USO DEL MACHINE LEARNING Y LA INTELIGENCIA ARTIFICIAL EN MARKETING
Por: Ing.
José Cotos
Estoy analizando un interesante paper de tres profesores de
tres universidades distintas. Uno es profesor en University of Rome Tor Vergata,
Italia. El segundo es profesor en University of Bari Aldo Moro, Italia. Y el
tercero es profesor en la Ecole Polytechnique HEC París, Francia.
La contínua proliferación de datos representa una
oportunidad y un desafío para las compañías. Se aprovecha la gran cantidad de
datos estructurados y no estructurados, los algoritmos de Machine Learning
pueden respaldar las operaciones y permitir decisiones informadas.
Los objetos con Internet de las Cosas además de aparatos con
Inteligencia Artificial, generan un flujo masivo y contínuo de datos. Al
analizar tantos datos, el Big Data, se puede estudiar el comportamiento
colectivo a gran escala, detectando modelos y anomalías interesantes mediante
aplicaciones de inteligencia artificial y machine learning. Los expertos en
Marketing y gestión buscan continuamente adquirir y transformar de forma
adecuada dichos datos, mediante un estudio y análisis adecuado, en información
significativa.
Las aplicaciones de Machine Learning permiten explorar datos
para derivar correlaciones, patrones y con ello, modelos predictivos, útiles
para aplicaciones de marketing.
El Machine Learning aprende del comportamiento y las
preferencias de los usuarios que navegan en internet. Estos sistemas escogen
rápido los anuncios que se mostrarán. La gama de aplicaciones del Machine
Learning en las empresas es amplia, abarcando asistentes virtuales, chatbots,
la creación de anuncios diseñados según el perfil del usuario objetivo hasta la
optimización del presupuesto. Muchas empresas nativas digitales, como Google,
Netflix, Spotify, Meta y Uber, aprovechan esta oportunidad y reconocen cómo
estas tecnologías pueden respaldar la creación de plataformas y son capaces de
comprender necesidades de la gente y proveer sugerencias basadas en sus intereses.
Aproximadamente, el 84% de agencias de marketing implementan proyectos de
Machine Learning y de Inteligencia Artificial, y el 75% de grandes empresas ha
mejorado su satisfacción al consumidor en 10%.
Muchas empresas utilizan la IA y el Machine Learning para
comprender mejor las necesidades de los consumidores, predecir la demanda
futura, optimizar el servicio al cliente y permitir que los bots contesten
consultas de servicio sencillas para mejorar la experiencia del consumidor.
Algunas aplicaciones de Inteligencia Artificial en automatización de
operaciones, como en Prime Air de Amazon.com que usa drones para automatizar
envíos y en Lowe que usa un robot autónomo, LoweBot, para identificar artículos
perdidos en supermercados y guiar a los consumidores hacia los productos que
necesitan. También, el Machine Learning se usa en sistemas de recomendación,
búsquedas web, reconocimiento de voz, visión artificial, procesamiento del
lenguaje natural y muchos más.
Los sistemas de Machine Learning se han categorizado en: (1)
aprendizaje supervisado, (2) aprendizaje no supervisado; y (3) aprendizaje por
refuerzo.
En el Machine Learning supervisado, los algoritmos modelan
las relaciones y dependencias entre las variables de entrada y los resultados
esperados. Entrenado el algoritmo, el sistema de Machine Learning crea una
función predictiva capaz de estimar la respuesta correcta a partir de una
entrada aleatoria.
Se pueden utilizar algoritmos como árboles de decisión,
bosques de decisión, regresión logística, máquinas de vectores de soporte,
redes neuronales, máquinas Kernel y clasificadores bayesianos. Entre ejemplos
de aplicación de Machine Learning están los clasificadores de spam de correo
electrónico, los reconocedores faciales y los clasificadores de texto.
En los sistemas de Machine Learning no supervisado, los
algoritmos no intentan predecir un resultado específico. Buscan identificar las
propiedades estructurales de los datos de entrada para establecer
representaciones útiles del conjunto de datos. Buscan asociaciones dentro de
los datos dado, sin necesidad de ninguna entrada etiquetada. Los dos paradigmas
más comunes del Machine Learning no supervisado son la reducción de dimensión y
la agrupación en clústeres.
La reducción de dimensión transforma datos de un espacio de
alta dimensión a un espacio de baja dimensión. Esto incluye varios métodos,
como el análisis de componentes principales, el aprendizaje de variedades, el
análisis factorial, las proyecciones aleatorias y los autocodificadores. Un
ejemplo de reducción de dimensión es el modelado de temas, que se utiliza para
descubrir estructuras semánticas ocultas en documentos de texto. Aquí, las
técnicas de agrupamiento en clústeres, intentan identificar segmentos en los
datos observados, sin etiquetas específicas que ilustren las particiones
deseadas. Los segmentos detectados se utilizan luego como reglas para
clasificar datos futuros.
Ejemplos de Machine Learning no supervisado incluyen la
segmentación de consumidores y mercados, la clasificación y la detección de
valores atípicos. Los algoritmos de Machine Learning por refuerzo funcionan sin
un conjunto de datos de entrenamiento. En este caso, el algoritmo actúa en un
entorno dinámico desconocido y aprende mediante retroalimentación inmediata y
contínua (función de recompensa), lo que permite al sistema mejorar a medida
que construye el centro de datos. Ejemplo de aprendizaje por refuerzo es la
publicidad en Facebook; el algoritmo prueba el anuncio en todo el espectro de
segmentación y, y si tiene éxito, analiza los datos para ajustar su público
objetivo.
Otro ejemplo, son los sistemas de recomendación que se
adaptan a las preferencias en constante evolución de los consumidores. También
coexisten sistemas híbridos que combinan los tres métodos de aprendizaje del
Machine Learning. El aprendizaje semisupervisado tiene datos de entrada sin
etiquetar para ampliar los datos etiquetados en un entorno de aprendizaje
supervisado.
Se clasificó las aplicaciones de Inteligencia Artificial en:
(1) Robótica y automatización cognitiva para automatizar las tareas
administrativas aplicando automatización robótica de procesos, (2) Perspectivas
cognitivas para hallar patrones en los datos y transformarlos en conocimiento
útil a través de algoritmos de Machine Learning; y (3) Compromiso cognitivo que
busca involucrar a los consumidores y empleados gracias a chatbots, agentes
inteligentes y Machine Learning. Otros intentos de sistematizar aplicaciones
basadas en Segmentación, Targeting y Posicionamiento (STP) y acciones de Marketing
Mix (4 Ps) son usadas. La publicidad personalizada emplea Machine Learning y
STP. El Data Mining ayuda a definir segmentos, descubriendo patrones que la
intuición y la experiencia humanas por sí solas no detectarían.
Algunos ejemplos de aplicación de Inteligencia Artificial en
Producto, son la hiperpersonalización, recomendaciones automáticas y desarrollo
de nuevos productos. Para Precios, se automatizan los pagos (Ejemplos: Apple
Pay, Google Pay, Pay Pal) y los algoritmos de aprendizaje por refuerzo pueden
ajustar dinámicamente los precios, considerando las elecciones del consumidor,
las acciones de la competencia y los parámetros de la oferta. La Promoción se
aplica en el marketing de redes sociales, el marketing móvil y la optimización
de motores de búsqueda, automatizando la planificación de medios publicitarios,
la investigación de palabras clave, las pujas en tiempo real y la segmentación
en redes sociales.
También hay una interesante clasificación de las
aplicaciones de la Inteligencia Artificial: la IA mecánica, la IA pensante y la
IA sensible. La IA mecánica implica la automatización de procesos estándar; la
IA pensante, que proceso los datos para obtener información que respalde la
toma de decisiones y ayuda a obtener una ventaja competitiva; la IA sensible
analizar las necesidades y emociones de los consumidores.
El análisis sugiere que la IA se puede utilizar para
aumentar la satisfacción del consumidor mediante la personalización de la
experiencia. Para ello, se crean comunicaciones personalizadas para cada
consumidor, basadas en patrones sociodemográficos y comportamientos de compra
previos. El Machine Learning predice las necesidades de los consumidores y
define segmentos de consumidores similares, lo cual permite a la empresa
ofrecer ofertas personalizadas precisas.
La segmentación es cada vez más precisa, capturando gran
número de microsegmentos precisos. Es posible gracias a algoritmos de Machine
Learning como el modelado de propensión, el análisis de conglomerados y los
árboles de decisión, así como el aprendizaje por refuerzo, y las técnicas de
minería de texto. Harley Davidson ha implementado Albert AI, una plataforma de
marketing basada en IA, dirigida a consumidores con alto potencial y
personalizar la campaña de marketing, esto aumenta las ventas al tercer mes.
También implementan recomendaciones personalizadas para impulsar las ventas y
la interacción con el consumidor. Los sistemas de recomendación analizan el
historial de compras de los consumidores, así como el comportamiento de consumidores
similares, para predecir y sugerir otros artículos que podrían interesarles.
Netflix usa un sistema de recomendación avanzado que predice
lo que los usuarios disfrutarían viendo y enviando sugerencias. También hay la
optimización del surtido. Esto involucra la predicción, y optimización de la
distribución, el inventario, los expositores y la distribución de las tiendas
(físicas y online), así como los facilitadores de búsqueda por voz y visual. Se
hace uso de robots. Lowebot, en las tiendas Lowe’s Home Improvement, puede
comprender las solicitudes de los consumidores y buscar el estante preciso
donde está la mercadería.
Se mejora la experiencia de consumo lo que implica la mejora
del producto, la mejora de la experiencia y el servicio digital al consumidor.
El Internet de las Cosas recolecta datos exhaustivos y en tiempo real sobre el
uso del producto por parte del consumidor. Ejemplo: La empresa de domótica June
desarrolló un horno multifunción que integra siete electrodomésticos en uno.
Puede identificar y cocinar alimentos gracias al Machine Learning y al
Artificial Vision, y recomendar un programa de creación en consecuencia.
Ejemplo de mejora de la experiencia es la “Magic Band” de Walt Disney, una
pulsera que rastrea los movimientos de los visitantes en los parques y resorts
de Orlando y recoge información sobre su comportamiento. La pulsera sirve como
llave de habitación y pase para atracciones, así como billetera electrónica
para pagos. Además de la pulsera Disney, los consumidores pueden indicar sus
preferencias en la página web antes de su llegada para disfrutar de una
experiencia, completamente personalizada en el parque. El servicio digital al consumidor
lo brindan los chatbots, centrados en la automatización y la mejora de la
atención al cliente.
Mediante el procesamiento del lenguaje natural, los chatbots
pueden responder diversas preguntas y dar soporte rápido y preciso a toda hora
a los consumidores. Son fáciles de implementar, rentables y escalables
fácilmente Hay personas que no se sienten cómodas hablando con un chatbot. La
Liga Profesional de Fútbol de Japón ha implementado un chatbot con IA.
Las empresas necesitan conocer el mercado en que operan,
predecir su evolución y tendencias futuras, e identificar cambios en el
comportamiento de la competencia.
Se respaldan los métodos tradicionales de investigación de
mercado mediante análisis basado en Machine Learning. La minería de texto es
una herramienta poderosa para obtener información a partir de reseñas,
opiniones y comportamiento online, en formato de texto, imagen, audio o video.
Es posible realizar análisis más avanzados con algoritmos de Deep Learning,
como el análisis predictivo, la creatividad computacional, los algoritmos de
personalización y los sistemas de procesamiento del lenguaje natural. Hay un
Proyecto Genoma Social de Walt-Mart que monitoriza las conversaciones públicas
en redes sociales para obtener información sobre las preferencias de las
personas y predecir tendencias futuras. En la percepción del consumidor se incorporan
datos no estructurados del consumidor, para comprender mejor sus necesidades y
deseos.
Cuando los consumidores interactúan con la IA (con bots
conversacionales), las técnicas de Artificial Vision y Machine Learning
detectan sus emociones a partir de expresiones faciales, gestos corporales, voz
y movimientos oculares, lo cual brinda información más completa sobre las
preferencias de los consumidores.
Los algoritmos de Machine Learning pueden medir la
elasticidad del precio de los consumidores y adoptar los precios mediante el
uso de precios dinámicos. Al poder cambiar los precios dinámicamente, basándose
en las condiciones del mercado y la sensibilidad del precio del consumidor,
permite a las empresas conseguir una gran ventaja competitiva.
La IA impulsa las pruebas A/B, la reducción del abandono del
carrito de compras online, la segmentación de anuncios contextuales, la puja
por palabras clave, y la automatización de la creación de contenido.
Entre las conclusiones se han sacado nubes de palabras,
sale: Mejorar los fundamentos de compra, mejorar la experiencia de consumo,
mejorar las finanzas, mejorar la toma de decisiones.
Las nubes de palabras usan cada una, una clase específica de
algoritmos: la primera usa Machine Learning y Modelado de propensión para la
personalización, y el procesamiento del lenguaje natural (PLN) permite la
escucha en redes sociales. La tercera nube de palabras son aplicaciones
financieras basadas en algoritmos de optimización. La cuarta nube de palabras
usa tecnologías de IoT y Aprendizaje por refuerzo para mejorar la toma de
decisiones. Varias de estas aplicaciones son de acceso abierto como TensorFlow
o lenguajes como Python o R.
Los hallazgos de la investigación corroboran el paradigma
del Marketing 5.0 de Kotler ya que intentan explotar al máximo la aplicación de
tecnologías que imitan a los humanos para crear, comunicar, ofrecer, y aumentar
valor a lo largo del recorrido del cliente, lo que requiere esfuerzos tanto en
el rediseño de actividades orientadas al negocio como al consumidor.
La utilidad de este estudio está en que usa el Machine
Learning para identificar nuevas variables y patrones confiables, pero aún
inexplorados. Los hallazgos podrían ampliarse conduciendo una encuesta
exhaustiva o una revisión bibliográfica más amplia basada en más fuentes.
En mi opinión, los mejores aportes de la IA y el Machine
Learning al Marketing están en comprender mejor las necesidades de los
consumidores, predecir la demanda futura, optimizar el servicio al cliente. Y
por supuesto, sus intentos de sistematizar la Segmentación, Targeting y
Posicionamiento (STP) y su influencia en las acciones de Marketing Mix (4 Ps).
El Data Mining ayuda a definir segmentos, descubriendo patrones que la
intuición y la experiencia humanas por sí solas no detectarían.
Sus aplicaciones al Marketing Mix han sido bien explicadas.
El Machine Learning ayuda a la Investigación de Mercados usando Minería de
Texto a partir de opiniones online en formato de texto, imagen, audio o video.
A partir de ello, extrae información de mercados clave. También se mencionó que
se puede realizar análisis más avanzados con el Deep Learning, con sus
algoritmos de análisis predictivo, la creatividad computacional, los algoritmos
de personalización y los sistemas de procesamiento del lenguaje natural. Con
Artificial Vision y Machine Learning, se detectan emociones de las expresiones
faciales, gestos corporales, voz y movimientos oculares. Todo esto brinda
información más profunda de las preferencias de los consumidores.
Recordar que se pueden hacer más descubrimientos con una
encuesta exhaustiva. Un Focus Group podría administrarse en vez de la encuesta
exhaustiva que podría salir cara. Puedo concluir, que son muchas las aplicaciones
positivas al Marketing y hay que motivar a los expertos en Marketing que sigan
una Maestría en Inteligencia Artificial donde aplicarán principalmente, Machine
Learning, Deep Learning y Artificial Vision al Marketing. El Perú necesita más
expertos en Marketing que sepan de Inteligencia Artificial. Motivar a la
superación a sus colegas de Marketing.
