Doxa 1657

Uso de IA para ajustar su marketing y ventas en un mundo volátil

Las empresas de acción rápida están implementando la tecnología para predecir los resultados en varias etapas del viaje del cliente.

Por Das Narayandas y Arijit Sengupta

Estrategia

Harvard Business Review

#Doxa #AI #marketing #ventas #empresa #tecnología #cliente #datos #modelos #predecir #competidor #mercado #digital #herramienta #competitiva # Estrategia

Resumen. ¿Por qué algunas empresas son mejores y más rápidas que otras en adaptar su uso de los datos de los clientes para responder a condiciones de marketing cambiantes o inciertas? Un hilo común entre las empresas de acción más rápida es el uso de modelos de IA para predecir los resultados en varias etapas del recorrido del cliente. Estas empresas están utilizando IA para predecir qué clientes es probable que abandonen, mientras que sus competidores reaccionan después de que los clientes ya se han ido. Y cuando sus predicciones se desvían debido a cambios externos o condiciones del mercado, utilizan esa retroalimentación para reorientar y redirigir rápidamente sus esfuerzos de marketing y ventas. El uso de modelos de IA para predecir la respuesta del cliente se ha traducido, en efecto, en el diseño y ejecución de una gran cantidad de experimentos digitales que ayudaron a estas empresas a responder a los cambios del mercado más rápido que las empresas que no utilizan esas herramientas. Y si bien las herramientas de IA están lejos de ser infalibles, podrían remodelar la forma en que tomamos decisiones en funciones como marketing y ventas y mantener una ventaja competitiva.

Mucho se ha escrito a lo largo de los años sobre cómo las empresas carecen de visibilidad de los rendimientos de sus inversiones en marketing. En un mundo analógico, la razón perenne ofrecida para este problema era la dificultad para establecer un vínculo causal entre las inversiones realizadas en actividades de marketing y la respuesta del mercado (o del cliente) a esas acciones.

En el mundo digital, una forma común de construir vínculos causales es ejecutar una gran cantidad de experimentos relativamente baratos a través de los cuales las empresas pueden conectar las acciones de marketing y ventas con la respuesta del cliente. Las empresas pueden realizar un seguimiento de las respuestas de los clientes a lo largo del recorrido, desde la búsqueda hasta el clic, la compra e incluso el consumo. El resultado ha sido un aumento exponencial en la cantidad de datos sobre ese viaje a los que tienen acceso las empresas.

Queríamos saber por qué algunas empresas son mucho mejores y más rápidas que otras en adaptar su uso de los datos de los clientes para responder a condiciones de marketing cambiantes o inciertas. Especialmente durante los meses iniciales de la pandemia en 2020, y más recientemente en 2022, cuando las fuerzas de la recesión comenzaron a afectar la naturaleza de la demanda de los clientes, algunas empresas pudieron analizar los crecientes datos del viaje del cliente y adaptar sus esfuerzos de marketing y ventas. más rápido que sus competidores. Hemos observado que un hilo común entre estas empresas de acción rápida es el uso de modelos de IA para predecir resultados en varias etapas del viaje del cliente; por ejemplo, usar IA para analizar datos históricos de comportamiento del consumidor y predecir la probabilidad de que un cliente responda favorablemente a una campaña de marketing.

¿Qué más vemos que sucede en estas empresas? En primer lugar, mientras que sus competidores responden de forma reactiva a las acciones realizadas por los clientes, estas empresas están adoptando un enfoque proactivo para gestionar sus relaciones con los clientes. Están utilizando IA para predecir qué clientes es probable que abandonen y qué acción correctiva se puede tomar para evitar que el cliente abandone, mientras que sus competidores reaccionan después de que los clientes ya se han ido. Y cuando sus predicciones se desvían debido a cambios externos o condiciones del mercado, utilizan esa retroalimentación para reorientar y redirigir rápidamente sus esfuerzos de marketing y ventas. El uso de modelos de IA para predecir la respuesta del cliente se tradujo, en efecto, en el diseño y ejecución de una gran cantidad de experimentos que ayudaron a estas empresas a responder a los cambios del mercado más rápido que las empresas que no utilizan esas herramientas.

Los modelos de predicción están cambiando el funcionamiento de la estrategia

Considere el ejemplo de una empresa comercial global dedicada al abastecimiento y distribución de productos químicos a granel. A principios de 2019, la empresa comenzó a utilizar modelos de predicción basados ​​en IA para comprender el flujo de oportunidades a través de las diversas etapas de los procesos de compra basados ​​en RFP de los clientes. La empresa aprendió que los factores relacionados con la calidad eran los principales determinantes para ser preseleccionados por los clientes. Comenzaron a utilizar esta información para buscar de forma selectiva oportunidades de clientes.

Sin embargo, para mayo de 2020, las predicciones del modelo de IA de la compañía estaban demostrando ser incorrectas. Un análisis más detallado reveló que los términos relacionados con la entrega ahora predecían mejor que los clientes los preseleccionaran, y la empresa cambió rápida y exitosamente su modelo de compromiso a nivel mundial. Los líderes de la empresa que anteriormente habrían recibido información sobre problemas de la cadena de suministro a través de datos macroeconómicos o un déficit de ingresos al final de un par de trimestres pudieron, utilizando IA para predecir resultados intermedios en los procesos de compra de los clientes, cambiar rápidamente el marketing y las ventas. enfoque para alinearse mejor con los cambios en el mercado.

Encontramos otro ejemplo en un importante promotor inmobiliario del Reino Unido. Un análisis de enero de 2020 de los incentivos óptimos para los inquilinos sugirió que, dada la baja probabilidad de que el espacio corporativo permanezca sin alquilar durante más de 30 días, debería ser conservador al ofrecer incentivos a los inquilinos corporativos existentes. El análisis mostró además que los espacios de trabajo flexibles son menos rentables que el alquiler de espacios de oficinas corporativas dadas las presiones de costos competitivos. A fines de febrero de 2020, en las primeras etapas de la pandemia, el modelo de IA actualizado del desarrollador sugirió aumentar la huella del espacio de trabajo flexible en un 30 % y ofrecer incentivos generosos para asegurar a los inquilinos existentes. Estas recomendaciones llevaron al desarrollador a comenzar a cambiar su estrategia de ventas a mediados de marzo, mucho más rápido que los competidores que aún confían en la producción del primer trimestre (que finaliza en marzo) de sus modelos de marketing y ventas. El adelanto de un mes o incluso de una semana puede marcar una diferencia significativa en un mercado competitivo.

En los ejemplos anteriores, cada empresa tenía que especificar objetivos al configurar sus modelos de IA para predecir resultados. Un objetivo podría ser lograr un nivel específico de adquisición de clientes cuando se le asigna un presupuesto de marketing específico. Los modelos de IA bien diseñados tienen como objetivo mejorar los resultados comerciales, no solo predicciones precisas. Equilibran el beneficio de una predicción correcta frente al costo de una incorrecta y funcionan dentro de las limitaciones organizativas, como los presupuestos de marketing. Al ser entrenados utilizando datos históricos, los modelos de IA brindan a las empresas una comprensión mejor, más sofisticada y ágil de los vínculos entre sus acciones y la respuesta del mercado o del cliente.

Comprender el papel de los bucles de retroalimentación

El marketing y las ventas han carecido tradicionalmente de un enfoque del ciclo de retroalimentación clásico "SENTIDO -> RESPUESTA" comúnmente explotado en el mundo de la ingeniería. Los circuitos de retroalimentación habilitan los sistemaspara cambiar la combinación de entradas y las características del sistema para mejorar la salida. El efecto retardado de las acciones de marketing y el hecho de que la respuesta del cliente es, en la mayoría de los casos, el resultado del efecto acumulativo de múltiples acciones realizadas por la empresa dificultan establecer la causalidad y establecer un ciclo de retroalimentación claro. Es esta falta de un ciclo de retroalimentación lo que limita la capacidad de las empresas para evaluar el ROI de sus esfuerzos de marketing y ventas. La ausencia de circuitos de retroalimentación da como resultado una desconexión entre la formulación de estrategias episódicas (el ámbito de la alta dirección) y la ejecución constante en el campo que normalmente se gestiona en la primera línea.

Los modelos de predicción de IA pueden detectar tendencias a nivel granular, como a nivel de transacciones individuales. La información de campo proporcionada por estos modelos se puede utilizar para actualizar y ajustar la estrategia de marketing y ventas de forma más rápida y frecuente, lo que permite a las empresas cerrar la brecha entre la estrategia y la ejecución.

He aquí un ejemplo: una empresa manufacturera norteamericana de 200 años de antigüedad había aumentado significativamente sus actividades de generación de contactos de marketing, pero aún no había logrado un aumento significativo en las ventas. La empresa estaba convencida de que tenía un problema de marketing. Usó un modelo de inteligencia artificial para analizar los datos y descubrió que el aumento de los gastos de marketing había generado clientes potenciales de alta calidad, pero no mayores ventas generales. Los análisis posteriores revelaron que los limitados recursos de ventas del fabricante eran parte del problema. El equipo de ventas eligió cuidadosamente los mejores clientes potenciales del gasto de marketing incremental, pero ignoró una cantidad correspondiente de clientes potenciales que, de otro modo, habría seguido.

La compañía ahora entendió que tenía un problema de capacidad de ventas, no un problema de marketing. El análisis permitió al fabricante equilibrar adecuadamente los gastos de ventas y marketing para generar mayores ingresos. Sin el beneficio del análisis de datos, la naturaleza aislada de las organizaciones de marketing y ventas habría dificultado y llevado mucho tiempo realizar un estudio multifuncional de este tipo o reasignar recursos rápidamente.

Esta desconexión se ilustra aún más con el ejemplo de una empresa de electrónica de consumo que dejó de hacer negocios en Rusia como consecuencia de su invasión de Ucrania. La empresa sabía cuál sería su déficit de ingresos debido a la pérdida de ventas en Rusia y los mercados asociados, pero se enfrentó a la difícil cuestión de cómo reasignar de manera óptima el gasto en marketing a otros mercados para tratar de compensar la pérdida de ventas. Un ejercicio de planificación de escenarios optimizado por IA sugirió la mejor manera de reasignar el presupuesto de marketing disponible y cuantificó la caída neta esperada en las ventas y el aumento del presupuesto de marketing necesario para compensar la pérdida aumentando las ventas en otras regiones. El análisis también reveló que sería demasiado costoso aumentar el marketing para compensar por completo las pérdidas de Rusia.

Cambiando el Proceso de Segmentación

Como resultado del enfoque del circuito de retroalimentación, vemos que el uso de modelos de IA también cambia la práctica de la segmentación. En teoría, la segmentación se define como el proceso de identificar un grupo de clientes que tienen un conjunto común de necesidades (para desarrollar un producto/solución único para servir a ese segmento), que comparten características identificables comunes (para poder identificar a los clientes en el mercado objetivo). segmento), y que es probable que reaccionen de manera similar a las acciones tomadas por la firma (para diseñar la estrategia de compromiso y explotar las economías de escala). En la práctica, la mayoría de las empresas del mundo analógico se centran en las dos primeras partes de la definición, es decir, un conjunto común de necesidades y características comunes. Por lo tanto, este enfoque toma la forma de un enfoque de afuera hacia adentro:

En los modelos de predicción basados ​​en IA, la práctica de la segmentación se centra en la tercera parte de la definición de segmentación, es decir, la probabilidad de que todos los clientes de un segmento reaccionen de manera similar a las acciones de marketing y ventas realizadas por la empresa. Por ejemplo, un modelo de predicción basado en IA podría preguntar qué clientes están mejor atendidos por la fuerza de ventas en el campo o el equipo de televentas, o qué clientes tienen más probabilidades de responder positivamente a una campaña de promoción de precios específica. Las empresas pueden usar las predicciones de un modelo de IA para alinear los recursos de marketing y ventas apropiados para atender cada oportunidad de demanda.

Teniendo en cuenta las capacidades de focalización inigualables de los modelos predictivos, es más fácil tomar las capacidades organizacionales (o las organizacionales esperadas a corto plazo) como un hecho y encontrar los clientes con más probabilidades de coincidir con esas capacidades. Esto es especialmente cierto en un entorno que cambia rápidamente, donde las condiciones del mercado y el comportamiento del cliente pueden cambiar mucho más rápido de lo que pueden evolucionar las capacidades organizacionales.

¿Hacia dónde nos dirigimos a continuación con los modelos de predicción basados ​​en IA?

La disponibilidad de datos específicos del cliente y la capacidad de la IA y el aprendizaje automático para proporcionar mejores predicciones obligará a las empresas a crear organizaciones integradas orientadas al cliente que fusionen las funciones tradicionales de marketing y ventas. Idealmente, esto ayudará a las organizaciones a brindar una experiencia de cliente superior que resulte en una mayor rentabilidad.

Aquí hay un ejemplo más: un fabricante internacional que desea mejorar su función de marketing utilizando modelos de IA inicialmente enfocados en priorizar las oportunidades de ventas. Sin embargo, el análisis de sus datos encontró que, dólar por dólar, los esfuerzos de la fuerza de ventas de campo enfocados en retener a los socios de canal existentes tenían un mayor impacto en los ingresos que una cantidad similar gastada únicamente en marketing. De hecho, optimizar el gasto en retención de socios de canal, marketing y ventas tuvo un mayor impacto en el KPI comercial general para un nivel dado de gasto general que el que se habría logrado si el enfoque se hubiera mantenido exclusivamente en la priorización de oportunidades de ventas.

Las empresas nativas digitales pueden progresar rápidamente en la integración de los modelos de IA, pero nos preocupa que las empresas heredadas que crecieron en el mundo analógico se encuentren con dos obstáculos principales y se queden atrás de sus competidores. El primero es la naturaleza aislada de sus organizaciones de ventas, marketing y soporte, lo que impedirá la integración de las funciones orientadas al cliente en toda la empresa. El segundo obstáculo es que las únicas entidades que pueden romper este estancamiento (el director ejecutivo y la junta) a menudo ignoran cómo los modelos de predicción basados ​​en IA pueden redefinir la forma en que las empresas interactúan con los clientes y los segmentos del mercado.

Es poco probable que las juntas, a menos que tengan miembros con experiencia en tecnología, exijan las transformaciones organizacionales necesarias para que esto suceda. Se encuentra amplia evidencia de esto en las empresas tradicionales de software empresarial dirigidas por ventas, que han luchado para defenderse de competidores nativos digitales ágiles que adoptan un enfoque holístico para atender a los clientes y comprender las oportunidades en sus datos.

¿Asumirán las máquinas las funciones de marketing y ventas? No. El marketing y las ventas no estarán completamente a cargo de las máquinas. Todavía necesitamos humanos para tomar decisiones no obvias. Cuando se trata de actualizar la estrategia, siempre se necesitará un ser humano para garantizar la validez de las recomendaciones generadas por IA antes de actuar sobre ellas. Se necesitan humanos para monitorear los resultados de manera continua a fin de proporcionar retroalimentación continua a los modelos de IA.

Recuerde, a pesar de todas sus fortalezas, las herramientas de IA están lejos de ser infalibles. La IA en su máxima expresión es una herramienta que aumenta la capacidad humana y podría remodelar la forma en que tomamos decisiones en funciones como marketing y ventas y mantener una ventaja competitiva.

Lea más sobre Estrategia o temas relacionados Ventas y marketing, Segmentación de mercado, Estrategia de clientes, Ejecución de estrategias, Inteligencia artificial y aprendizaje automático, Análisis y ciencia de datos e Industria de marketing

Das Narayandas es profesor Edsel Bryant Ford de Administración de Empresas en la Escuela de Negocios de Harvard.

Arijit Sengupta es fundador y director ejecutivo de Aible.com y autor de AI Is a Waste of Money.