Dime cómo compras en línea y te diré quién eres

Si hoy un cliente se registra en una tienda virtual (app o página) con usuario y contraseña, ML puede usar los datos de sus compras anteriores para sugerir al sistema cómo debe comportarse: ¿fue directo a las ofertas?, ¿pagó con una tarjeta de crédito o con PayPal?, ¿qué productos vio antes de tomar decisión?, ¿aceptó las sugerencias de productos complementarios? El sistema podrá simplificar su camino y mostrar las ofertas directamente, sugerir pago a meses sin intereses o recomendar un producto que ni su cliente sabía que podía necesitar.

¿Qué pasa si un cliente decide navegar sin registrarse? Al no haber un historial de compra, ML debe ‘olfatear’ su comportamiento de otra forma. Las apps que tiene instaladas podrían indicar si ya usa los servicios de un competidor, si está preocupado por su salud mental o qué tipo de noticias prefiere ver, creando un primer perfil de cliente que revele su nivel digital (innovador o seguidor) o su predisposición (de 0 a 10) para adquirir nuestro producto.

Lee más

Opinión

Tres niveles de madurez del comercio electrónico

Su modelo de teléfono, su dirección de IP y hasta el porcentaje de batería que le queda son otras pistas que ayudarán a ML a ‘pulir’ ese perfil. Saber dónde vive su cliente le dará una noción de qué se consume más en esa zona; cómo usa la batería de su celular puede informarle sobre rasgos de su personalidad, por ejemplo: ¿es precavido o es de los que está siempre al filo de la muerte prestándose cargadores? Para un banco, esta información puede ser muy valiosa para saber si la persona pagará puntualmente su préstamo de auto.

El cliente además tomará una serie de decisiones mientras navega: buscará una categoría o producto (masculino o femenino), revisará evaluaciones o consultará otras páginas antes de hacer su compra final. Con estos datos, ML puede ubicarlo en grupos de usuarios con características similares (clusters) para ofrecerle una experiencia diferenciada.

OPINIÓN: Amor (al e-commerce) sin barreras

Aquí ya no importa la demografía del cliente (su edad o su ocupación), sino cómo se comporta en el momento de la compra. Un hombre de 30 años puede tener el mismo comportamiento que una mujer de 60 y el sistema debería mostrarles la misma oferta a ambos. Una misma persona puede tener un comportamiento de compra diferente en su celular o en la tienda física y estar en clusters diferentes en cada caso.

Es posible que una persona compre ciertos productos en línea y otros en la tienda, el sistema debe reconocer esa diferencia.

ML no se limita a data interna de la compañía ni al ambiente virtual: una caja registradora puede sugerir a un cajero una acción diferente dependiendo del clima o el tráfico. ML puede integrar millones de datos en tiempo real que su Excel tardaría semanas (y varios servidores) en procesar y tiene la ventaja de usar modelos ya creados y probados.

OPINIÓN: ¿Por qué la digitalización debe ser prioridad para las empresas?

El gerente de una cafetería puede recibir sugerencias sobre los insumos que debe pedir diariamente basado en los miles de datos y correlaciones históricas que tiene su punto de venta: clima, días feriados cercanos, nuevos competidores, campañas activas, eventos en el área, etc.

Muchos ejecutivos piensan que ML es una bola mágica que descubrirá por sí misma tendencias en sus clientes. La realidad es que cada decisión del sistema debe ser definida. Si el objetivo es fidelizar al cliente, el sistema deberá llevarlo a acciones que incrementen el valor percibido de su compra, como ofrecer un descuento especial para su siguiente compra. Las acciones sugeridas serán muy distintas si su objetivo es adquirir a un nuevo cliente, por ejemplo, ofrecer el envío gratis en la primera compra.

OPINIÓN: 4 derivadas sobre el incipiente comercio electrónico en México

Para sacar el máximo provecho a ML, la empresa requiere talento especializado, tanto científicos de datos que combinan conocimientos de matemáticas y programación, como talento que entiende el negocio y el potencial disruptivo de la tecnología.

ML no es infalible (tampoco los humanos lo somos), pero es ilimitado en su capacidad, escalabilidad y mejora entre más datos y modelos procesa. Mientras las empresas líderes usan ML para innovar y anticiparse a sus clientes (para diferenciarse del competidor), otras seguirán buscando en el Excel los culpables de la baja facturación del año anterior. La gran pregunta es: ¿qué tipo de empresas queremos ser?

Nota del editor: Renzo Casapía Valencia es profesor de cátedra de EGADE Business School. Síguelo en LinkedIn . Las opiniones publicadas en esta columna pertenecen exclusivamente al autor.

Consulta más información sobre este y otros temas en el canal Opinión