Inteligencia artificial: cómo generar millones
de ofertas personalizadas para los clientes

Los gigantes digitales figuran entre las empresas más valiosas del mundo, bien se trate de retailers o buscadores, principalmente, gracias a haber encontrado la forma de utilizar los datos que atesoran para predecir las preferencias de los consumidores y personalizar ofertas que maximizan las aceptaciones y los ingresos.

Por el contrario, muchas de las empresas tradicionales, entre las que se encuentran algunos de los operadores de telecomunicaciones más importantes, aún gestionan sus bases de clientes mediante segmentaciones muy básicas, lo que les impide capturar todo el valor que dichas bases encierran.

Pero no es siempre así. Uno de los grandes operadores de telecomunicaciones con el que Oliver Wyman ha trabajado usó inteligencia artificial y machine learning para generar 55 millones de ofertas personalizadas al mes para su base de clientes, superando su segmentación tradicional. Estas ofertas fueron la base de las interacciones comerciales con los clientes de la base, tanto en llamadas salientes como después de consultas entrantes en el centro de atención, en las tiendas y en los canales digitales.

Como consecuencia, las interacciones con los clientes pasaron a generar ingresos, suponiendo 100 millones de euros adicionales en la cuenta de resultados. Desarrolladas de manera correcta, diferentes versiones de esta forma de abordar la gestión de la base de clientes pueden ayudar a maximizar sus beneficios a otros servicios ofrecidos a través de suscripciones -como seguros, banca minorista, energía eléctrica y tarjetas de crédito.

El sector de las telecomunicaciones ilustra el potencial que puede suponer este cambio, ya que muchas de las empresas de este sector vienen ofreciendo servicios muy similares entre todos ellos a precios casi idénticos: un movimiento competitivo típico del sector consiste en campañas de marketing basadas en descuentos.

Las empresas digitales de mayor éxito han dado con la clave para escapar a esta lógica de destrucción de valor. La traducción de su fórmula al sector de las telecomunicaciones contaría con los siguientes ingredientes. Primero, el desarrollo de algoritmos para trabajar los perfiles de los clientes - procesando su uso de servicios de telecomunicaciones y redes sociales para averiguar qué tipo de producto les interesa.

Por ejemplo, alguien que consume muchos datos móviles es un candidato ideal para una oferta de datos ilimitados. El machine learning puede mejorar la predicción del algoritmo, aprendiendo de los errores del pasado y teniendo en cuenta los gustos de los clientes con perfiles similares. Esta precisión puede reducir notablemente los costes de los operadores de telecomunicaciones, ya que captar la atención de un cliente a través de los agentes tiene un alto coste y sólo vale la pena cuando hay una alta probabilidad de éxito.

El machine learning también puede determinar el precio que un cliente está dispuesto a pagar por un producto y, por lo tanto, cuál de las ofertas disponibles tiene más probabilidades de éxito. El siguiente elemento de la fórmula de éxito es la generación de NBA para cada cliente. Veamos cómo funciona a través de un supuesto concreto que se puede dar con frecuencia en estas compañías de telecomunicaciones.

Consideremos dos clientes que pueden estar interesados en datos móviles ilimitados además de sus paquetes actuales. Uno podría estar interesado en una oferta de 3 euros extra al mes, pero el otro sólo estaría dispuesto si el coste adicional es de 2 euros. Así, igual que para el primer cliente el NBA (Next Best Action) consistía en una oferta de datos ilimitados por 3 euros más; para el segundo sería la misma oferta, pero por 2 euros extra. A cada cliente se le asigna también una NBA 2: una oferta alternativa por si rechazan la inicial.

Cuando Oliver Wyman implantó esta forma de trabajo en un operador de telecomunicaciones líder, se dio cuenta de que las herramientas de ‘machine learning’ no son suficientes por sí solas. Su papel no era reemplazar a los agentes de ventas, sino ayudarlos a hacer mejor su trabajo.

Así que se transformó el funcionamiento de los canales comerciales asistidos, invirtiendo tiempo y esfuerzo en formación y diseñando un nuevo sistema de incentivos. Esto se aplicó tanto a los agentes de ventas que hacían llamadas, como al personal que entraba en contacto con los clientes por otros motivos, y se ilustraba mediante un esquema de semáforos de fácil comprensión para mostrar a los agentes la cantidad de comisión que obtendrían de cada trato.

Conclusión: El aprendizaje de las máquinas necesita del aprendizaje de los humanos. La experiencia de Oliver Wyman demuestra que el “machine learning” es una gran herramienta, pero que debe combinarse con la transformación integral de los métodos de trabajo de las personas que la utilizan.

Cuando se implantó esta forma de trabajar, además del aumento del 50% de los ingresos por interacción, la compañía informó de un aumento de 15 puntos porcentuales en las tasas de aceptación en un año y un aumento del 10% en el tamaño de la base de datos de clientes activos.

Estamos convencidos de que se podrían lograr resultados similares aplicando estos principios en una amplia gama de sectores en los que los proveedores de servicios tienen relaciones a largo plazo con los clientes, como la televisión de pago y la banca minorista. El primer paso para obtener resultados más parecidos a los obtenidos por los gigantes digitales, es empezar a actuar como ellos.