Personalización para mantener al cliente en el centro de las organizaciones

El uso de

metodologías específicamente diseñadas para tener a la persona en el centro de cualquier experiencia se ha convertido

en una obligada actividad de innovación

a la hora de hacer Experiencia de Cliente.

En el siglo XXI, la innovación tecnológica tiene protagonismo relevante en la

transformación de la sociedad; tanto, que ya se habla de transformación global y no sólo de transformación digital.

La nueva pareja que acompaña a la dupla Persona-Cliente es Tecnología-Innovación. Los focus

group, la investigación del cliente, la definición estratégica de

objetivos, la exploración de ideas (incluidas las locas…), el prototipado y evaluación de las soluciones, etc, siguen

siendo igual de válidos que antaño. Pero hoy, la omnipresente tecnología en nuestras vidas cotidianas, nos lleva a

reflexionar sobre la influencia y

posibilidades que ofrece en el diseño

innovador de la Experiencia de Cliente.

Datos, el nuevo petróleo

Desde que

existen los departamentos dedicados a Inteligencia de Cliente, y de esto hace

ya muchos años, la información era y sigue siendo el activo sobre el que tomar

las decisiones estratégicas y tácticas, tanto en lo relativo a cliente

(segmentos) como a producto y/o servicio.

Este

paradigma sobre los datos crece exponencialmente con la aparición del Big

Data y las posibilidades que ofrece, especialmente, respecto a la

información no utilizada hasta ahora y que genera una capacidad competitiva muy

diferenciadora.

Se trata

de capturar la información no

estructurada, procesarla y accionar en base a ésta. Pues el objetivo último

de la ingente cantidad de información disponible, previamente capturada y

procesada, es ser activada; es decir, que genere

una acción relevante en la experiencia

de cliente.

Pero,

¿cuál es uno de los principales retos? Las capacidades de captura de la

información no estructurada, más allá del CRM, procesado y accionado, pueden

verse sometidas a la exigencia del

tiempo real, que requiere que los datos se capturen en ese mismo momento,

que se procesen y que se activen nada más son capturados. Esto exige disponer

de tecnología. Plataformas de analítica

que puedan abordar los datos en tiempo real, de forma automatizada, a gran escala

y a través de algoritmos implementados

en máquinas, que proporcionan esa capacidad de procesamiento que, a través

de la dedicación de personas, no sería factible.

Hacia los sistemas de IA

La inteligencia artificial (IA), que es la “inteligencia” creada  por hombres en máquinas que, intentamos que

piensen como humanos (automatizan actividades como la toma de decisiones, la

resolución de problemas y el aprendizaje), se presenta como la solución

tecnológica innovadora para mejorar la experiencia de cliente. En otros

términos, la IA es cualquier técnica que

habilita a las máquinas a imitar la inteligencia humana en la mejora de la

experiencia relacional con la empresa y la optimización de la experiencia de

cliente con rentabilidad.

No es nueva,

en los años 50 ya empezaron a verse

los primeros pasos en IA. Al hablar sobre ella, hay que destacar dos ramas: Machine

Learning y Deep Learning.

• Machine

Learning: se refiere al subconjunto de IA queincluye técnicas

estadísticas para el desarrollo de algoritmos cuyo rendimiento mejora a

medida que son expuestos a nuevos datos. El aprendizaje automático o

aprendizaje de máquinas es el subcampo

de las ciencias de la computación y una rama de la inteligencia artificial,

cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender.

Por ejemplo, el motor de sugerencias de precios de Airbnb, que tardó meses en desarrollarse y obtener cinco mil

millones de datos, tiene dos componentes principales: modelado con algoritmos y

aprendizaje automático (Machine Learning). Una característica de AirBnb presente desde 2015, es una guía

de actualización constante que les dice a los anfitriones, para cada día del

año, qué probabilidad tienen de obtener una reserva al precio que tienen

actualmente elegido. Los anfitriones pueden echar un vistazo a un calendario y

ver en qué fechas es probable que se reserven a su precio actual (verde) y

cuáles no (rojo), y también pueden recibir sugerencias de precios.

• Deep

Learning: es el subconjunto de Machine

Learning compuesto de algoritmos que

permiten el auto-entrenamiento para realizar tareas como el reconocimiento del

lenguaje natural o de imágenes, basado en redes neurales expuestas a

ingentes cantidades de datos. El aprendizaje profundo es un conjunto de algoritmos de clase aprendizaje

automático que intenta modelar abstracciones de alto nivel en los datos. Un

ejemplo de dicha abstracción puede ser el reconocimiento de caras en una foto o

vídeo en tiempo real. El sistema ha de ser capaz de reconocer lo que para

nosotros es una cara, dentro de la escena que captura, basándose en unos

patrones que han sido entrenados con un alto volumen de escenas previas.

Lo cognitivo como objetivo principal

Con la

singularidad tecnológica y el transhumanismo llamado a las puertas, las características

cognitivas inherentes a los seres humanos conforman

uno de los primeros objetivos de la

inteligencia artificial.

El

transhumanismo (abreviado como H+ o h+) se entiende como un movimiento cultural

e intelectual cuyo objetivo final es transformar la condición humana mediante

el desarrollo y la fabricación de tecnologías ampliamente disponibles, que

mejoren las capacidades humanas, tanto a nivel físico como psicológico o

intelectual.

Por otro

lado, vamos camino de lograr la singularidad, entendida como concepto de

aquello que es poco frecuente, fuera de la común o asombroso. La singularidad

tecnológica hace referencia a un hipotético momento en el cual el desarrollo de

la inteligencia artificial provocaría un profundo cambio en la sociedad. Para

que la singularidad tecnológica sea posible, se necesita que la inteligencia

artificial supere a la inteligencia humana.

Teniendo

en cuenta esta realidad, la inteligencia

artificial está enfocándose de forma absolutamente relevante en aquellos

sentidos cognitivosde

las personas como son la vista (reconocimiento visual), el habla y la

audición (lenguaje natural). Ya se aplica la IA para: predecir olores, para la

optimización de la inversión publicitaria, para ver la eficacia de la

estrategia de marketing de contenidos… Y, sin duda, vendrán más.

Ya he

comentado cómo un algoritmo es capaz de

capturar imágenes donde reconocer caras e identificar personas o reconocer el

lenguaje natural para mantener una conversación y extraer entidades e

intenciones.

De igual

forma, un algoritmo puede predecir el

abandono de un cliente tomando no sólo los datos transaccionales del CRM

(ventas, número de transacciones, life-time-value…), sino que puede añadir el comportamiento en su

huella digital como nueva variable de cálculo. El reconocimiento del lenguaje

natural permite captar características

codificadas en las expresiones que utilizamos las personas cuando hablamos.

Dichas características aportan connotaciones de personalidad y tono que un

algoritmo puede interpretar, como el rango emocional, la extroversión, la

responsabilidad, la cautela, entre otras.

Los chatbots

o asistentes virtuales constituyen

otros ejemplos donde la inteligencia artificial está aportando sus capacidades,

concretamente en el campo de los modelos conversacionales.

Dichos

modelos de conversación, en formato de chatbot,

pueden ser utilizados para notificar eventos, distribuir contenido, activar

clientes, dar soporte, escalar conocimiento, etc… El modelo conversacional está

basado en un conversación escrita o hablada, donde además de extraer las

entidades e intenciones contenidas en la misma, se puede obtener un análisis

del tono y de la personalidad de la persona que ha realizado la conversación.

La tendencia es hacia el dibujo de los rasgos

de personalidad que permitan una mejor personalización para el cliente. La

inteligencia artificial puede ayudar identificando de forma dinámica aquellos

atributos que identifican a las personas, y que hacen que los grandes segmentos

se conviertan en un nuevo conjunto de segmentos más pequeños, donde la

personalización es más selectiva, generando segmentos que antes no existían y

que pueden ser activados con actividades

de marketing muy concretas. El marketing

predictivo, por tanto, debe basarse en estos sistemas innovadores, que en

ningún caso deben matar la experiencia humana, sino todo lo contrario.

En el

libro ‘Customer Experience. Las claves de la

experiencia del cliente en la era digital cognitiva’ (ESIC),

que recientemente he escrito junto a Mikel Díez, recogemos una entrevista a David Vivancos, Artificial Intelligence

& Data Sicence Advisor CEO MindBigData Deep Learning & Brain, en la que

nos comenta que “vamos hacia un ser

humano que tenderá a aumentarse mediante tecnología, por lo que el concepto

que hoy conocemos de «humano» está evolucionando, yo creo que será una fusión.

No será, por supuesto, la «robotización» tal y como se entendía hasta hace unos

años, la idea es que no exista esa diferencia, es decir que no puedas por

ejemplo identificar si la respuesta que la empresa da a un cliente, la está

suministrando un robot y no un ser humano, y estamos muy cerca de que esto sea una realidad”.

En

palabras de Álvaro Ortín, CEO Enzyme

Advising Group, “combinar lo automático y lo humano nos llevará a sistemas híbridos donde cada usuario

encontrará la experiencia que mejor se

adecúe a su perfil más allá de lo tecnológico y donde el perfil emocional y

perceptivo será un valor añadido que la IA tendrá en cuenta”.