Machine Learning Archivos - artyco | the data driven company
91 640 41 50 hola@artyco.com
Cómo determinar el Pricing a través de la Inteligencia Artificial

Cómo determinar el Pricing a través de la Inteligencia Artificial

Cómo determinar el Pricing a través de la Inteligencia Artificial

La optimización de los precios es una tarea de enorme trascendencia para cualquier empresa, ya que, mediante este, además de hacer competitiva su oferta comercial, va a incidir directamente en los beneficios de la compañía, a través del incremento o reducción del margen. El correcto establecimiento de estos precios, así como su variación a lo largo del tiempo sabiendo tener en cuenta múltiples variables, puede ser determinante para la empresa. Y una excelente manera de hacerlo eficazmente es a través de la Inteligencia Artificial. ¿Quieres saber de qué manera? Te lo cuento.

Como bien sabes, la Inteligencia Artificial o IA (en inglés artificial intelligence – AI) es llevar la inteligencia humana a una máquina, la cual es capaz de tener en cuenta muchas más variables y de una manera más rápida y eficaz, que un ser humano, para desempeñar una acción, realizar una hipótesis o sacar una conclusión, entre otras muchas cosas.

Uno de los campos en los que mayor actividad está teniendo la IA, es en el marketing, en el que empresas como Netflix, Amazon o L`Oreal están liderando en sus respectivas industrias, el uso de esta inteligencia, para sacar mayores beneficios en su cuenta de resultados.

En este aspecto, si quieres profundizar en ello, te recomiendo que eches un vistazo a este post que escribí hace tiempo sobre “Usos y aplicaciones de la Inteligencia Artificial en el Marketing” en el que te hablo de su uso en el Data Driven Marketing, la automatización de procesos, la interacción personalizada, la creación de contenidos o la publicidad programática.

Sin embargo, otro de los campos en los que más se está sacando provecho a la IA, es en la disciplina del customer intelligence, en el que se están consiguiendo grandes avances y beneficios descubriendo la “personalidad de compra” de un consumidor, gracias al volumen de datos que disponemos, los cuales trabajados correctamente con una metodología de Data Management, aplicamos una vez preparados, el Deep Learning. Este proceso, nos está permitiendo, entre otras cosas, encontrar productos a través de imágenes y no palabras clave, identificar logotipos en imágenes dentro de las diferentes plataformas sociales, o predecir las preferencias de los usuarios en cualquier eCommerce. – “Cómo hacer Customer Intelligence con Inteligencia Artificial”.

Como puedes imaginar, el Pricing es un área en el que la Inteligencia Artificial aporta múltiples ventajas. Este, más que muchos otros, se nutre de datos, muchos datos… los cuales le sirven para alimentar los diferentes escenarios de negocio. Estos datos, unidos a una tecnología que ayude a generar esa inteligencia artificial, hacen posible lo que se conoce como “nueva gestión de precios”.

Vamos a ver de qué manera podemos hacer Pricing con inteligencia artificial. El proceso para llegar a este, sería el siguiente. Vamos a ello.

 

Paso 1: Acceso y uso de las fuentes de datos

Acceso a datos para determinar Pricing

Lo primero que debe hacer cualquier empresa es definir y poner en actualidad el acceso a los datos y su integración.

Toda empresa tiene acceso a datos de diversas fuentes, tales como el ERP, el CRM, Facebook, Google… y a través de múltiples formas como pueden ser un archivo, una API o una base de datos. Toda esta información se puede almacenar en la nube, a través de plataformas como AWS o Azure. Sin embargo, ante tal cantidad de datos, tipos y plataformas, no debemos perder el foco de cuáles de estos datos necesitamos para poder optimizar nuestros precios.

Con esta filosofía, podríamos decir que los principales datos que necesitaremos analizar son:

  1. Datos transaccionales. Este es quizás uno de los datos más importantes para el pricing, ya que va directo a la cuenta de resultados y la rentabilidad de la empresa.
  2. Datos relacionados con el stock. Qué productos tenemos y cuál es la disponibilidad de estos, es fundamental para determinar el precio final.
  3. La demanda. Monitorizando y obteniendo información sobre el interés de los consumidores en adquirir nuestro producto, es decir, la posibilidad de conocer la demanda, nos ayudará a crear una política de pricing dinámico, el cual varíe en función de la demanda detectada previamente. Sectores como la aviación comercial, tienen muy desarrollada este tipo de políticas.
  4. El contexto. Este aspecto tiene que ver con cualquier evento, promoción o suceso que pueda marcar un cambio en las tendencias habituales de demanda de la marca. Un factor de contexto significativo ha sido por ejemplo la crisis del COVID-19, pero también puede ser un mundial de fútbol si eres un vendedor de ropa deportiva o el Black Friday si eres de electrónica de consumo.
  5. La estrategia. La determinación del precio, se verá enormemente influenciada por la estrategia que tenga la compañía en cuanto a posicionamiento, objetivos, política comercial, etc.

Una vez tengamos claro cuáles de esos datos pueden influir en nuestro producto y cómo podemos acceder a ellos, limpiarlos homogeneizarlos y almacenarlos, llegaría el momento de tratarlos, ¿cómo?

 

Paso 2. Creación de modelos avanzados

Analítica avanzada para Pricing

Una vez que ya tenemos establecidas las bases sobre las que trabajar el Pricing, es hora de aplicarle una capa de inteligencia de negocio y algoritmos de machine learning. En establecimiento de precios, los más destacables son:

  1. Segmentación. Gracias a la segmentación, lo que hacemos es clusterizar o trocear las múltiples opciones que nos dan los datos, como por ejemplo las relacionadas con el contexto (si está lloviendo, si son las vacaciones de verano, si es Navidad…); relacionados con el canal en el que se vende (Amazon, El Corte Inglés, tienda online propia…); en función del perfil sociodemográfico o patrón de compra del consumidor; en función del dispositivo favorito (móvil, ordenador, teléfono…); la geolocalización… y muchos más. Con Machine learning aplicado a esto mismo, nos puede permitir asignar unos precios u otros de manera inteligente, aumentando la conversión, al ser más a medida del público al que nos estamos dirigiendo, el momento y el medio.
  2. Predicción. Esta es clave para llegar a realizar un ajuste de los precios en tiempo real, o lo que se llama “precios dinámicos”. A través de modelos de regresión, por ejemplo, logramos predecir la relación entre unidades vendidas y precio, intensidad promocional, tipo de producto, perfil del cliente… Amazon por ejemplo, utiliza un algoritmo para crear sus precios dinámicos, los cuales varían en función del stock y unos competidores concretos. Según los expertos, Amazon es capaz de cambiar 2,5 millones de precios al día, ajustándolos a sus necesidades.
  3. Optimización. Esta es otra de las funcionalidades, por llamarlo de alguna manera, para aplicar el Pricing a través de modelos avanzados, es decir, optimizar maximizando la rentabilidad, teniendo en cuenta los patrones de navegación, otras transacciones, el momento actual… La alemana Blue Yonder, fundada por el profesor Michael Feindt, excientífico del CERN e inventor de una metodología única para resolver problemas complejos de optimización llamada NeuroBayes, ha conseguido generar millones de modelos de optimización en tiempo real, lo que a su vez, le ha permitido al distribuidor Morrisons evitar roturas de producto y adaptarse inmediatamente a la crisis del COVID-19.

Sin embargo, no todo se puede quedar en la capa analítica, ya que estamos hablando de negocios y como tales, debe existir una capa que trate precisamente este aspecto.

 

3. Prescripciones para el negocio

Predicción de negocio a través del Pricing

El éxito de poder hacer un correcto Pricing a través de la Inteligencia Artificial, como hemos visto, pasa por los datos, la tecnología, y como no, a través del conocimiento del negocio.

El negocio debe ser el punto de partida para saber hacia donde tenemos que ir, y el de llegada. Entre medias, está todo lo expuesto anteriormente.

En este punto, ya final, la IA debe ayudar a través de prescripciones, en los siguientes ámbitos:

  1. Fijación final del precio. A través de la integración de datos y de modelos y soluciones, la IA puede determinar en tiempo real los precios de los productos, catálogos, a la vez que aporta una coherencia respecto a los precios de otros países, otras familias de productos, etc.
  2. Fijación de descuentos y rebajas. La Inteligencia artificial puede ayudarnos a determinar cuándo poner en promoción un producto, cuándo establecer un período de rebajas y qué precio adoptar.
  3. Portfolio y mix de ventas. Una de las importantes funciones que tiene la IA en el pricing, está relacionada con la variación de precio de un producto, para que este impacte sobre otros productos de la familia, maximizando la rentabilidad de la categoría general de esos productos. Empresas como Coca-Cola han abierto un área nueva dedicada a la Gestión del Crecimiento de Ingresos, la cual está poniendo en marcha este tipo de prácticas.

 

Como has podido ver, la determinación de precios de manera automática e inteligente, a través de datos, algoritmos y tecnología es posible. Sólo es necesario conectar, por ejemplo,  los servicios de comercio electrónico más populares (Google Analytics, Magento, Prestashop, Shopify y otros), así como otras fuentes de datos internas (ERP y CRM de la empresa) y externas, y, a través de un núcleo de aprendizaje profundo (machine learning) que analiza tanto datos internos y externos, como precios fijos y estacionales, averiguaremos las causas que están originando cambios en los precios de un determinado sector, ajustándolos de forma automática y sin necesidad de intervención humana.

La estrategia de Pricing, no obstante, puede y debe ser supervisada por personas de forma manual. No obstante, el precio que propone la IA ayuda a fijar los precios, ya que además de aportar valor a los clientes, busca la mayor rentabilidad para la empresa.

¿Estás buscando automatizar procesos a través de machine learning? En artyco podemos ayudarte.

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 leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

hola@artyco.com

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Cómo el machine learning está detrás de las cosas más cotidianas

Cómo el machine learning está detrás de las cosas más cotidianas

Hace unas semanas compartíamos a través de nuestras redes sociales lo contentos que estábamos porque nuestras compañeras del departamento de Customer Intelligence, Lorena López y Lorena Rodríguez, participaron como ponentes en el curso de la UCM: Matemáticas para el mundo y para la sociedad. Durante su intervención, presentaron la aplicación de las Redes Bayesianas en los análisis de grandes cantidades de datos y, además, tuvieron la oportunidad de formar parte de una mesa redonda, donde explicaron los servicios del departamento y su funcionamiento.

Os lo resumimos en los siguientes párrafos:

Primera parte. Redes Bayesianas

Debido a la necesidad de tomar decisiones rápidamente en un mundo que está en continua transformación, es fundamental disponer de herramientas que nos ayuden a extraer el valor real de los datos que reside en la información que podamos obtener de ellos. Información que nos ayude a mejorar nuestra comprensión de los fenómenos que nos rodean. Se trata de interpretar grandes cantidades de datos y encontrar relaciones o patrones. Para ello, harán falta técnicas de aprendizaje automático, Machine Learning, a partir de las cuales seremos capaces de aprender reglas a partir de los datos.

Nuestra compañera Lorena López Valdivia junto con su tutora de Doctorado Paloma Maín Yaque proponen las Redes Bayesianas (RBs) como método para la realización de este análisis, como tuvieron ocasión de explicar en los recientes Cursos de Verano de El Escorial.

¿Qué son las Redes Bayesianas?

Las RBs son un modelo de representación de conocimiento. Modelos que describen las relaciones de dependencia/independencia entre las variables, expresando además de forma numérica la fuerza de dichas relaciones.

Lo que hace que su uso sea verdaderamente atractivo es el hecho de utilizar una representación gráfica para la explicación de la información. A parte de su habilidad de organizar un problema de una forma sencilla y secuencial a través del conjunto de variables y de las relaciones de dependencia existente entre ellas. Abordan dos problemas importantes como son la incertidumbre y la complejidad permitiéndonos aprender sobre las relaciones de dependencia y causalidad ya mencionadas, así como evaluar todas las historias posibles. Con este modelo, además, vamos a poder predecir o estimar valores de interés en situaciones o casos aún no observados.

 

Formalmente, una RB se define como un grafo acíclico dirigido (DAG) donde los nodos representan variables aleatorias que pueden ser continuas o discretas y los arcos representan las relaciones de dependencia directa entre las variables.  redes-bayesianas
Ejemplo de Red Bayesiana Nodos/Variables = {A, B, C, D, E, F, G, H, I}
Arcos = La unión entre cada nodo.

En definitiva, una red puede considerarse como una representación gráfica compacta de una evolución de todas las posibles historias relacionadas con un escenario. Por tanto, la estructura de la red nos da información sobre las dependencias probabilísticas entre las variables pero también sobre las independencias condicionadas de una variable (o conjunto de variables) dada otra u otras variables.

De esta manera, destacamos que las RBs son una herramienta innovadora que nos posibilita, entre otras cosas:

  • Diseñar el valor del ciclo de vida del cliente
  • Prevenir el riesgo de abandono de los clientes
  • Segmentar a los clientes
  • Construir una relación sólida con el consumidor

Y en definitiva tomar mejores decisiones.

 

Segunda parte. Mesa redonda «Machine learning y las matemáticas que hay detrás»

Durante la segunda parte de la jornada se realizó una mesa redonda dónde junto con la representación de Artyco (Lorena López Valdivia y Lorena Rodríguez Chamorro), estuvieron Paloma Maín Yaque y Javier Yáñez Gestoso, ambos profesores titulares en la Facultad de Ciencias Matemáticas de la Universidad Complutense de Madrid y Lucas García Rodríguez que actualmente trabaja en Mathworks desarrollando algoritmos de identificación de imágenes.

En ella dimos a conocer quiénes somos, cuáles son nuestros servicios y hacia dónde queremos dirigirnos, poniendo así en antecedentes a los alumnos para posteriormente detallar cómo desde Artyco integramos el Machine Learning en el entorno del Marketing. Cómo, con tanto flujo de información y fuentes de datos tan diversas resulta necesario disponer de una buena capacidad de análisis, así como formación en Matemáticas/Estadística para desarrollar las distintas técnicas que nos brinda el Machine Learning, con las que obtenemos ese conocimiento a partir del cual, somos capaces de medir de forma más efectiva nuestras campañas, haciéndolas más rentables, optimizar la atención de los clientes, mejorar la adquisición de los mismos y su conversión mediante el uso de la segmentación, crear nuevas oportunidades, anticiparnos al comportamiento del cliente… nos reporta un sinfín de beneficios, haciendo mención especial a la mejora en la toma de decisiones.

Se les explicó como los conocimientos que están adquiriendo en la Universidad pueden ser llevados a la práctica, y en un ámbito aparentemente tan distinto como puede ser el Marketing, en el que se hace indispensable tener un buen análisis de los datos para una correcta gestión y un buen enfoque de cada proyecto, y por lo tanto, el marketing se nutre de resultados y análisis matemáticos.

Mencionamos diversos casos reales dónde se han utilizado distintas técnicas de Machine Learning cómo, por ejemplo, la ya mencionada Redes Bayesianas, y otros procedimientos tales como, Algoritmos de agrupamiento, Árboles de decisión, Reglas de asociación, Series Temporales, aplicadas a diferentes estudios, como son: Segmentación de Clientes, Probabilidad de compra, Predicción de Ventas, Análisis del Comportamiento del Cliente, entre otros.

Finalmente, los cinco integrantes de la mesa redonda tuvimos la ocasión de valorar la importancia de las matemáticas para el Mundo y para la Sociedad, así como resolver las cuestiones que a lo largo de la jornada fueron planteadas.

 

Para concluir, nos gustaría reflejar lo enriquecedor que ha sido poder ser partícipes de esta jornada, tanto a nivel profesional como personal. Agradecer a la Universidad la oportunidad de dar a conocer la investigación que estamos realizando a través del Doctorado sobre las Redes Bayesianas cómo técnica de apoyo a la toma decisiones, acción que cada vez se hace más difícil por el desbordamiento de información y que en Artyco estamos aplicando en diversos proyectos, proporcionándonos tan buenos resultados.

Dedicamos una parte a conversar sobre cómo las matemáticas han evolucionado en el tiempo y cómo este hecho ha provocado a la Sociedad a seguir evolucionando, adaptándose a los continuos cambios, pudiendo comprobar como el machine learning está detrás de las cosas más cotidianas.

Por último, no podíamos irnos sin transmitir el auge actual del perfil técnico, Matemáticos/Estadísticos y lo importante que es actualmente disponer dentro de la organización de estos perfiles capaces de explotar la gran cantidad de información que generamos diariamente y convertirla en conocimiento.

¿Quieres predecir tus ventas?

Te ayudamos a conocer el comportamiento de tus clientes, a fidelizarlos y a predecir sus compras maximizando tus resultados.

Sobre Big Data, Social CRM, Azure y Excel aplicados al Marketing

Sobre Big Data, Social CRM, Azure y Excel aplicados al Marketing

Cada día utilizamos más tecnicismos en Marketing y algunos de éstos no siempre tienen definiciones entendibles por todos. Hoy Ignacio Escolano, nuestro Director de Estrategia, acerca estos términos para hacerlos más comprensibles y optimizarlos en nuestras estrategias.

Siempre he sido un apasionado de la estadística. De la estadística aplicada al Marketing: entender qué está pasando en el mercado, cuál es mi competencia, qué opinión hay de mi empresa, cómo saber si va a funcionar el lanzamiento de mi nuevo producto…

Según Albert Einstein,  ”La única fuente de conocimiento es la experiencia”, por eso debemos empezar por estudiar los datos históricos para entender qué ha pasado y qué puede pasar. ¡Y predecir! Predecir para adelantarse, para ser el primero y el mejor. La competencia en el mercado es feroz y la velocidad con la que cambian las cosas es fascinante. Para estar a la cabeza debemos estar continuamente tomando el pulso del mercado.

Aplicar el BIG DATA al Marketing es nuestra misión.

Los análisis de sentimientos en España han sido básicos o inexistentes durante mucho tiempo. El uso de tecnologías de procesamiento de lenguaje natural es cada vez más común para la gestión de reputación on-line, pero también se puede utilizar para identificar crisis u oportunidades, y actuar.  Esto último, es tan importante como lo primero. El Big Data es en tiempo real, si somos incapaces de limpiar, procesar y analizar en “real time” o “near real time”, no estamos aprovechando el potencial del Big Data.

La ironía humana en el lenguaje dificulta este tratamiento, y más si es en castellano. Además, todo proyecto de este tipo es único. Los algoritmos se van adaptando a cada cliente, cada producto y necesidad, y para ello se requiere de herramientas “machine learning” que “pulen” los modelos predictivos.

Las Empresas se enfrentan a varios cambios significativos: su madurez social y su nivel de reacción. Las empresas tienen que cambiar urgentemente, deben dar mucho más peso a sus empleados, a sus proveedores y por su puesto a sus clientes. Deben tener una estructura flexible que sepa reaccionar rápidamente, y que sea cercana y transparente.

¿Qué peso debe tener el Social CRM en una empresa?

Muchas empresas tienen verdaderos problemas para “colocar” en el organigrama al Social CRM. ¿De quién depende, de Comunicación, de Marketing, de IT, de todos o de ninguno? Unas veces está separado el CRM del Social Media y cada uno “navega” por su lado. En algunas ocasiones la falta de liderazgo, la falta de implicación de la Dirección o la necesidad de recursos, hacen fracasar cualquier proyecto de Social CRM. Otras veces el “outsourcing” es un buen paso para despegar.

¿Base de Datos, Datawarehouse, Big Data…? En Social CRM ya no hay un id de cliente único. Ahora hay millones de “usuarios” que pueden o podrían ser nuestros clientes, prescriptores o nuestros peores enemigos. Interactúan con nosotros alguna vez pero en la mayoría de las ocasiones a nuestras espaldas, o por lo menos eso creen. Para todo ello hay que evolucionar las plataformas de CRM y ampliar su información completando la información social que nos ofrece Internet..

La nube y Azure

En todo esto cobra mucha importancia la nube y Microsoft lo sabe. Azure es una plataforma ofrecida como servicio que abre un mundo de posibilidades al mundo del Social CRM.

Artyco Customer Database Marketing apuesta por Azure y su entorno híbrido, ya que utiliza el estándar abierto VHD, que permite mover las cargas de trabajo del centro de datos a AZURE o a otro proveedor de servicios de hospedaje y de nuevo al entorno local.

Podemos estar trabajando con una compleja plataforma de BIG DATA sobre Azure pagando sólo por el uso que se hace de ella. Incluso se puede utilizar, a partir de julio, el novedoso servicio de Machine Learning que ofrece Azure, donde los clientes podrán probar y construir los modelos en la nube y lanzar servicios de predicción a través de web service.

The business world runs on Excel

Microsoft sigue apostando por dotar a Excel de capacidades de procesamiento y análisis de la información. Creemos que con el Office 365 + Sharepoint 2013 incluyendo Power BI, ha dado un gran paso posicionándose dentro de las tres mejores plataformas de BI en 2014 según Gartner. Quizás le falta un poco de madurez, integración de los diferentes productos y mejora en el lenguaje natural para las consultas. Esta última parte es muy interesante ya que acerca la información al responsable de marketing y le ayuda a ser ágil en la toma de decisiones. Gracias a esta nueva manera de trabajar se pueden generar cientos de “snake campaign ”; se preparan rápidamente, son flexibles y con resultados medibles.

Con un nivel experto en Excel, se pueden crear indicadores: cuadros de mando, acceder con facilidad a fuentes externas de información (incluyendo Hadoop) para enriquecer nuestros datos, crear modelos estadísticos sencillos y de nivel avanzado, procesar grandes volúmenes de datos con rapidez, diseñar mapas dentro del propio Excel, compartir y colaborar con otros usuarios dentro y fuera de la compañía, incluso en una reunión en línea, ver gráficos animados, etc.

En definitiva, la tecnología y el Marketing están más unidos que nunca y existen herramientas y conceptos cada vez más generalizados y que es necesario conocer para sacar el máximo partido a éstos.

Desde ARTYCO Customer Database Marketing te animamos a descubrir lo que la tecnología al servicio del Marketing es capaz de hacer por ti.

¿Quieres predecir tus ventas?

Te ayudamos a conocer el comportamiento de tus clientes, a fidelizarlos y a predecir sus ventas maximizando tus resultados.