La Ciencia Aplicada a los Datos y la Inteligencia Artificial al servicio de la Experiencia de Cliente

Si la nueva economía global cambió la estrategia de las empresas en las primeras décadas del siglo XXI (Kohli, Jaworski & Shabshab, 2019), los tiempos de incertidumbre que vivimos debido a la pandemia que azota el mundo ha centrado al cliente más que nunca como objetivo de la Experiencia de Cliente. Son continuas las investigaciones que afirman sobre el cambio de los valores de consumo, donde la confianza, la salud, la respuesta inmediata y la empatía son primordiales para los clientes (Findasense, 2020) y el gran reto actual en el ámbito del marketing.  En esta carrera por la diferenciación, proporcionar un consumo de valor es donde las marcas están centrando su gran oportunidad para poder destacar frente a la competencia (Congreso DEC, 2020).

En este contexto, la Ciencia Aplicada a los Datos (en adelante CAD) y la Inteligencia Artificial (en delante IA) se presentan como una gran oportunidad para las marcas. Sin embargo, también es un gran reto ya que, según el informe de Capgemini (2020), debe garantizar la hiper-personalización de los productos y servicios.  En este punto, cabe decir que la inminente aplicación de la tecnología 5G proporcionará resultados espectaculares en Experiencia de Cliente ya que las respuestas serán en tiempo real y con efectos sorprendentes (Torrent-Sellens, 2020, Martín Lineros, 2020). Pero lo más importante del futuro inmediato, es la ingente información del customer journey del cliente y del perfil psicográfico que se podrá recoger de su entorno, que permitirá predecir comportamientos de los consumidores.

Esta nueva capacidad de conocimiento desde la IA sobre el cliente abre un mundo de infinitas posibilidades para las prácticas de marketing ya que:

1. Facilita las campañas de captación de nuevos clientes al tener información precisa de cada segmento (Vargha, 2018).
2. Permite recoger y procesar la voz el cliente, información imprescindible para adaptar los productos y servicios a las necesidades de cada consumidor (Deloitte, 2018).
3. Permite establecer un diálogo continuo con el cliente en tiempo real, promoviendo un humanismo digital como experiencia de usuario (Martín Lineros, 2020).
4. Establece y confirma modelos predictivos sobre altas y bajas de los clientes, lo que permite a la compañía adoptar las medidas de captación y retención oportunas (Méndez Aparicio, Jiménez Zarco, Izquierdo Yusta & Martinez Ruíz, 2020).
5. Proporcionar experiencias al cliente incita su recomendación a terceros, lo que garantiza un crecimiento sostenible de la empresa (Lin & Lekhawipat, 2014; Reichheld, 2014).
6. Garantiza presupuestos de la compañía fiables al tener la capacidad de extrapolación de resultados desde la comparación de beneficios finales obtenidos y comportamiento de los clientes a lo largo del customer journey (DEC, 2017).
7. Facilita la mejora del ROI de la transformación digital al diseñar los mejores productos y herramientas para el cliente (Turletti, 2019).
8. Mejora visiblemente la imagen de marca de la compañía por la innovación de sus procesos, la diferenciación y la calidad ofrecidas (Quevedo, de la Fuente & Delgado, 2005).
9. Mejora la experiencia del empleado. Es más fácil gestionar clientes felices, lo que optimiza los recursos humanos de la empresa (Congreso DEC, 2020). Por otra parte, se potencia la escucha y la empatía del empleado en la atención personal dejando a la tecnología que le proporcione la información relevante a cada interacción en su contexto (Mario Taguas, 2020).

Para poder actuar sobre el cliente, el primer paso es la medición de su experiencia como usuario de la marca. Cada punto de contacto del cliente con la empresa, o touch point, genera una importante cantidad de datos de múltiples fuentes y formatos y procedente de diversos canales (Stiga en DEC, 2017). Esta información compleja y masiva, en ocasiones totalmente desestructura, requiere un tratamiento informático que identifique y consolide los datos recabados, desde novedosas novedades de hardware y software. Una vez que la CAD transforma los datos en información relevante sobre la interacción, y de valor para la compañía, es posible comprender las relaciones subyacentes de las variables identificadas y detectar modelos de conducta. Gracias a estas segmentaciones psicográficas obtenidas, la compañía puede diseñar las acciones de marketing de forma reactiva y proactiva para mejorar tanto la experiencia de sus clientes como la de sus empleados (las 5 íes del Cliente y del Empleado, DEC, 2020).

Pero quizá una de las aplicaciones más relevante, es que estos perfiles de conducta generados se convierten en metadatos para la CAD transformándose en Inteligencia Artificial cuando son consolidados en forma de patrones de comportamiento capaces de tomar decisiones por sí mismos, al poder actuar en base a conocimientos adquiridos y con capacidad de predicción sobre los resultados.

Las últimas líneas de investigación sobre la CAD se centran en la información desestructurada. Gracias al Text Mining y el Speech Analytics, las compañías han accedido a una información relevante del cliente: sus emociones (Lourido, 2017; Pelegrín-Borondo, Arias-Oliva, & Olarte-Pascual, 2017). Explotar como datos los sentimientos es posible ya que patrones de comportamientos (obtenidos a su vez desde la CAD y la IA) permiten identificar la ira, la tristeza, la euforia, la satisfacción, la sorpresa, el entusiasmo o la apatía, por ejemplo (García Haro, 2018). Esta información es muy relevante para la compañía, ya que proporcionan suficiente información sobre preferencias de los usuarios que optimiza los costes de investigación e implementación de sus productos y servicios y canales donde los sirven.

Otro de los puntos relevantes en la CAD es la investigación sobre la Experiencia de Cliente digital que facilita la adopción del canal como canal preferente por sus usuarios, con las ventajas que comporta para la compañía: garante de contacto continuo, proporciona satisfacción y facilita la retención (Méndez-Aparicio, 2019). Y sobre todo porque la información procesada desde la CAD y la IA se convierte en predictiva de futuras experiencias y permiten a los departamentos de clientes mejorar la interacción con sus usuarios. Así, en un contexto web, donde el autoservicio debe ser garantizado, gracias a la información del comportamiento y sentimientos de sus clientes, la compañía puede proporcionar una atmosfera intimista, personal y cercana con sus usuarios que haga innecesario la presencia de un agente (Palm, 2016), por lo que la sensación de confianza y seguridad no se pierden en un contexto no humano.

Como ya se ha argumentado, el tratamiento tradicional de recogida de datos se convierte en IA cuando los resultados inferidos y contrastados con otras fuentes realimentan el conocimiento almacenado. Semejante al funcionamiento de nuestro cerebro, las unidades de información se conectan entre sí, creando verdaderas redes de información, sobre los atributos del producto o servicio, asociado a la experiencia vivida en la interacción. De esta forma y semejante a los procesos cognitivos humanos, la IA recoge y procesa información cualitativa y cuantitativa del cliente en su interacción con la marca. A través de procesos informáticos complejos, la IA es capaz de recrear el conjunto de emociones, sensaciones e imágenes sensoriales que siente el individuo asociados a los atributos del producto o servicio (Walls, Okumus, Wang & Kwun, 2011; Duerig, Melton, & Stöckel, 2013), almacenando esta información en redes neuronales virtuales (Gutmann, & Konagaya, 2019) como si se tratase de la memoria humana (Sierra Diez, Froufe Torres, & Falces Delgado, 2010; DEC, 2017).   Así, se puede obtener información sobre cómo una experiencia positiva genera en el usuario una respuesta positiva hacia la marca y predice su comportamiento y la interacción a futuro como cliente (Sierra Diez et al., 2010).

Si bien una de las formas tradicionales de explotación ha sido desde la información procedente de Big Data, es en el Small Data donde se están produciendo importantes resultados para el diseño de experiencias personales en el campo sensitivo mencionado. Pero ¿cuáles son las diferencias?  En Big Data se cumple el criterio de las 3V, que son gran volumen de información, alta velocidad de proceso, y variedad de información procedentes de clientes, canales y procesos. Esto es, cantidades ingentes de datos numéricos correlacionados, imposible de procesar por las métricas y métodos tradicionales. Su aplicación es inmediata con fines estratégicos, de decisiones de marketing sobre producto y precio y de logística en operaciones y campañas.

Sin embargo, Small Data, refleja aspectos de los clientes imposibles de cuantificar desde entornos numéricos como son las opiniones y las emociones de los clientes y recogidas desde técnicas cualitativas, como es la observación directa y las entrevistas en profundidad (Taylor & Bodgan, 1984). De esta forma, es posible poder obtener una información del cliente desde una aproximación de su realidad concreta y cercana (Lindstrom, 2017, 2019). La IA aplicada a estas fuentes de información no solo permite un acercamiento mas profundo y cercano con sus usuarios, sino que es la base para el diseño de productos y servicios hiper-personalizados (Lindstrom, 2017).

Como conclusión, cabe decir que el propósito de investigación de nuevas estrategias de marketing de las compañías debe centrarse en la inteligencia artificial. No en vano, la cifras de PWC así lo indican: según su informe de 2017, el impacto de la IA en la economía mundial se cifrará en más de 15,7 billones de dólares hasta 2030, equivalente a un crecimiento del PIB mundial del 14%.

Por Mª Dolores Méndez Aparicio
Mutua Madrileña