebas controladas suficientes para rastrear el impacto relativo de cada permutación.

En lugar de crear un algoritmo novedoso, Aetna optó por utilizar algoritmos de código abierto y formó un equipo para llevar a cabo una exploración continua. Los especialistas en negocios colaboran con científicos e ingenieros de datos para dar al sistema ideas y variantes novedosas, como nuevas ideas para textos o imágenes, nuevos incentivos o nuevas formas de llegar a un cliente, y luego analizan los resultados y corrigen el rumbo. Aetna también contrató a economistas del comportamiento para que los ayudaran a desarrollar las estrategias de contacto para varios perfiles situacionales: algunos hacían hincapié en el riesgo de pérdida, otros hacían hincapié en la importancia de un estilo de vida más saludable; otros recordaban al cliente a la familia y otros reforzaban el mensaje de salud utilizando datos de la comunidad local.

En última instancia, este enfoque ha creado una combinación de seres humanos y sistemas técnicos individuales diseñados de forma única para impulsar el modelo de negocio de CVS. En el futuro, este motor de inteligencia impulsa una serie de sistemas específicos de cada canal en los que se ejecutan las interacciones: correo electrónico, CRM, secuencias de comandos para centros de llamadas, mensajes de texto, notificaciones de aplicaciones e incluso ventanas emergentes en las pantallas de los ordenadores de los farmacéuticos. Esos sistemas de ejecución canalizan los resultados de las interacciones hacia los algoritmos de la IA para seguir alimentando su aprendizaje. Con el tiempo, algunos de los datos se vuelven más complejos: por ejemplo, se puede analizar una conversación en un centro de llamadas mediante el procesamiento del lenguaje natural para entender el carácter de la persona que llama, la elección de las palabras, la comprensión, etc. Al centrarse en los flujos de datos, el potencial de innovación, la experimentación y la arquitectura, CVS ha impulsado las herramientas de IA abierta, generando un margen de beneficio anual sustancial gracias a la reducción de los costes médicos, las mejores calificaciones de servicio, la mejora de los resultados de salud y las nuevas oportunidades de venta cruzada.

. . .

Para impulsar una ventaja competitiva con la IA, tiene que integrar sus sistemas internos con los externos, primero para recopilar datos precisos de los clientes y, después, presentar la información resultante en forma de ofertas personalizadas. Ambos procesos deben llevarse a cabo con una escala y un alcance cada vez más amplios, añadiendo continuamente nuevas variables y detalles cada vez más detallados. Para el ejecutivo que debe empezar a pensar como un integrador inteligente, este enfoque exige un nuevo modelo de liderazgo con nuevas prioridades para aprovechar las infinitas posibilidades. Lograr una integración correcta impulsa cada vez más una experiencia de cliente superior y será el factor decisivo para construir el valor de la marca.