91 640 41 50 hola@artyco.com
Cómo mejorar la CX con analítica predictiva.

Cómo mejorar la CX con analítica predictiva.

Cómo mejorar la CX con analítica predictiva.

La mayoría de las compañías, hoy día, utilizan sistemas de encuestas para medir la experiencia de cliente con sus servicios y su marca. Sin embargo, esta metodología provoca una preocupación por aumentar constantemente la tasa de respuesta de esas encuestas, que es reducida, así como la obtención a tiempo, de los datos resultantes. Sin embargo, hay otras empresas que ya están utilizando los datos accesibles a través de la interacción con los usuarios y sus móviles, siempre de forma legal, para pasarlos por una analítica de datos, la cual les aporta inmediatez e incluso proactividad, repercutiendo directamente en el diseño de experiencias de cliente excelentes. ¿Quieres saber más sobre ello? Aquí te lo cuento.

Las empresas que están más cerca de la analítica de datos, o que han sabido ver antes que otras, cómo puede ayudarles esta, están impulsando sus capacidades de análisis y datos, y aprovechando la información predictiva para conectarse más estrechamente con sus clientes, anticipar comportamientos e identificar problemas y oportunidades de CX en tiempo real. Estas empresas pueden comprender mejor sus interacciones con los clientes e incluso adelantarse a los problemas en sus customer journeys.

En cuanto a los clientes, estos están obteniendo determinados beneficios, como por ejemplo la compensación rápida por el retraso de un vuelo. Los pioneros en el mundo de la analítica de la experiencia del cliente anuncian un cambio fundamental en la forma en que las empresas evalúan y dan forma a las experiencias de los clientes.

A través de la analítica y la ciencia de datos, los programas de CX del futuro llegarán a ser holísticos, predictivos, precisos y claramente vinculados a los resultados comerciales. La evidencia sugiere que las ventajas serán sustanciales para las empresas que comiencen a desarrollar las capacidades, el talento y la estructura organizacional necesarios para esta transición. Aquellas empresas que sigan con los sistemas tradicionales se verán obligados a ponerse al día en los próximos años, sí o sí.

 

Los 4 principales problemas que tienen las encuestas en la medición de la CX.

4 Fallos de las encuestas de CX

Si bien las encuestas en sí mismas son un medio válido para recopilar información sobre los clientes, se quedan cortas como herramienta de gestión para medir el rendimiento de CX e identificar y actuar sobre las oportunidades de CX.

Para que las organizaciones lideren desde una posición customer centric, necesitan cada vez más una visión integral del recorrido completo del cliente, así como la capacidad de obtener un conocimiento profundo sobre lo que impulsa la experiencia del cliente. Necesitan señales inmediatas e individuales para tomar medidas «en el momento» y crear experiencias relevantes para cada cliente, y deben demostrar que las mejoras de experiencia en las que les gustaría invertir darán como resultado un ROI positivo.

Con las encuestas tradicionales, esto no lo puedes lograr, ya que disponen de 4 fallos principales:

 

#1. Ofrece un resultado limitado.

La encuesta típica de CX muestra solo el 7% de los clientes de una empresa (según datos de McKinsey), lo que proporciona una visión extremadamente limitada de lo que los clientes experimentan y valoran.

Pero los expertos y responsables de la experiencia de cliente son conscientes de ello, ya que aproximadamente el 87% de ellos muestran desconfianza respecto a que los datos que arrojan dichas encuestas respecto a la CX sean representativos para el total de su base de datos de clientes.

#2. Implica ser reactivos.

Las encuestas son una herramienta que te da una visión pasada, en un mundo donde los clientes esperan que sus inquietudes se resuelvan cada vez más rápidamente. La mayoría de los expertos han detectado la necesidad de actuar sobre los problemas de CX en tiempo real, sin embargo, todos son conscientes que lograrlo con los sistemas actuales es prácticamente imposible.

#3. Dan insights ambiguos.

A menudo, las encuestas no revelan las causas fundamentales del sentimiento del cliente. De hecho, las puntuaciones pueden variar en función de muchos factores externos, incluidos el sesgo geográfico, lo que dificulta realizar un análisis confiable de la causa raíz, utilizando solo encuestas.

#4. Están desenfocados.

Normalmente, las puntuaciones obtenidas tras una encuesta son asociadas a ciertos resultados comerciales, tras una iniciativa de CX originada a consecuencia de ello, sin embargo, lo cierto es que no hay evidencia clara de esa relación. Y es que, según McKinsey, sólo el 4% de las compañías que desarrollan el CX, tienen claro que su sistema les permite calcular el ROI de cada decisión de CX que toman.

 

Como puedes ver, el sistema de encuesta no es tan fiable como nos gustaría. Para solucionarlo, entra en juego otro sistema el cual tiene en cuenta una mayor variedad de datos, ofreciendo un conocimiento predictivo del cliente, el cual logrará convertir esas desventajas en oportunidades. Vamos a verlo.

 

El conocimiento predictivo del cliente es el futuro del CX

La analítica predictiva para el CX

¿Por qué utilizar una encuesta para preguntar a los clientes sobre sus experiencias cuando los datos sobre las interacciones del cliente se pueden utilizar para predecir la satisfacción?

Las empresas ahora tienen acceso a una gran variedad de conjuntos de datos:

  • Datos internos sobre interacciones con los clientes (tanto digitales como analógicos), transacciones y perfiles.
  • Conjuntos de datos de terceros ampliamente disponibles que cubren las actitudes de los clientes, los comportamientos y preferencias de compra y los comportamientos digitales, incluida la actividad en las redes sociales.
  • Y nuevos conjuntos de datos sobre la salud, el sentimiento y la ubicación de los clientes (en las tiendas, por ejemplo) generados por el Internet de las cosas (IoT).

Con esta información, todo pasa por crear una plataforma predictiva de experiencia de cliente que conste de tres elementos clave:

 

#1. Un Data Lake a nivel de cliente.

Normalmente, de un cliente se pueden recopilar grandes cantidades de datos, como los propios sobre el cliente, financieros y operativos. Todos esos datos, deben de ser procesados y almacenados en una plataforma basada en la nube (Data Lake).

Estos conjuntos de datos a nivel de cliente, completos, conectados y dinámicos, permiten a la organización mapear y rastrear el comportamiento del cliente a través de interacciones, transacciones y operaciones. En contra, las encuestas reflejan las opiniones de un subconjunto de clientes en un solo punto de su journey, en el pasado.

Estos conjuntos de datos almacenados en Data Lakes, son los que permitirán acceder al mapeo general de la experiencia del usuario con la marca, así como poder iniciar un proceso de analítica y predicción.

 

#2. Predictive customer scores.

La mejor manera de detectar eventos específicos en el journey del cliente, así como realizar un seguimiento de qué influye en la satisfacción del cliente y el rendimiento comercial, es a través de la analítica y el uso de diferentes algoritmos de machine learning.

Estos algoritmos, generan puntuaciones predictivas para cada uno de los clientes en función de las características de su journey con la marca. Este scoring a su vez, permite a la empresa predecir la satisfacción del cliente de manera individual y valorar los resultados, como los ingresos, la lealtad y el costo de servicio. En términos más generales, permite a los responsables de CX evaluar el ROI para inversiones de CX particulares y vincular directamente las iniciativas de experiencia de cliente con los resultados comerciales.

 

#3. Motor de acción y conocimiento.

Para poder gestionar todo esto, es necesario disponer de un sistema CRM que permita introducir información y conocimiento a toda aquella persona dentro de la compañía que esté involucrada en la CX. A través de este CRM, será posible compartir información y por medio de una conexión a una plataforma predictiva de CX lograr que la empresa mida y gestione mejor su rendimiento de experiencia de cliente, pero también predecir la satisfacción con el fin de tomar decisiones y lanzar acciones más ágilmente que repercutan en una mejora de dicha satisfacción predicha, en el caso de no ser la adecuada.

De este modo, las plataformas predictivas de CX, se convierten en la base para vincular la experiencia de cliente con el valor y para construir acciones claras que ayuden a mejorarla de forma continua.

En artyco podemos ayudarte a crear o implantar una plataforma que cumpla con tus objetivos, así como poner en marcha un sistema de analítica predictiva que te haga ir por delante en cuanto a la satisfacción individual de tus clientes en cada punto de su journey con tu marca. ¿Hablamos?

Emilio Fernández Lastra

Chief Marketing Officer

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Qué son las redes neuronales y cuál es su aplicación en el marketing

Qué son las redes neuronales y cuál es su aplicación en el marketing

Qué son las redes neuronales y cuál es su aplicación en el marketing

Las redes neuronales son una amplia familia de algoritmos de machine learning que han formado la base de la rama de Data Science e Inteligencia Artificial llamada Deep Learning, la cual ha obtenido grandes resultados en distintas áreas como la clasificación de objetos en imágenes, predicción del comportamiento de usuarios, reconocimiento de voz, etc. Día a día está teniendo cada vez más trascendencia en la industria del marketing, ¿quieres saber más sobre ello? Aquí te lo cuento.

Las redes neuronales y el Deep learning se hicieron muy populares en 2015 cuando AlphaGo, un algoritmo creado en base a tecnología de redes neuronales y aprendizaje profundo ganaba al actual campeón del juego de mesa japonés, Go.

Pero técnicamente, ¿qué es una red neuronal? Una red neuronal, es un algoritmo que consiste en simular el comportamiento de un cerebro biológico mediante miles de neuronas artificiales interconectadas que se almacenan en filas llamadas capas, formando miles de conexiones.

Existen varios tipos de redes neuronales, como son las monocapa o perceptrón simple, perceptrón multicapa (MLP), convolucionales (CNN), redes neuronales recurrentes (RNN), de retroalimentación o redes de base radial (RBF).

Además, según el método que tengan de aprendizaje también se pueden clasificar como aprendizaje supervisado, aprendizaje por corrección de error, estocástico, aprendizaje autosupervisado, hebbiano, competitivo y comparativo, o por último, aprendizaje por refuerzo.

Las redes neuronales se utilizan por ejemplo para:

  • Para problemas de clasificación, como, por ejemplo, obtener la probabilidad de que un cliente te compre frente a que no te compre).
  • Problemas de regresión, como, predecir el número de compradores que voy a tener de un producto.

Parecen un campo interesante, ¿verdad? Sin embargo, como todo, tienen sus ventajas y desventajas. Vamos a verlas.

Ventajas y desventajas del uso de las redes neuronales.

Todo en esta vida tiene su lado positivo y negativo. Las redes neuronales no son diferentes, así que es mejor conocer cuáles son los suyos. Si analizamos los pros y contras de las redes neuronales, tendríamos lo siguiente.

Ventajas principales:

  • Su principal ventaja está en que son modelos de vanguardia que capturan de una forma óptima y efectiva características complejas, obteniendo resultados con una alta precisión.
  • El procesado de la información es local, es decir que al estar compuesto por unidades individuales de procesamiento, dependiendo de sus entradas y pesos, y de que todas las neuronas de una capa trabajan en forma paralela, proporcionan una respuesta al mismo tiempo.
  • Los pesos son ajustados basándose en la experiencia, lo que significa que se le tiene que enseñar a la red lo que necesita saber antes de ponerla en funcionamiento.
  • Las neuronas son tolerantes a fallos, si parte de la red no trabaja, solo dejará de funcionar la parte para que dicha neurona sea significativa, el resto tendrá su comportamiento normal.
  • Las neuronas pueden reconocer patrones que no han sido aprendidos, sólo deben tener cierto parecido con el conocimiento previo que tenga la red. Dicho de otra forma: si la entrada presenta alguna alteración la red podrá identificarla siempre y cuando se mantenga cierto grado de similitud entre lo aprendido y lo mostrado en la entrada de la red.

Desventajas principales:

  • Las redes neuronales necesitan un mayor preprocesamiento de los datos, siendo bastante sensibles a las distintas escalas de las variables. Suelen necesitar mayor volumen de datos para el entrenamiento del modelo y requieren de alta capacidad de recursos computacionales.
  • Complejidad de aprendizaje para grandes tareas, cuanto más se necesite que aprenda una red, más complicado será enseñarle.
  • Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si se incrementa la cantidad de patrones a identificar o clasificar, y segundo, si se requiere mayor flexibilidad o capacidad de adaptación de la red neuronal para reconocer patrones que sean sumamente parecidos, se deberá invertir más tiempo en lograr que la red converja a valores de pesos que representen lo que se quiera enseñar.
  • No son fácilmente explicables. Conocer las reglas o motivos por los que la red devuelve esos resultados no suele ser fácil y precisa de otras analíticas.

Una vez que tenemos las ventajas y desventajas, vamos a ver su aplicación real en el marketing.

Aplicación de las redes neuronales en el campo del marketing.

Las redes neuronales se aplican en diversas áreas desde hace ya muchos años, como es el caso de la biología, que la usa principalmente para aprender más acerca del cerebro. Otra área en el que es habitualmente utilizada, es en el campo del medio ambiente, donde se analiza la tendencia y patrones o la predicción del tiempo. En medicina, está funcionando excelentemente para la predicción de tumores o anomalías, así como para elaborar diagnósticos y tratamientos complejos a seguir, en función de unos síntomas.

En el campo de las finanzas, se utiliza habitualmente en todo lo relacionado con la previsión de la evolución de precios, valoración de riesgo de créditos o identificación y falsificaciones.

Como puedes comprobar, tiene una aplicación directa en muchas áreas, y como no, en el del marketing también.

En el ámbito de la empresa y más concretamente en el del marketing, tiene diversos usos:

  • Predicción de ventas.
  • Identificar patrones de comportamiento.
  • Reconocimiento de caracteres escritos.
  • Predicción del comportamiento del consumidor.
  • Personalización de estrategias de marketing.
  • Crear y entender segmentos de compradores más sofisticados.
  • Automatizar actividades de marketing.
  • Creación de contenido.

De todos sus usos, el mayor se encuentra en la analítica predictiva, ayudando a los profesionales del marketing a poder realizar predicciones sobre el resultado de una campaña, reconociendo las tendencias de campañas anteriores.

Actualmente, con la aparición del Big Data, ha hecho que esta tecnología sea realmente útil para el marketing, ya que podemos disponer de muchos más datos que hagan mucho más precisas esas predicciones. Al disponer de predicciones más precisas, los responsables de marketing podrán afinar mucho más a la hora de determinar cómo invierten su presupuesto de marketing

Como has podido ver, las redes neuronales son algoritmos complejos que tienen cada vez más propensión de futuro en distintas aplicaciones, otorgando a la humanidad grandes beneficios en el ámbito de la Inteligencia artificial.

En artyco utilizamos este tipo de predicciones con el objetivo de aportar a nuestros clientes un marketing cada vez más inteligente, que les permita optimizar cada día más sus presupuestos. ¿Quieres que te ayudemos con el tuyo?

Lorena Rodríguez

Head of Customer Data Analytics

“Actualmente hay una gran diferencia entre la IA y el negocio. El reto esta en reducirla.”

¿Te ha parecido interesante lo que has leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados