Por qué la toma de decisiones con IA es lo mejor de todo

El marketing siempre ha estado plagado de palabras de moda, y dos de las que más se han oído últimamente son «personalización» e «IA». Parece ser que todos y todo están ayudando a los especialistas en marketing a personalizar, sin duda con la ayuda de la IA. En medio de todo este revuelo, es comprensible que los especialistas en marketing busquen explicaciones sencillas y propuestas de valor claras.

Una forma común de usar modelos de IA para personalizar es con los llamados

¿Cómo decidimos cuál es la mejor opción?

En principio, un modelo NBA podría ser muy simplista. Por ejemplo, un banco podría tener una regla del tipo: «Si un cliente abre una cuenta corriente, ofrécele una cuenta de ahorro». «Si un cliente abre una cuenta de ahorro, ofrécele una cuenta corriente». Por supuesto, esta sencilla regla no tiene nada que ver con la IA y probablemente ni siquiera merezca llamarse «la siguiente mejor acción».

En la práctica, los especialistas en marketing están utilizando distintos tipos de aprendizaje automático (ML) para resolver el problema de cuál es la mejor acción a seguir. Aquí tienes tres enfoques.

1. Modelos predictivos

La forma más habitual de abordar el NBA es implementar una serie de modelos predictivos, creados mediante un tipo de aprendizaje automático llamado aprendizaje supervisado. Por ejemplo, una empresa podría implementar un modelo para cada una de sus líneas de productos que analice los datos históricos y realice una predicción, teniendo en cuenta el perfil del cliente y su comportamiento de compra reciente, sobre la probabilidad de que realice su próxima compra en la categoría Y. Estos modelos se pueden combinar para realizar una predicción, por ejemplo, de los tres productos principales que se deben recomendar a cada cliente. Este enfoque funciona mejor en sectores como el de los servicios financieros, donde el número de productos o líneas de productos es relativamente reducido.

Sin embargo, este método tiene una limitación fundamental. Supongamos que un modelo indica, basándose en datos históricos de clientes similares, que lo más probable es que un cliente compre el producto Y. ¡Eso no significa que el producto Y sea el mejor para promocionar! Quizás siempre les mostramos a esos clientes el producto Y, y por eso lo compran, pero algunos de ellos podrían estar encantados de comprar el producto Z, que tiene un margen mayor. Por ejemplo, una empresa de streaming o de servicios públicos podría ofrecer a los clientes el siguiente nivel de suscripción, aunque algunos clientes se decantarían por «ofertas de salto» que permiten saltarse un nivel. Como la empresa nunca ha promocionado esos planes en esas situaciones, los clientes tampoco los han contratado. Así que, claro, el modelo predictivo no tiene forma de saber qué clientes se inclinan por el plan de mayor margen. En el ámbito del aprendizaje automático, estos modelos no exploran ni recomiendan opciones cuando aún no se conoce el resultado; es decir, no intentan experimentar.

2. Filtrado colaborativo

El método anterior no es viable para una empresa de comercio minorista que tiene que promocionar miles de productos, ni para una plataforma de streaming que tiene que recomendar miles de películas y series. En esos sectores, un enfoque habitual para el NBA es un tipo de aprendizaje automático llamado filtrado colaborativo. Un servicio de streaming, a la hora de elegir qué serie recomendar a un espectador, cuenta con un conjunto datos muy escaso

Los métodos de filtrado colaborativo de la NBA tienen las mismas limitaciones que el enfoque de los modelos de propensión: se basan en datos históricos y no exploran otras opciones que podrían ser mejores que las que han funcionado en el pasado. A medida que cambien los mercados y el comportamiento del cliente, el modelo tardará en adaptarse.

3. toma de decisiones mediante IA

A diferencia de los dos enfoques anteriores, que se basan exclusivamente en datos históricos para hacer predicciones, la toma de decisiones mediante IA utiliza el aprendizaje por refuerzo, un tipo de aprendizaje automático que experimenta y aprende. Los agentes de toma de decisiones basados en IA exploran el conjunto de acciones posibles, probando nuevas opciones para descubrir qué es lo que mejor funciona para cada persona. En lugar de limitarse a hacer lo que mejor ha funcionado en el pasado, los agentes de toma de decisiones basados en IA pueden experimentar y descubrir de forma empírica, por ejemplo, qué clientes están dispuestos a aceptar ofertas con un margen más alto que el especialista en marketing quizá no les haya hecho en el pasado.

Un motor de toma de decisiones basado en IA, como el que utiliza Braze AI Decisioning Studio, experimenta y aprende utilizando todos los datos de clientes disponibles. Los agentes de IA aprenden y hacen recomendaciones basándose en cientos de características de los clientes a partir de todos los datos propios disponibles, ofreciendo recomendaciones verdaderamente personalizadas.

¿Cuándo es la próxima vez? ¿Y qué es una acción, al fin y al cabo?

Imagina que un especialista en marketing ha elegido un modelo, quizá uno de los descritos anteriormente, para determinar la siguiente mejor acción. Eso nos lleva a preguntarnos: ¿qué es una acción? Y ya que estamos, ¿cuándo es «la próxima vez»? No son preguntas capciosas: los especialistas en marketing tienen que tomar muchas decisiones a la vez cuando realizan la interacción con sus clientes.

Cuando los especialistas en marketing hablan de una «acción», normalmente se refieren a un producto, una promoción o una oferta que podrían proponer a un cliente. El modelo de un especialista en marketing podría indicarle que la mejor promoción que puede ofrecer al cliente X es el producto Y. Pero eso no le dice todo lo que necesita saber. Por ejemplo, ¿cuál es el incentivo económico adecuado? Tal vez el descuento es demasiado grande, y el cliente se habría convertido felizmente con un incentivo menor. Por otro lado, el modelo de NBA no indica cuándo debe hacerse la oferta. En otras palabras, ¿cuándo debe realizarse la “siguiente” mejor acción? ¿Debería el especialista en marketing enviar el correo electrónico hoy o la semana que viene? ¿Por la mañana o por la tarde? Al fin y al cabo, poco importa que ofrezcamos el producto adecuado si el cliente no lee el correo electrónico. Quizás el cliente se interese más si el correo electrónico tuviera una línea del asunto o un diseño diferente. Es más, ¿es mejor contactar a este cliente por correo electrónico o con un mensaje de texto o una notificación push? Si el cliente nos ignora, ¿cuánto tiempo es mejor esperar antes de volver a contactarlo?

Está claro que no basta con conocer el siguiente mejor producto u oferta. Aunque normalmente no pensaríamos en el canal, la hora del día, el día de la semana o el tono de la línea del asunto como acciones, se trata de decisiones que un especialista en marketing debe tomar. De poco sirve decir «Usamos la mejor acción siguiente para realizar la personalización» si las ofertas personalizadas se envían en el momento equivocado, con la frecuencia equivocada, por el canal equivocado o con el incentivo equivocado.

Los especialistas en marketing no solo tienen que encontrar la siguiente mejor acción, tienen que encontrar lo mejor de todo.

Por qué la toma de decisiones con IA es lo mejor de todo

La toma de decisiones basada en IA, que se basa en el aprendizaje por refuerzo, no se limita a buscar el mejor producto u oferta para cada cliente. La toma de decisiones basada en IA puede determinar simultáneamente el mejor canal, la hora del día, el día de la semana, la frecuencia, el mensaje, la creatividad... o, de hecho, cualquier otro parámetro que un especialista en marketing quiera probar. Además, la toma de decisiones basada en la IA no se limita a repetir lo que ha funcionado bien en el pasado, sino que descubre de forma empírica la mejor opción para cada persona en particular.

La toma de decisiones basada en IA no se limita a la «siguiente mejor acción», es la mejor opción en todo.