La revolución de los datos en marketing

La personalización es la forma en que las marcas se acercan a los clientes para provocar, establecer y desarrollar una relación que no solo sea más agradable, sino que también sea significativamente más rentable. Considere que:

• 80 por ciento de los clientes son más propensos a comprar a una marca que ofrece experiencias personalizadas.
• 77 por cientode los clientes pagarán más a una marca que les ofrece experiencias personalizadas.
• 72 por ciento de los clientes solo interactuarán con marcas que ofrezcan experiencias personalizadas

La mejor, y en muchos escenarios la única, forma en que las marcas pueden acercarse a los clientes de una manera agradable, escalable y rentable es entregando contenido, contenido y aún más contenido excelente. Esto es aún más crítico en el espacio B2B, donde accede el prospecto promedio (que generalmente está compuesto por varios profesionales) 13 piezas de contenido antes de tomar una decisión final de compra. Cualquier pieza de contenido, ya sea un libro electrónico, un seminario web, un libro blanco, etc., que no informe, impresione e influya podría estancar o terminar la relación.

Sin embargo, puede ser extremadamente difícil para las marcas determinar:

• ¿Qué contenido debemos crear?
• ¿A quién debemos entregar contenido?
• ¿Cuándo debemos entregar contenido?
• ¿A través de qué canales y puntos de contacto debemos entregar contenido?

Estas son preguntas fundamentales que no se pueden ignorar, porque no solo influyen en si una marca tendrá éxito, sino que a gran escala y a largo plazo, pueden determinar si una marca sobrevivirá. Afortunadamente, existe una forma probada y práctica para que las marcas obtengan las respuestas y los conocimientos que necesitan, y comienza con el análisis predictivo.

En esencia, el análisis predictivo implica el uso de datos históricos para generar información, que a su vez ayuda a predecir resultados futuros. Esto generalmente se hace asignando una probabilidad (también conocida como puntaje predictivo) a la posibilidad de que una determinada unidad o entidad, como un segmento de clientes, actúe de cierta manera dado un conjunto de detalles y variables. Hay tres tipos principales de modelos predictivos:

• Modelos de regresión: Estos identifican patrones en grandes conjuntos de datos para estimar las relaciones entre variables. Por ejemplo, una marca podría usar este enfoque para identificar la influencia de los costos de envío en las decisiones de compra.
• Árboles de decisión: Estos son impulsados por algoritmos que recopilan diferentes formas de dividir los datos en segmentos ramificados y en forma de árbol (de ahí el nombre). Por ejemplo, una marca podría usar este enfoque para identificar cuál de los tres posibles nuevos productos agregar a su lista.
• Redes neuronales (también conocidas como redes neuronales artificiales): Se utilizan para resolver consultas de reconocimiento de patrones altamente sofisticadas y multifacéticas. Por ejemplo, una marca podría usar este enfoque para predecir la probabilidad de que un cliente potencial haga clic en un anuncio.

El análisis predictivo tiene aplicaciones prácticas en muchos campos, como la atención médica, los seguros, los servicios financieros, las telecomunicaciones y la ciberseguridad. En marketing, las marcas exitosas utilizan diferentes tipos (y subtipos) de análisis predictivo para capturar métricas e indicadores clave de rendimiento (KPI) como:

• Valor de por vida del cliente
• Atribución de marketing
• Recomendaciones de productos
• Efectividad de la campaña de marketing y ROI

La buena noticia es que el análisis predictivo puede ser extremadamente útil para pronosticar eventos, así como la probabilidad de que los cambios tengan en los resultados futuros. Podríamos usar modelos de regresión, por ejemplo, para decirnos que si reducimos las tarifas de envío en un 10 por ciento, dentro de un mes deberíamos ver un aumento en las ventas generales en un 16 por ciento, lo que compensaría nuestros costos adicionales y aumentaría el valor de por vida del cliente.

Sin embargo, la mala noticia es que el análisis predictivo puede ser menos perspicaz en escenarios que se caracterizan por un cambio significativo, porque los datos históricos no son una base confiable sobre la cual pronosticar eventos y resultados futuros. Por supuesto, no tenemos que buscar mucho y mucho un ejemplo de esto en la realidad: la pandemia que estalló en 2020 desencadenó problemas complejos y nuevos que el análisis predictivo convencional luchó por pronosticar, ya que el paradigma era dramáticamente diferente.

Afortunadamente, ahí es donde la AI y el aprendizaje automático entran en la historia.

En esencia, la AI consiste en simular la inteligencia humana a través de sistemas informáticos ("máquinas inteligentes") que se basan en datos externos y algoritmos internos para tomar decisiones. En general, hay tres tipos de sistemas de AI:

• Inteligencia General Artificial (AGI), en el que los sistemas pueden realizar cualquier tarea de la que sea capaz un ser humano, pero con mucha más competencia, velocidad, precisión y resistencia. AGI es actualmente hipotético.
• Superinteligencia artificial (ASI), en el que los sistemas son conscientes de sí mismos y superan la inteligencia y las capacidades de los humanos. Junto con AGI, ASI también es hipotético.
• Inteligencia artificial estrecha (ANI), en el que los sistemas están diseñados para realizar un objetivo singular (por ejemplo, buscar en la web, impulsar aplicaciones de asistente de voz, etc.).

Uno de los tipos más populares de ANI es el aprendizaje automático. Al igual que el análisis predictivo, el aprendizaje automático es un método de análisis de datos, ya que automatiza el proceso de creación de modelos analíticos mediante la creación y el perfeccionamiento de algoritmos para buscar patrones y comportamientos en los datos.

Sin embargo, a diferencia del análisis predictivo, no es necesario decir qué buscar en el aprendizaje automático. En otras palabras, el aprendizaje automático no está anclado ni limitado por datos históricos. Literalmente "aprende haciendo", por lo que está siendo adoptado por los especialistas en marketing de todo el mundo. Exploramos por qué en la siguiente sección.

Hasta ahora, hemos discutido que:

• El análisis predictivo consiste en utilizar modelos basados en datos históricos para pronosticar eventos futuros.
• AI se trata de crear máquinas inteligentes para simular la capacidad de pensamiento y el comportamiento humanos.
• El aprendizaje automático se trata de máquinas inteligentes que aprenden de datos, experiencias o ambos, pero sin tener que ser programadas explícitamente para hacerlo.

La integración de los tres abre posibilidades significativas, y de alguna manera asombrosas, para las organizaciones en una variedad de industrias. Por ejemplo:

• Las organizaciones de la industria de servicios financieros están utilizando AI para detectar y frustrar el fraude.
• Las organizaciones de la industria de la ciberseguridad están utilizando AI para prevenir amenazas y responder a ataques activos en tiempo real.
• Las organizaciones de la industria minorista están utilizando AI para planificar qué artículos almacenar en función de las tendencias, la temporada y otros factores.

Pero, ¿qué pasa con la entrega de contenido, que como señalamos anteriormente es la clave para la personalización? ¿Se aplica la AI aquí? Absolutamente. Estas son algunas de las formas notables en que los especialistas en marketing son aprovechar la AI (y su subconjunto de aprendizaje automático) para impulsar el compromiso y la experiencia en todo el recorrido del cliente:

• Segmentación automatizada de clientes: AI puede analizar el comportamiento de navegación de los visitantes del sitio web (qué hacen, cuándo lo hacen, cuánto tiempo lo hacen, si lo han hecho antes, etc.) y colocarlos automáticamente en segmentos de audiencia preconstruidos.
• Creación automatizada de nuevos segmentos: La AI puede detectar si el comportamiento de navegación de los visitantes del sitio web no se alinea con los segmentos de audiencia preconstruidos y crear otros nuevos (esta es una ilustración perfecta del valor del aprendizaje automático).
• Personalización automatizada: AI puede entregar contenido de forma selectiva a los clientes en cada segmento y en el momento óptimo de su viaje. Por ejemplo, a los clientes en la "etapa de conocimiento", que desconocen en gran medida o en su totalidad sus opciones, se les podría pedir que descarguen un libro electrónico que les proporcione una lista de verificación de cómo optimizar su proceso de investigación y evaluación. Alternativamente, a los clientes que están más avanzados en su viaje y listos para tomar una decisión final de compra se les puede pedir que vean o lean testimonios, estudios de casos u otras formas de prueba social que les permitan avanzar con confianza en una transacción.
• Pruebas A/B automatizadas: AI puede ejecutar pruebas A/B divididas en varios activos de contenido (libros electrónicos, libros blancos, listas de verificación, infografías, banners, imágenes, etc.) e identificar cuáles se están convirtiendo de manera efectiva y cuáles deben actualizarse o retirarse.
• Etiquetado automatizado de contenido: La AI puede deducir lo que representa una imagen o un vídeo y etiquetarlos automáticamente en consecuencia (por ejemplo, "tren", "playa", etc.). Esto no solo ayuda a descomponer Silos de contenido, pero también libera a los especialistas en marketing para que dediquen menos tiempo a tareas manuales tediosas y más tiempo a prioridades de alto valor.

Como podemos ver, el análisis predictivo, la AI y el aprendizaje automático tienen el potencial de ayudar a las marcas a mejorar drásticamente los resultados de marketing y, quizás aún más importante, dados los eventos recientes, florecer y aprovechar nuevas oportunidades, en lugar de luchar y enfrentar contratiempos, durante condiciones inciertas y volátiles.

Sin embargo, intentar establecer y aplicar análisis predictivos, AI y aprendizaje automático sin la arquitectura adecuada puede generar caos en lugar de claridad, problemas en lugar de ganancias. Esto nos lleva a otra pieza fundamental del rompecabezas: las plataformas de datos de clientes (CDP).

Los CDP son soluciones de software empaquetadas que crean una base de datos de clientes persistente y unificada a la que pueden acceder otros sistemas. El Customer Data Platform Institute Desglosa esta definición:

• "Software empaquetado": un CDP es un sistema preconstruido que está configurado para satisfacer las necesidades de cada cliente. Se requerirán algunos recursos técnicos para configurar y mantener el CDP, pero no requiere el nivel de habilidad técnica de un proyecto típico de almacén de datos. Esto reduce el tiempo, el costo y el riesgo al tiempo que brinda a los usuarios comerciales más control sobre el sistema.
• "Crea una base de datos de clientes unificada y persistente": un CDP crea una visión integral de cada cliente mediante la captura de datos de múltiples sistemas, vinculando información relacionada con el mismo cliente y almacenando la información para rastrear el comportamiento a lo largo del tiempo. El CDP contiene identificadores personales que se utilizan para orientar mensajes de marketing y realizar un seguimiento de los resultados de marketing a nivel individual.
• "Accesible a otros sistemas": los datos almacenados en un CDP pueden ser utilizados por otros sistemas para el análisis y la gestión de las interacciones con los clientes.

Esta definición es un buen punto de partida. Pero no es la historia completa, porque desencadena una pregunta de importancia crítica: ¿cuál es la funcionalidad esencial de un CDP y qué debe ser capaz de hacer? Sin esta información de fondo, los especialistas en marketing corren el riesgo de elegir la solución incorrecta.

Afortunadamente, no se requiere prueba y error. Una solución CDP superior se construye con tres capas: segmentación, toma de decisiones y optimización

• Segmentación: esta capa rastrea cada clic, búsqueda y señal de compra de perfiles de clientes conocidos y anónimos. También consolida y conecta todos los datos de los clientes en un solo lugar, crea perfiles y segmentos de clientes con datos en tiempo real e integra datos sin problemas de toda la organización. La segmentación robusta y confiable puede verse como el "motor" de una solución CDP.
• Toma de decisiones: esta capa utiliza análisis predictivos, AI y aprendizaje automático para impulsar interacciones positivas a lo largo del recorrido del cliente. También aprovecha los datos de clientes y negocios junto con el contexto en tiempo real, utiliza tecnología de toma de decisiones para tomar decisiones poderosas basadas en datos y permite pruebas A / B en cualquier canal digital, lo cual es fundamental para la optimización inteligente y la experimentación basada en datos confiables frente a sentimientos viscerales. Esta capacidad de toma de decisiones poderosa, confiable y en evolución (es decir, "aprender haciendo") es lo que hace que una solución CDP sea "inteligente".
• Optimización: esta capa orquesta cada interacción en todos sus canales, crea experiencias fluidas que saltan de un canal a otro, ofrece experiencias hiperrelevantes para cada cliente y activa mensajes personalizados para ayudar a los clientes a tomar medidas. La capa de optimización se puede ver como el "centro" de una solución CDP.

Si bien algunos Soluciones CDP son extremadamente sofisticados (y pueden parecer ciencia ficción a algunas personas fuera del mundo del marketing dado lo poderosos, efectivos, útiles y precisos que pueden ser), elegir el correcto no requiere un doctorado.

Especialistas en marketing que se enfocan en un CDP La solución construida con las tres capas descritas anteriormente (segmentación, toma de decisiones y optimización) puede estar segura de que su inversión será gratificante en lugar de lamentable.

En las últimas décadas, y especialmente desde que estalló COVID-19, el marketing ha experimentado cambios tremendos. Los clientes quieren saber que las marcas que eligen aún pueden tratarlos como las personas que son. Y las marcas quieren que los clientes sepan que están comprometidos a construir, proteger y desarrollar una relación genuina, una que se adapte a sus necesidades y mantenga su seguridad y privacidad.

Análisis predictivo, AI y aprendizaje automático: basados e impulsados por un solución CDP superior , ayuda a cumplir estas expectativas y ambiciones, al tiempo que libera recompensas que cambian el juego tanto para las marcas como para los clientes.

Más información sobre Soluciones de AI de Sitecore.