3 estrategias disruptivas para mejorar tu empresa con Machine Learning

Estrategias disruptivas

 Las grandes empresas llevan tiempo usando las tecnologías de Machine Learning), las búsquedas que has hecho (en el historial de búsquedas), desde qué dispositivos te conectas a Internet (en la información de tus dispositivos), los comandos de voz que usas (en el historial de búsquedas por voz), los vídeos que ves en Youtube… y un largo etcétera de datos de los que no nos informa.

Con esta información, debidamente tratada con tecnologías como el Machine Learning, Google crea un perfil sobre cada usuario que le sirve para conocernos y predecir, entre otros, qué anuncios son los que más nos van a gustar, y por tanto hacer clic. Por eso se dice que Google “monetiza” los datos. Nosotros (nuestros perfiles basados en datos) somos el artículo que vende a los publicistas. Cuando te ofrezcan algo gratis en Internet, piensa en esto: si un servicio es gratuito, tú eres el producto. Por cierto, esto no es nada nuevo. Las televisiones privadas en abierto son gratis. En este caso también “la audiencia” es el producto que venden a las empresas.

Amazon, Apple, Netflix, Spotify, Facebook y otros grandes usan mecanismos similares para mejorar la eficiencia de sus negocios. Pero si nuestra empresa no es tan grande, ni tiene tantos datos de los clientes, ni se dedica a vender espacios publicitarios… ¿se puede hacer algo? La respuesta es un rotundo sí. Veamos cómo.

Big Data y Small Data

Big Data no es sinónimo de “muchos datos”. Tener una cantidad ingente de datos no es garantía de poder usarlos para hacer predicciones. Es preferible, siempre, tener menos datos (incluso muchos menos) pero de calidad. De hecho, las empresas que tienen muchos datos, los filtran para quedarse con los que realmente tienen valor para hacer las predicciones con Machine Learning. Pasan del Big Data al Small Data.

Si piensas que tu empresa tiene pocos datos (Small Data), te vamos a damos unos ejemplos de cómo usarlos para sacarles partido y mejorar la eficiencia tanto externa (de cara a tus clientes) como interna (en los procesos de la empresa).

Incrementar el número de clientes

El Machine Learning usa datos históricos para predecir el comportamiento futuro. Si podemos identificar los puntos críticos del ciclo de vida y las características un grupo clientes que se ha ido a la competencia, podemos detectar qué clientes actuales están comportándose como aquellos que se fueron y actuar en consecuencia para evitar su baja.

Por ejemplo, en un entorno B2B, los algoritmos de Machine Learning pueden informarnos (hurgando en los datos históricos) de que el perfil de uno de los grupos de empresas que ya se han ido tienen el siguiente perfil de empresa:

• Tienen menos de 25 trabajadores.

• Llevan menos de 5 años como clientes.

• Con una facturación anual inferior a 500.000€.

• Que contactaron con nosotros a través de una campaña en Google.

• Que han hecho más de 3 reclamaciones anuales.

• El comercial les ha visitado menos de 3 veces al año.

• El último año se le subió la cuota mensual un 2%.

 Que alguno de nuestros clientes actuales tenga este perfil no implica que seguro nos va a dejar, sino que el sistema predice que está en riesgo de baja. Esta información nos sirve para mejorar el esfuerzo que dedicamos a la fidelización de clientes. Es mucho más eficiente centrarse en los clientes que tienen más probabilidad de irse que tratarlos a todos por igual.

De forma equivalente podemos predecir, basándonos en datos, qué clientes tienen más probabilidad de volver a contratar nuestros servicios una vez se han dado de baja (recuperación de bajas) o “centrar el tiro” a la hora de captar nuevos clientes si sabemos qué características tienen los actuales clientes (basándonos en datos) y qué estrategias seguimos a la hora de captarlos.

Mejorar el ratio de ventas y la satisfacción de tus clientes

Si conocemos bien a nuestros clientes, podemos ofrecerles productos en los que realmente estén interesados. Esto es posible si nuestra empresa tiene pocos clientes, pero ¿qué pasa cuando el número de clientes aumenta, o cuando no sé quién es mi cliente?

Pongamos en ejemplo. Si una empresa vende vinos en un web, es decir, en un ecommerce, difícilmente hay un trato personal con cada cliente para saber qué le gusta a cada uno de ellos. Un análisis con Machine Learning que tenga en cuenta las veces acceden los clientes a la web, cuántas compras hacen mensualmente, qué tipo de vinos compran, cuál es el precio de cada compra, desde qué dispositivo se hace la compra, la localidad a la que se envían los encargos… nos sirve para obtener los perfiles de los clientes. Imaginemos que tenemos localizado este perfil (de los muchos que nos ofrecen los algoritmos):

• Hombre
• Entre 30 y 40 años
• 2 pedidos mensuales
• Pedidos de importe inferior a 50€
• Paga con American Express
• Que habitualmente compra vinos con DO “Rioja”
• Y que también compra vinos con DO “Ribera del Duero”

 Con estos datos podemos hacer ofertas personalizadas altamente segmentadas y con bastante probabilidad de acierto. En definitiva, podemos predecir lo que le va a gustar a un cliente concreto. Si sabemos que un cliente cumple con todos los criterios anteriores menos con el último, es probable que esté interesado también en el vino con DO “Ribera de Duero”. En este caso, una oferta personalizada basada en datos es probable que tenga más éxito que enviar la misma oferta a todos los clientes. Las mejoras del ratio en ventas usando las recomendaciones personalizadas pueden llegar al 10%.

Los sistemas de recomendación como este han sido clave en el éxito de empresas como Amazon, Netflix o Spotify. Los llevan usando desde hace muchos años porque tienen un grupo de científicos de datos altamente especializados, pero actualmente las empresas de cualquier tamaño pueden subirse al carro con los servicios de Machine Learning As A Service.

No te preocupes si tu tienda no está en Internet. Quizás sea el momento de empezar a pensar en las llamadas “Tarjetas de Fidelización”, ahora que ya sabes que no sólo sirven para hacer descuentos. Piensa en cuántos datos se pueden obtener para ofrecer un servicio personalizado a tus clientes, como si cada uno de ellos fuera único.

Mejorar la logística y el servicio a los clientes

En un reciente proyecto para una gran cadena hotelera española, nos encargaron la tarea de predecir la nacionalidad de los clientes antes de llegar al hotel. Las reservas se hacen por Internet, tanto desde su web como desde la web de colaboradores como Booking o Atrapalo.com. Aunque por confidencialidad no podemos ofrecer detalles sobre el proyecto, sí que podemos comentar cómo mejoran sus objetivos de negocio con Machine Learning.

La primera pregunta que nos vino a la cabeza fue: la nacionalidad… ¿para qué quieren saber la nacionalidad? Era algo que no acabábamos de entender. Nos quedó claro una vez hemos conocido el sector (algo tan importante como saber analizar datos). Su objetivo es mejorar la logística. Es decir, si conocen con antelación el desglose por nacionalidad de los clientes de los complejos hoteleros, por ejemplo para el mes de agosto, pueden organizar el personal del hotel (que hable los idiomas necesarios), las cocinas (con menús personalizados para cada país) o las actividades complementarias, ya que conocen qué les gusta hacer a los clientes de cada nacionalidad (buceo, cursos de hípica, fiestas nocturnas…).

La personalización del servicio es el segundo aspecto que querían mejorar. En efecto, conocer de antemano la nacionalidad de un cliente permite recibir a los huéspedes con un detalle personalizado en su habitación. A los rusos con un surtido de embutidos, a los canadienses con una botella de champán, a los ingleses con un buen vino de Jérez… En los detalles está la diferencia.

Conclusiones

El Machine Learning es una tecnología que hasta hace poco solo estaba al alcance de los grandes. Actualmente ya está disponible, gracias a la nube, para las empresas de cualquier tamaño. Los ejemplos descritos aquí son sólo una muestra de las posibilidades que nos ofrecen.

Si bien es cierto que las predicciones mejoran cuantos más datos tenemos, también es cierto que con un número más reducido se pueden hacer predicciones de mucha calidad, tal y como se puede ver en este ejemplo para predecir qué clientes se van a dar de baja de un servicio de telefonía.

Las ventajas competitivas que ofrece el Machine Learning son poco conocidas. Esperamos haberte abierto un poco el apetito. Gracias por llegar hasta aquí.