Doxa 1738

Lo que saben las empresas inteligentes sobre la integración de la IA

El talento y los datos son tan importantes como la tecnología.

Por Silvio Palumbo y David Edelman

Tecnología y análisis

Harvard Business Review

#Doxa #empresa #inteligencia #artificial #IA #datos #tecnología #talento #información clientes #estrategia #herramienta #aprendizaje

Resumen. AI tiene el poder de recopilar, analizar y utilizar enormes volúmenes de datos de clientes individuales para lograr precisión y escala en la personalización. Las experiencias de Mercury Financial, CVS Health y Starbucks desacreditan la noción predominante de que extraer valor de las soluciones de IA es un ejercicio de creación de tecnología. Ese pensamiento impide que las empresas capturen el poder de la IA. No necesitan construirlo; solo tienen que integrarlo adecuadamente en un contexto comercial particular.

Pero la IA es probablemente solo alrededor del 10% de la salsa secreta. El otro 90% radica en la combinación de datos, experimentación y talento que constantemente activa e informa la inteligencia detrás de la personalización. La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología es simplemente la herramienta para alcanzarla. Los autores describen lo que significa integrar herramientas de IA y lo que se necesita para experimentar continuamente, generar aprendizaje constantemente e importar datos nuevos para mejorar y refinar los recorridos de los clientes.

Mercury, un antiguo cliente de BCG, no está en el negocio de la tecnología de construcción, por lo que sus líderes decidieron comenzar con la IA de código abierto. Dado que la mayoría de estas herramientas cobran según el uso, los costos fijos iniciales serían bajos. Mercury se concentró en cómo integrar las soluciones de IA disponibles con sus sistemas de gestión de contenido, fraude y elegibilidad, y muchos otros sistemas de front-end y back-end. Luego, la empresa automatizó sus procesos de marketing, recurriendo nuevamente a las herramientas de IA disponibles pero usando su propio código para todas las pruebas necesarias para saber qué funcionó para quién y para rastrear los resultados anteriores. El sistema que construyó se centró en administrar cientos de variables con fines de orientación y crear contenido de forma microgranular. En seis meses, el piloto había generado una mejora del 10% en las acciones tomadas como resultado de los mensajes de la fintech.

Se requiere IA para lograr precisión y escala en la personalización. Puede recopilar, analizar y utilizar enormes volúmenes de datos de clientes individuales y adaptar el recorrido del cliente en cada punto de contacto. La experiencia de Mercury y la experiencia de CVS y Starbucks (que exploraremos en detalle) desacredita la noción predominante de que extraer valor de las soluciones de IA es un ejercicio complicado de creación de tecnología. Ese pensamiento impide que las empresas capturen el poder de la IA. No necesitan construirlo; solo tienen que integrarlo adecuadamente en un contexto comercial particular.

Cuando reconoce el valor de enfocar sus recursos en la integración y el cambio de procesos, agudiza lo que busca en un sistema de IA. Comienza a comprender la importancia de ver sus datos y el diseño de su arquitectura tecnológica como activos competitivos. Y empuja al resto de su organización a realizar más pruebas que puedan alimentar la inteligencia de su sistema de IA.

Pero la IA es probablemente solo alrededor del 10% de la salsa secreta. El otro 90% radica en la combinación de datos, experimentación y talento que constantemente activan e informan la inteligencia detrás del sistema. La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología es simplemente la herramienta para alcanzarla. En este artículo, presentaremos lo que significa integrar herramientas de IA y lo que se necesita para experimentar continuamente, generar aprendizaje constantemente e importar datos nuevos para mejorar y refinar los recorridos de los clientes.

Reconsidere cómo adquiere tecnología

En más conversaciones de las que podemos contar, nos encontramos desengañando a los ejecutivos de sus nociones sobre lo que crea una ventaja de IA. Una empresa no tiene por qué aspirar a ser otro AWS, Microsoft, Google o Adobe, todos ellos constructores de herramientas de IA fundamentales que, después de todo, están en el negocio de venderlas. Los maestros familiares de la IA, como Uber, Netflix y Spotify, pueden investigar y diseñar nuevas soluciones, pero generalmente lo hacen para ampliar las aplicaciones que se adaptan a su gran escala única o para realizar funciones específicas que no están disponibles de otro modo (como el análisis de fotogramas de películas). en el caso del algoritmo de recomendación de Netflix). Pero pocas empresas fuera del mundo de la tecnología están monetizando su propia innovación digital. Para ellos, la innovación implica ofrecer una solución nueva sobre una base de capacidades digitales. Todos los competidores tienen acceso a la misma IA, sin embargo, los resultados comerciales varían profundamente. Una diferencia crítica son los datos que una empresa le proporciona. La ventaja competitiva depende de la recopilación de datos implacable, la transformación o el enriquecimiento seleccionados y la alimentación de las bibliotecas de IA que informan las capacidades de la siguiente mejor acción. El trabajo del vendedor es aplicar de manera creativa esas recomendaciones impulsadas por IA a las campañas de marketing y aprender iterativamente de ellas.

Edoardo Tresoldi utiliza la forma, el marco y la transparencia de la malla de alambre para ilustrar un diálogo entre la arquitectura y el mundo.

Hoy en día existe una gran cantidad de tecnología de código abierto, incluida la mayoría de las herramientas de IA, amplias, como GPT-4 de OpenAI, y bibliotecas completas (aplicaciones escritas en lenguajes de código abierto que se empaquetan para un uso específico, como XGBoost, para entrenar un tipo específico de modelo de aprendizaje automático). La gran tecnología pone a disposición muchas de sus bibliotecas o herramientas específicas de tareas: Meta (un cliente de BCG), por ejemplo, con su biblioteca Prophet para pronósticos, y Airbnb con Airflow, una plataforma de gestión de flujo de trabajo para canalizaciones de ingeniería de datos. Las capacidades de IA están integradas en muchas herramientas comunes de experiencia del cliente, como las "nubes de experiencia" de Salesforce y Adobe (ambas empresas son socios de BCG). Esos también están mejorando constantemente: gracias a las interfaces de programación de aplicaciones (API) y la arquitectura de los sistemas tecnológicos modernos,

Otro poco de desacreditación implica cómo empezar. Contrariamente al pensamiento general, no es necesario un enfoque big-bang. Al igual que con los verdaderos enfoques ágiles, es inteligente comenzar de manera limitada, centrándose en casos de uso específicos (por ejemplo, incorporación de clientes o participación temprana), en lugar de intentar rediseñar toda la experiencia del cliente desde cero. Es inteligente elegir un área en la que pueda obtener una tracción real con AI y luego expandir gradualmente su uso.

Nada de esto pretende sugerir que implementar un recorrido del cliente basado en IA sea fácil. Y tres deficiencias comunes pueden hacer que sea especialmente desafiante, incluso cuando tiene la solución de IA adecuada.

Limitaciones en la captura de datos. Estos pueden ocurrir cuando una preponderancia de los datos no está estructurada, como en el cuidado de la salud, o no está registrada, como en la industria hotelera. Nadie ingresa comentarios de las tarjetas que se dejan para los huéspedes en las habitaciones de hotel, que pueden contener información valiosa y direccionable de inmediato. Si un hotel registró sus preferencias con respecto al tipo de cama, horario de limpieza, alergias alimentarias, instalaciones en cada propiedad que ha utilizado, etc., su próxima estadía podría adaptarse fácilmente a sus gustos.

Falta de conectividad entre la solución de IA y el marketing. Una cadena de supermercados podría suponer qué clientes prefieren alimentos sin carne o cuáles son cazadores de gangas, sin una confirmación explícita. AI proporciona acceso a tales predicciones personalizadas automáticamente, a escala. Pero para probar la suposición, necesita un sistema martech en el que pueda canalizar esos datos en forma de diálogo. La información en sí misma no puede crear valor a menos que esté activada.

Incapacidad del sistema para escalar automáticamente. Una gran cantidad de información del cliente es de poca utilidad si sus sistemas no pueden convertir cada una en acciones personalizadas para clientes individuales. Y no puede confiar en la entrada manual o el análisis para desarrollar una campaña personalizada única y perfecta. Sin un sistema robusto y escalable, los conocimientos se suprimirán o se utilizarán de forma demasiado restringida dentro de una sola función.

Las cuatro claves de la integración inteligente

En nuestra experiencia guiando a una variedad de empresas a medida que desarrollaban recorridos de clientes basados ​​en IA, hemos identificado cuatro características definitorias de un integrador inteligente: claridad y alineación de objetivos, instrumentación de datos sólida, una arquitectura tecnológica débilmente conectada y una cultura experimental. En particular, ninguno de ellos incluye tener un mejor algoritmo de IA, aunque exigen uno mejor entrenado.

1. Claridad y alineación de metas. El marketing basado en IA requiere objetivos de optimización claros para cada caso de uso, y esos objetivos deben ser razonablemente limitados. Los objetivos generales amplios, como “acelerar el crecimiento de las ventas”, hacen imposible saber cómo atribuir los resultados. Un objetivo más apropiado para la IA podría ser "minimizar el tiempo de espera", "reducir el costo del incentivo por venta" o "hacer una sugerencia que el cliente aceptará". Si hay varias acciones que el cliente podría realizar, deberá decidir de antemano: ¿Queremos que la IA se optimice para las opciones más valiosas o para las que es más probable que elija el cliente?

Las aplicaciones de IA hacen predicciones principalmente sobre la base de datos históricos. Si la IA se enfoca demasiado, pierde el poder de optimizar; si se enfrenta a una situación sin precedentes, sus predicciones serán inexactas. En lugar de un motor de IA para gobernar todo, es posible que necesite varios motores de IA para crear una experiencia de cliente más amplia. Una empresa líder en el cuidado de la salud, por ejemplo, tiene un motor para identificar a los miembros del plan de salud con mayor riesgo de sufrir un incidente agudo; otro para recomendar cómo acercarse a un miembro; otro para sugerir un diseño de prueba para la experimentación; y otro más para optimizar toda la cartera de tipos de alcance dentro de un presupuesto específico.

La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología es simplemente la herramienta para alcanzarla.

Una de las razones por las que Starbucks ha tenido éxito en la personalización basada en IA es la claridad de sus objetivos. Al impulsar una venta a partir de un alcance de marketing, la empresa tiene en cuenta el hecho de que muchos de sus equipos de productos quieren que se promocionen sus ofertas, por lo que ha decidido optimizar el contacto con más probabilidades de obligar a un cliente a comprar. (Junto con los datos de respuesta reales, Starbucks captura el interés implícito, por ejemplo, lo que el cliente busca y si se desplaza sobre una imagen, hace clic en una descripción o regresa a la misma página tres veces en una semana). Más allá de su experimentación constante, la empresa se enfoca en cómo el marketing puede aumentar los ingresos incrementales netos totales en lugar de optimizar las pérdidas y ganancias de una bebida específica. Eso permite una definición holística del éxito.

2. Instrumentación de datos de sonido. Los mecanismos que registran, organizan y comparten datos sobre las interacciones con los clientes, las acciones asociadas de la empresa y los resultados en los puntos de contacto son los elementos básicos del programa de personalización de IA de una empresa. Esta instrumentación de datos incluye todo, desde registros del centro de llamadas y datos provenientes de relaciones de segundas y terceras partes (como socios de canal, compañías de medios y corredores de datos) hasta software de automatización que genera y rastrea comunicaciones digitales (como las de Salesforce, HubSpot, e Illumin).

Una empresa necesita "receptores" para capturar información sobre cada interacción de un cliente en todos los canales, y esa información debe ser notablemente granular. Por ejemplo, en una interacción con un centro de llamadas, la empresa querría saber más que el propósito de la llamada: ¿la persona que llamó parecía molesta o confundida? ¿Estaba abierta la computadora de la persona que llama durante el encuentro? ¿La persona que llamó siguió las instrucciones del representante o se distrajo con otra cosa?

Cuando una empresa envía un correo electrónico de prueba, debe poder monitorear la redacción, la imagen que está incrustada, el tamaño de fuente y los colores utilizados, y cualquier otra variable que pueda afectar la respuesta del cliente. Una arquitectura de etiquetado, para capturar y clasificar los metadatos de estas interacciones y comunicaciones, permite realizar pruebas y aprender.

Cuando uno de nosotros (David) se desempeñó como director de marketing en Aetna (ahora parte de CVS Health), el objetivo principal era lograr que las personas tomaran medidas para promover la salud, como vacunarse contra la gripe y tomar sus medicamentos con regularidad. La empresa sabía quién quería que tomara qué acciones, pero no sabía cómo hacer que esas personas cumplieran. Se requirió una enorme cantidad de experimentación: cambiar el mensaje (tanto la oferta como su contenido creativo), probar un incentivo, alterar la hora del día en que se envía y la secuencia de los mensajes, etc., nada de lo cual hubiera sido factible sin los mecanismos. en su lugar para configurar pruebas y rastrear las microvariables que impulsaron las respuestas. Aetna tenía que asegurarse de que cada interacción estuviera etiquetada de manera integral con descriptores de lo que contenía (color del texto, naturaleza de la imagen, tono del idioma, palabras específicas) y que cada punto de interacción se capturó en detalle: cuándo interactuó el cliente, cuántos clics hubo, si el cliente se fue y regresó, adónde fue el viaje después del primer clic. Esto requería incrustar el código en todos los lugares de interacción (web, aplicación, correo electrónico, SMS, etc.) e integrar los flujos de datos que regresaban de ellos. Ahí era donde la empresa enfocaba su tiempo, no en construir una nueva IA. A medida que los sistemas de IA hacen un trabajo cada vez mejor al escribir código para facilitar la integración de datos y etiquetar automáticamente los activos de marketing, el trabajo se vuelve más fácil. Esto requería incrustar el código en todos los lugares de interacción (web, aplicación, correo electrónico, SMS, etc.) e integrar los flujos de datos que regresaban de ellos. Ahí era donde la empresa enfocaba su tiempo, no en construir una nueva IA. A medida que los sistemas de IA hacen un trabajo cada vez mejor al escribir código para facilitar la integración de datos y etiquetar automáticamente los activos de marketing, el trabajo se vuelve más fácil. Esto requería incrustar el código en todos los lugares de interacción (web, aplicación, correo electrónico, SMS, etc.) e integrar los flujos de datos que regresaban de ellos. Ahí era donde la empresa enfocaba su tiempo, no en construir una nueva IA. A medida que los sistemas de IA hacen un trabajo cada vez mejor al escribir código para facilitar la integración de datos y etiquetar automáticamente los activos de marketing, el trabajo se vuelve más fácil.

Una gran cantidad de información del cliente es de poca utilidad si sus sistemas no pueden convertir cada una en acciones personalizadas para clientes individuales.

Los datos de fuentes de terceros, como el clima, los cortes de energía, los datos demográficos y psicográficos y los datos generales de salud sobre la población de un código postal, brindan un contexto adicional. Cuanto más amplia y granular sea la información, más ricos pueden ser los modelos. Esa riqueza alimenta su ventaja de rendimiento. ¿Los clientes responden de inmediato o tardan días? ¿Se desplazan hacia abajo para obtener más información y luego hacen clic o saltan inmediatamente? ¿A qué incentivos responden más rápidamente? La instrumentación de datos permite la prueba y la experimentación continuas que brindan respuestas, ayudan al sistema a seguir aprendiendo e informan la comprensión de la empresa de lo que se necesita para que el cliente A responda frente a lo que requieren los clientes B, C y D.

3. Una arquitectura tecnológica débilmente conectada. La pila de tecnología de experiencia del cliente consta de un motor de predicción, un motor de secuenciación (o gestión de la experiencia), un motor de contenido, motores de distribución de canales y un motor de experimentación y análisis. Además, la IA se basa en cinco o más sistemas para unir el recorrido del cliente: marketing, servicio al cliente, uso del producto, facturación, canales en línea y, a veces, una tienda minorista. Dada la probabilidad de que se agreguen nuevas capacidades y que sea necesario conectar varios motores de IA, es mejor diseñar la pila de forma modular.

AI proporciona la inteligencia y la velocidad computacional y la escala para impulsar operaciones que están cada vez más impulsadas por la automatización. Por lo tanto, las tecnologías que llevan a cabo la automatización deben poder aceptar las señales de la IA y devolverle información para ayudarla a mejorar. Una arquitectura tecnológica débilmente conectada, en la que los sistemas funcionan juntos pero no dependen unos de otros, es ideal.

Las interfaces de programación de aplicaciones disponibles públicamente, que brindan a los desarrolladores acceso a software patentado a través de un estándar de comunicación simple y versátil, permiten esta arquitectura modular. Las API son la lengua franca del diálogo digital en plataformas dispares. Un ejemplo simple es una API que vincula el sistema CRM de una empresa a un sistema telefónico basado en la nube, lo que permite que un agente del centro de llamadas llame inmediatamente a un cliente potencial recién generado sin tener que salir del software CRM. Con las API abiertas, la información se puede mover sin problemas, los modelos se pueden actualizar fácilmente y se pueden agregar nuevas capacidades de forma modular. Una arquitectura débilmente conectada permite a las empresas montar maniobras competitivas más rápidas, porque pueden cambiar fácilmente los componentes en el momento en que las nuevas capacidades estén disponibles, con costos de cambio mínimos.

Para ver cómo una arquitectura débilmente conectada permite la integración de los diversos elementos de la pila y admite la personalización a escala, el punto central de la integración inteligente, considere Comcast. La empresa se dio cuenta de que sería imposible conectar formalmente todos sus sistemas de datos de clientes. Pero los sistemas tenían que estar vinculados de alguna manera si las decisiones de la IA debían determinar qué enviar a quién a través de qué canal y los datos de retroalimentación debían devolverse a la IA.

Pointillist, la herramienta de decisión de inteligencia artificial de Comcast, cumple una doble función. En primer lugar, compara los datos de un cliente de todos los sistemas de la empresa (sus interacciones con las aplicaciones, el centro de llamadas, los registros de uso del producto, etc.) y crea una vista integrada del cliente. Luego, operando como un middleware, une múltiples bases de datos en una base de datos integrada, eliminando la necesidad de crear otra base de datos formal. Pointillist encuentra toda la información relevante sobre un cliente y le asigna un sello de tiempo para informar la visión de la empresa sobre el viaje del cliente. En tiempo real, el sistema encuentra las coincidencias, crea mapas de viaje, identifica anomalías que necesitan atención y profundiza en las causas fundamentales. Usando los estándares en Genesys, el sistema central de clientes de Comcast (y un cliente de David),

Edoardo Tresoldi

Las interacciones de los clientes se rastrean en orden cronológico con marca de tiempo. El sistema alertará a Comcast en tiempo real que Jane Doe está en la aplicación móvil y tiene dificultades para acceder a la información del plan de servicio. Incluso antes de que llame a Comcast, puede enviarle un mensaje de texto sugiriendo una solución rápida. Si no actúa, o si esa acción no resuelve el problema, el software indica que probablemente llamará, de modo que si lo hace, el sistema del centro de llamadas ya sabe cuál es su problema. Puede determinar si una respuesta automática en particular podría ayudarla, en cuyo caso proporciona indicaciones automáticas, o si necesita hablar con un ser humano, que, como la solución más costosa, es siempre el último recurso. La belleza de este sistema es su capacidad de respuesta en tiempo real y la velocidad y la experiencia sin fricciones que proporciona.

Con el tiempo, a medida que Pointillist continúa recopilando información, Comcast puede probar constantemente formas nuevas y más efectivas de manejar cualquier problema dado: determinar el mensaje ideal, encontrar la mejor manera de interceptar al cliente e incluso rastrear si los clientes que Si experimenta problemas, póngase en contacto con la empresa o no. En sus primeros 18 meses, este sistema impulsado por IA le ahorró a Comcast más del 10% en costos del centro de llamadas. Los comentarios que recibe la empresa y las mejoras que ha realizado en la experiencia del cliente en línea crean menos razones para llamar. El sistema ha ayudado a Xfinity Mobile de Comcast a lograr la clasificación más alta de JD Power durante varios años consecutivos.

4. Una cultura experimental. La IA fomenta la creatividad al permitir que una empresa pruebe ideas rápidamente y haga más a escala. Además, aprende del pasado, a través de millones de puntos de datos, desbloqueando la innovación más rápido de lo que podría hacerlo un ser humano. Pero la IA no inventa; simplemente predice, sobre la base de patrones pasados. Los especialistas en marketing inventan y la IA aprende qué funciona, para quién, cuándo y cómo. La invención requiere una cultura que valore la experimentación y la asunción de riesgos.

En igualdad de condiciones, los datos experimentales de una empresa son la fuente de su ventaja competitiva. Los líderes deben reconocer que una mentalidad de prueba y aprendizaje es esencial para convertir esos datos de materia prima en moneda. Eso significa aceptar que la experimentación tiene costos de oportunidad y que, por definición, algunos experimentos no funcionarán. Pero incluso los experimentos fallidos ofrecen lecciones valiosas.

Los equipos ágiles son esenciales en este esfuerzo. Tienen la destreza y la creatividad para buscar nuevas ideas y seguir mejorándolas con el tiempo. El uso de métodos de trabajo ágiles significa que planifica lo que puede, pero deja espacio para cambiar rápidamente de acuerdo con lo que revelan los experimentos. Por lo tanto, los líderes deben examinar sus incentivos y planes operativos para asegurarse de que promuevan prácticas ágiles, permitiendo pruebas que no arrojan resultados exitosos y permitiendo la flexibilidad para cambiar de rumbo. Pero los líderes también deben adoptar una mentalidad experimental y tener la licencia financiera para asumir riesgos. La experimentación requiere grupos de control para validar los resultados de las pruebas. Debe ser capaz de reducir sus pérdidas y duplicar los ganadores. Necesita financiar cambios operativos y nuevos incentivos que deben probarse. Cuanto más apretada sea la correa financiera, más difícil es innovar. No puedes experimentar si no puedes correr riesgos.

Cuando una empresa envía un correo electrónico de prueba, debe poder monitorear cualquier variable que pueda afectar la respuesta del cliente.

El dominio de Starbucks en el marketing basado en incentivos depende en gran medida de su estrategia de experimentación continua y de su compromiso de apoyarlo con los recursos necesarios. La empresa se basa no solo en los datos recopilados digitalmente y en la tecnología digital, sino también en su experiencia minorista. Su tecnología está compuesta al 100% por herramientas y lenguajes de código abierto. Starbucks se enfoca en enriquecer constantemente su conjunto de datos y conectarlo a su arquitectura tecnológica, no en desarrollar algoritmos.

Cada semana, Starbucks realiza pruebas aleatorias en un subconjunto de sus clientes para probar y aprender y para reforzar o desafiar las hipótesis de marketing. Se incentiva a los clientes que normalmente visitan las tiendas minoristas a interactuar a través de la aplicación de Starbucks y dejar atrás una ruta de navegación digital. La aplicación recopila datos valiosos: cuándo, qué y dónde ordenaron los clientes; si hicieron su pedido regular o agregaron un artículo; y detalles del mensaje de estímulo (redacción, incentivos, cuándo se envió, cuándo se abrió). La aplicación aprovecha todos esos detalles para adaptar el alcance de marketing a nivel individual.

La empresa puede experimentar tanto con los productos existentes como con los nuevos. Por ejemplo, podría optar por mejorar la mensajería o el formato, cambios que pueden ser tan detallados como el idioma, el color o la imagen incrustada en el mensaje. Es posible que desee probar precios o recomendaciones de productos en segmentos de clientes o en los canales más efectivos. Cuantos más parámetros, más permutaciones de prueba. Las pruebas pueden llevar tiempo, lo cual es otra razón más para hacer de la experimentación un esfuerzo continuo.

Su viaje de integración de IA trajo a Starbucks un aumento del 45% en los ingresos incrementales netos (ventas atribuibles a marketing, excluyendo descuentos) dentro de los cuatro meses posteriores a la ejecución de una prueba de concepto simplificada. A los 12 meses, después de pruebas aleatorias, un flujo constante de datos nuevos, más pruebas y la expansión del programa a toda la base de clientes, Starbucks experimentó un aumento del 150%. A medida que se agregaron más canales, más combinaciones de ofertas y más permutaciones, ese número alcanzó el 300%.

Integración inteligente en una relación compleja con el cliente

A diferencia de Starbucks, CVS Health opera en una industria regulada en la que está prohibido ofrecer incentivos a los clientes. Igual de importante (si no más), las variaciones en su base de pacientes-clientes y sus situaciones de salud, y en los comportamientos y acciones que la empresa quiere provocar, son considerablemente más complicadas que las de un minorista como Starbucks.

El viaje de CVS comenzó dentro de Aetna, que adquirió en 2018. Aetna quería motivar a los miembros de Medicare a tomar medidas más saludables. Ayudar a las personas a estar más saludables también reduciría los costos para todos y permitiría a la empresa mejorar el servicio al cliente.

La IA no inventa; simplemente predice, sobre la base de patrones pasados. Los especialistas en marketing inventan y la IA aprende qué funciona, para quién, cuándo y cómo.

Aetna pensó que podría alentar a sus clientes a tomar docenas de medidas de salud; sin embargo, la empresa entendió que, por ejemplo, lograr que los pacientes renueven sus recetas requiere un camino diferente para cada uno, e incluso uno diferente en el tiempo para el mismo paciente. Los datos que podrían predecir la mejor manera de influir en el comportamiento en un momento dado podrían provenir de reclamos recientes, respuestas a campañas de marketing, uso de herramientas digitales por parte de los clientes, demografía básica y variaciones regionales y protocolos clínicos, entre otras fuentes. Para adaptar sus comunicaciones, la empresa ha invertido en la capacidad de cambiar todos los aspectos de un alcance (canal, tiempo, frecuencia, mensaje, idioma), creando así millones de permutaciones potenciales. Probarlos significa personalizar las herramientas comunes de Martech para que sean lo suficientemente flexibles para capturar y usar esta gama de datos en expansión. Pero para optimizar todas las variantes potenciales, las herramientas de IA comúnmente disponibles necesitaban más datos históricos de los que estaban disponibles en ese momento. Entonces, Aetna desarrolló un enfoque para probar todas esas permutaciones en una escala gigantesca, con experimentos controlados.

¿Cómo sería un experimento controlado? Un ejemplo sería probar el impacto relativo de un mensaje de texto, un correo electrónico y una interacción en el mostrador de la farmacia mientras también se varía el mensaje, el momento y el incentivo. Debido a que la cantidad de permutaciones se suma rápidamente, la empresa usaría una herramienta de IA para examinar el rango de opciones de prueba y determinar la cantidad mínima de pruebas controladas suficientes para rastrear el impacto relativo de cada permutación.

En lugar de crear un algoritmo novedoso, Aetna optó por utilizar algoritmos de código abierto y reunió a un equipo para llevar a cabo una exploración continua. Los especialistas comerciales se sientan junto a los científicos e ingenieros de datos para alimentar el sistema con ideas y variantes novedosas, como nuevas ideas para copias o imágenes, nuevos incentivos o nuevas formas de llegar a un cliente, y luego analizan los resultados y corrigen el rumbo. Aetna también contrató economistas conductuales para ayudar a desarrollar las estrategias de contacto para varios perfiles situacionales: algunos enfatizan el riesgo de pérdida, otros enfatizan la importancia de un estilo de vida más saludable; algunos recuerdan a un cliente de la familia, otros refuerzan un mensaje de salud utilizando datos de la comunidad local.

En última instancia, este enfoque ha creado una combinación de seres humanos y sistemas técnicos individuales especialmente diseñados para impulsar el modelo comercial de CVS. Aguas abajo, este motor de inteligencia alimenta una variedad de sistemas específicos del canal donde se ejecutan las interacciones: correo electrónico, CRM, secuencias de comandos del centro de llamadas, mensajes de texto, notificaciones de aplicaciones e incluso ventanas emergentes en las pantallas de las computadoras de los farmacéuticos. Esos sistemas de ejecución canalizan los resultados de las interacciones hacia los algoritmos de la IA para seguir alimentando su aprendizaje. Con el tiempo, algunos de los datos se vuelven más complejos: por ejemplo, una conversación en un centro de llamadas puede diseccionarse mediante el procesamiento de lenguaje natural para comprender la disposición de la persona que llama, la elección de palabras, la comprensión, etc. Al centrarse en los flujos de datos, el potencial para la innovación, la experimentación y la arquitectura, CVS ha potenciado las herramientas abiertas de IA,

...

Para impulsar la ventaja competitiva con IA, debe integrar sus sistemas internos con los externos, primero para recopilar datos precisos de los clientes y luego para presentar los conocimientos resultantes como ofertas personalizadas. Ambos procesos deben llevarse a cabo con una escala y un alcance en constante expansión, agregando continuamente nuevas variables y detalles cada vez más granulares. Para el ejecutivo que debe comenzar a pensar como un integrador inteligente, este enfoque exige un nuevo modelo de liderazgo con nuevas prioridades para aprovechar las infinitas posibilidades. Obtener la integración correcta impulsa cada vez más una experiencia superior del cliente, y será el factor decisivo en la forma en que se construye el valor de la marca.

Una versión de este artículo apareció en la edición de julio-agosto de 2023 de Harvard Business Review.

Lea más sobre tecnología y análisis o temas relacionados IA y aprendizaje automático y centrado en el cliente

Silvio Palumbo es el director gerente y socio de la práctica de inteligencia artificial y análisis avanzado de BCG.

David Edelman es asesor ejecutivo y profesor titular en Harvard Business School.