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.