Explotación Smart del Big data. Cómo sacar provecho de la explosión de datos en tiempo real

por Josep Alet el 23/01/2016

Estamos inmersos en la máxima efervescencia del big data, la disponibilidad de datos ingentes para que puedan ser convertidos en conocimiento útil. Se plantea el reto de explotar todo tipo de datos disponibles, estructurados y no estructurados, aunque sean inciertos, por dispositivos múltiples interconectados, en tiempo real.

¿Qué datos no se están capturando y pueden tener interés para ser explotados de manera masiva?

Los datos que hay que tener en cuenta en la explotación son las interacciones online, el seguimiento de conversaciones, fotos y vídeos colgados, relacionados con la marca y la competencia, el uso del producto y resultados obtenidos fruto de apps asociadas al producto, indicadores del cliente vinculados (salud, bienestar o cumplimiento de la prescripción), personas vinculadas a la red de miembros (personas a las que puedes conocer), interacciones con los centros de contactos, detalles de contratos firmados que guardan adaptaciones deseadas por clientes, tráfico en las tiendas siguiendo las ID de sus móviles que permiten valorar tiempo de visita, circuito o compra realizada.

Como decía el director de investigación de Google, Peter Novig: “No tenemos mejores algoritmos. Solo tenemos más datos”.[1] El volumen y la interrelación entre todo tipo de datos y situaciones aportan una riqueza muy superior de conocimiento y de capacidad de explotación si se sabe sacarle provecho.

Aunque las empresas tienen cada vez más datos y análisis, no acaban de obtener una comprensión profunda de los porqués de la conducta de los clientes. El comportamiento es multidimensional y complejo por naturaleza, influyen las emociones, la cultura, el contexto, los antecedentes, los símbolos, la autoimagen o la misma relación que se tiene con el distribuidor o las marcas que se estén valorando.

Con el gran volumen de datos disponible aumenta las opciones de explotación secundarias de información al identificarse valores escondidos, intrínsecos, pero no evidentes en primera instancia, como su pertenencia a una determinada red de personas que configuran un comportamiento previsible, una forma de ser, o unas preferencias de selección o de productos y servicios. En situaciones típicas que reflejan los refranes populares como “dime con quien vas y te diré quién eres”, se lleva a grandes números lo que se utiliza en el ámbito de las relaciones personales y ahora empresariales.

Desde el enfoque más básico de identificar a los clientes prioritarios para atenderles de la forma más efectiva, asignar el servicio de atención al cliente de tal forma que la empresa pueda responder de forma eficiente y eficaz al cliente. Amazon gestiona automáticamente más del 90% de sus llamadas y obtiene el mayor índice de satisfacción de la distribución.

La integración de diferentes observaciones con fuentes diversas ofrece un resultado más rico, con más matices, más poderoso en sus conclusiones y sus derivadas para adoptar una respuesta constructiva que encaje en el comportamiento deseado de las personas. La observación nos permite comprender la realidad de una forma mucho más profunda y personal, donde la empatía florece y repercute en la gestión directa de las interacciones con los clientes a lo largo de todos los canales y puntos de contacto y, de forma mucho más trascendental, en las valoraciones del equipo directivo para la toma de decisiones.

El auténtico insight se aleja de los datos medios estadísticos y profundiza en personas concretas con necesidades específicas, para ciertos aspectos en su vida de necesidades y deseos. La potencialidad de la oportunidad vendrá de la confluencia de los diferentes enfoques que hay que tener en cuenta en el plan de negocio, desde el canal, el producto, el servicio o el tipo de acto de compra del cliente y en qué poblaciones concretas o actividades en las que está involucrado.

Anticipar las necesidades de los clientes y ajustar la capacidad de oferta y servicio. Ofrecer productos con mayor propensión de compra a compradores afines o por productos ya adquiridos, en el momento más probable. Amazon está generando en torno al 30% de sus ventas así. Identificar las personas más probables con las que interese interactuar en el entorno del producto o servicio ofrecido y predecir la demanda según las personas en su entorno de referencia. Cuando en IKEA se introduce la segmentación por propensión, se puede seleccionar hogares, con un mismo potencial global de activación y compra, donde el grupo de mayor propensión tiene el triple de respuesta y cuatro veces la compra que el grupo de menor propensión.

La oportunidad de refinar la oferta para cada segmento, para personas en un determinado contexto transforma los algoritmos predictivos de grandes números si se sabe aportar la componente humana de sentido común que da la situación de cómo se hace para ser útil sin ser intrusivo, de aportar acompañamiento sin invadir la intimidad, de ser pareja pero no ser …

Adivinar lo que desea el cliente en cada momento es algo muy factible en términos de probabilidad de acierto. Cabe esperar tasas de aceptación de más del 20%, frente a las habituales de menos del 2%. En el caso de los supermercados, Tesco en Reino Unido o Kroger en Estados Unidos obtienen tasas de más del 10% y hasta el 40% frente al habitual 1-2% del sector.

Por lo general hay que plantear el conjunto de campañas de seguimiento más efectivas, de acuerdo con todas las casuísticas que pueden producirse a lo largo de la relación con los clientes, en función del tiempo de compra, productos adquiridos, servicios asociados, garantías, etapa de la vida o etapa de la relación con la empresa. Así, una entidad financiera puede haber establecido centenares de mejores siguientes ofertas que el cliente recibirá integradas en un diálogo constructivo o de disparos de metralleta, dependiendo de la buena o mala ejecución práctica de una herramienta que tiene pleno sentido llevar a cabo.

¿Qué oportunidades tiene para explotar los datos en tiempo real en beneficio de sus clientes?

Ajustar los precios cada poco tiempo, para tener la propuesta más barata, la más rentable o la más adecuada a la situación de stocks. Podemos ver en el siguiente gráfico aparecido en Wall Street Journalhttp://www.wsj.com/articles/SB10000872396390443819404577633333676405996 un ejemplo de gestión dinámica de precios:

DynamicPricing

 

 

Adaptarse al estado de ánimo del cliente o al contexto en el que está la persona en ese momento por la observación de las imágenes que está colgando en su actividad social (Facebook, Instagram…) para ser relevantes en sus momentos de vida.

El impacto de la explotación de datos en tiempo real lleva incluso al desarrollo de un nuevo modelo de negocio en base a la información que se genera de forma continuada con el internet de las cosas. La disponibilidad continua de datos sobre el uso y el estado de los productos y la interacción continuada con clientes permite transformar los modelos de negocio hacia uno de servicios donde se puede ofrecer los productos convertidos en horas garantizadas de servicio o en un valor de servicio añadido por recomendación, detección de riesgos de salud, En definitiva, aparece la oportunidad creciente de aportar valor a lo largo de la vida del cliente, mucho más allá de la transacción inicial o de la operación puntual, poniendo en perspectiva el papel dentro de la extensión de la vida del cliente donde intervienen más aspectos y donde este se puede extender de forma exponencial por la mayor relevancia e impacto diferencial en su vida.

Monitorizar el funcionamiento de productos y servicios, recopilando información continuada en el tiempo, con todo tipo de indicadores de productividad, calidad y rendimiento. Aporta un valor de asesoramiento a clientes finales como servicio de valor añadido, mucho más que una inversión en un equipamiento.

Como comentaba un gerente de software de GE, su negocio es vender locomoción, no locomotoras,[2] pues GE ofrece un servicio permanente y de gestión de su máximo rendimiento y no simplemente la venta de equipamiento, a partir de la integración y explotación de los datos recopilados en el funcionamiento y uso de sus productos.

La necesidad competitiva de dar la respuesta en tiempo real en las interacciones con clientes ha llevado a implementar y perfeccionar los algoritmos que no solo generan incrementos adicionales de ingresos debido a la mayor afinidad y relevancia de las propuestas, sino que, además, permiten poner en valor actividades críticas que pueden diferenciar la experiencia de los clientes.

La exigencia de saber dar respuesta al crecimiento exponencial de datos y a darles sentido y respuesta en tiempo real es la gran oportunidad en la actualidad, que no depende solo de algoritmos, sino también de una exploración inteligente y una capacidad de identificar aspectos cualitativos, desde hipótesis razonables y combinaciones dinámicas con potencial.

Aunque parezca que existe software milagroso que descubre grandes oportunidades, es el trabajo de las personas de marketing y los analistas de datos que con la selección de la mejor metodología y la mejor interpretación de los datos que permitirán la máxima eficacia. Como comenta Utpal M. Dholakia en the perils of algortihm based marketing https://hbr.org/2015/06/the-perils-of-algorithm-based-marketing, inyectar humanidad en los algoritmos para que sean relevantes en la vida de las personas: adaptación al contexto, toques humanos de sorpresa o de emoción. Además, es clave la preparación de los datos, su interpretación y su explotación posterior. Y en cada una de estas fases se requiere de personas expertas con visión de negocio para plantear y extraer el máximo valor para la empresa y sus clientes.

Por lo general, la profunda comprensión del cliente aporta una perspectiva nueva y desconocida con anterioridad, desde una visión del cliente que le lleva a decir cosas como “es realmente lo que necesitaba”, “ahora sí que veo que me entiendes perfectamente” o “sabes más de mí que yo mismo”, en un plano de auténtica intimidad con la persona, entroncando con las etapas de la relación con el cliente y facilitando la toma de decisiones. Se trata de interpretar la realidad observada desde una comprensión con empatía de las vivencias de las personas en su entorno natural, en su lenguaje habitual, directo, espontáneo, al mismo tiempo que van sucediendo las situaciones cotidianas. Es importante retomar la visión de un niño que está abierto a todas las novedades y querer saber por qué las cosas son como son y por qué no lo son, abrir los ojos con una nueva perspectiva de las cosas, sin anteojos ni orejeras.

¿Cómo identificar lo que es realmente sustancial y diferencial para enfocar las decisiones de la manera correcta? La solución va más allá del algoritmo que puede ser el más efectivo a corto plazo, porque la respuesta en entornos muy cambiantes no viene de la máxima eficiencia hoy. Un gran ejemplo es el fracaso del modelo predictivo óptimo de Netflix obtenido a partir del famoso concurso premiado con un millón de dólares y que luego ha resultado válido sólo para el catálogo de DVDs pero no para las películas en video streaming que es la situación actual.al mañana.[i]

El análisis de los datos nos ha de llevar a un diagnóstico no sólo lo que ha ocurrido, sino del por qué, con un entendimiento de los desencadenantes, los impulsores y su mecanismo de actuación y funcionamiento detallado. Desde aquí se puede construir un modelo predictivo que ayude a la toma de decisiones con valoración del impacto futuro y evolución de los indicadores de lo que va a ocurrir clave objeto de valoración. Servirá para establecer una previsión de ventas más afinada, o como hemos visto la gestión de precios o la propuesta del producto siguiente más probable de éxito de venta o en la priorización de los clientes más probables de perderse para actuar o en qué siniestros o qué reclamaciones se pueden aceptar directamente sin intervención humana o, por el contrario, requieren de una atención especial por su valor o por la desviación de los parámetros que serían razonables.

La gestión inteligente de los datos disponibles en tiempo real debe, por tanto, ayudar a establecer cómo se debe actuar para que lo que se desea ocurra finalmente, de tal forma que seamos más relevantes en la vida de las personas en cada momento y extendamos el valor aportado más allá del producto y más allá de la utilidad inmediata de la compra o la transacción.

 

[1] https://hbr.org/2012/10/big-data-the-management-revolution/ar

[2] http://www.fastcompany.com/3031272/can-jeff-immelt-really-make-the-world-1-better , 18 de junio 2014.

[i] Luca, Michael, Harvard Business Review,  “Algotihms need managers, too” https://hbr.org/2016/01/algorithms-need-managers-too

Deja un comentario en “Explotación Smart del Big data. Cómo sacar provecho de la explosión de datos en tiempo real”

Requerido.

Requerido. No será publicado.

(Opcional)