Doxa 2288

Una guía para desarrollar resiliencia ante el cambio en la era de la IA

Por Karim R. Lakhani, Jen Stave, Douglas Ng y Daniel Martines

Experimentación

Harvard Business Review

#Doxa #guía #resiliencia #cambio #era #IA #experimentación #desafió #organización #personal #proceso #barrera #calidad #dato #complejidad #integración #costo #obstáculo #empresa #adaptarse #inventar #escalar #trabajo

Resumen. Entre los numerosos desafíos que enfrentan las organizaciones al implementar iniciativas de IA, la mayoría están relacionados con las personas y los procesos. Si bien es cierto que las organizaciones enfrentan barreras técnicas como la mala calidad de los datos, la complejidad de la integración o la infraestructura Costos, el principal obstáculo es la capacidad de las empresas para adaptarse, reinventarse y escalar nuevas formas de trabajo. Esto se denomina resiliencia al cambio.

Existe un consenso casi universal de que la IA transformará fundamentalmente la forma de hacer negocios; sin embargo, la mayoría de las organizaciones aún no han visto un impacto sustancial de sus iniciativas en IA. Una encuesta global de BCG a 1000 altos ejecutivos de más de 20 sectores revela que solo el 26 % de las organizaciones han obtenido valor de la IA, logrando un ahorro promedio de costos del 45 % y un crecimiento de ingresos del 60 % superior en comparación con empresas similares.

¿A qué se deben estos resultados tan decepcionantes? La encuesta reveló que, entre los numerosos desafíos que enfrentan las organizaciones al implementar iniciativas de IA, el 70 % se relaciona con las personas y los procesos. Si bien es cierto que las organizaciones enfrentan barreras técnicas adicionales, como la mala calidad de los datos, la complejidad de la integración o los costos de infraestructura, nuestra experiencia colectiva trabajando con cientos de empresas concuerda con la conclusión del estudio: el principal obstáculo es la capacidad de las empresas para adaptarse, reinventarse y escalar nuevas formas de trabajo. A esto lo llamamos resiliencia al cambio.

Por qué la resiliencia al cambio es escasa

En el pasado, la transformación organizacional era episódica. Se modernizaban los sistemas, se capacitaba al personal y se operaba en un entorno estable hasta que llegaba la siguiente ola de disrupción. Pero ahora la IA avanza a un ritmo que supera con creces la capacidad de adaptación de la mayoría de las organizaciones, y el cambio es implacable.

A los líderes empresariales les resulta más difícil afianzar la transformación de la IA en una hoja de ruta tradicional o utilizar medios convencionales para impulsar iniciativas de gestión del cambio. Las estrategias a cinco años ya no son válidas. Los ciclos de planificación anual no dan abasto. Los controles financieros, de riesgo y legales tradicionales se quedan cada vez más rezagados ante la aparición de nuevos tipos de riesgo. Los modelos operativos estáticos se convierten en pasivos. Incluso las nuevas formas de trabajo, como las metodologías ágiles, ampliamente adoptadas durante el auge de la era del software, no son suficientes. Para competir en este entorno volátil, los líderes deben adaptarse al cambio continuo; de lo contrario, se enfrentarán a la irrelevancia por la inacción o al agotamiento por perseguir objetos brillantes.

La resiliencia al cambio es la capacidad que permitirá a las organizaciones aprovechar las oportunidades y anticiparse a las amenazas que presenta la rápida evolución de la tecnología. Es un reflejo a nivel empresarial que convierte la disrupción continua en ciclos de aprendizaje repetibles que generan valor. Utiliza tres músculos:

• Detección, o la capacidad de detectar de forma temprana señales débiles de índole tecnológica, competitiva o social.
• Recableado, o la capacidad de redistribuir talento, datos, capital y derechos de decisión en días o semanas, no en trimestres fiscales.
• Lock-in, o la disciplina para codificar lo que un equipo aprende (en proceso, código o política) para que la siguiente iniciativa comience desde una línea de base más alta en lugar de reinventar la rueda.

Juntos, estos músculos pueden mantener el metabolismo de una organización al día con los rápidos avances de la IA.

Shopify ofrece un ejemplo convincente de resiliencia al cambio en acción. En lugar de superponer IA sobre las operaciones existentes, la empresa se reconfigura continuamente para mantenerse a la vanguardia de lo que viene. En 2023, Shopify tomó la audaz decisión de escindir toda su división de logística, una que había pasado años construyendo, para volver a centrarse en la innovación de productos. Este reajuste permitió a Shopify lanzar rápidamente funciones nativas de IA como Sidekick, un asistente integrado para emprendedores que ayuda con todo, desde el texto de marketing hasta la información de ventas. Al eliminar la complejidad y codificar los aprendizajes de pivotes anteriores, Shopify desbloqueó la velocidad y el enfoque, lo que le permitió servir a más de un millón de empresas con herramientas que reflejan las expectativas cambiantes del comercio digital. Su capacidad para detectar, reconfigurar y consolidar nuevas formas de trabajar la posiciona no solo como un adoptante de IA, sino como una empresa que se reconfigura continuamente para prosperar en la era de la IA.

Para comprender qué tan resiliente al cambio es su organización, pregúntese:

• ¿Es posible redistribuir a los empleados hacia iniciativas de alta prioridad y rápida evolución para responder a los cambios en las capacidades tecnológicas sin necesidad de revisar presupuestos u organigramas?
• Si un miembro del equipo tuviera una idea hoy, ¿tendría la motivación, el acceso, las herramientas y el apoyo para empezar a experimentar?
• Cuando un experimento muestra potencial, ¿existe un camino claro para escalarlo e integrarlo en todo el negocio?
• ¿Se trata el fracaso como una oportunidad de aprendizaje y se comparte abiertamente para mejorar el próximo intento?

Si no puede responder “sí” a la mayoría de estas preguntas, entonces su organización aún no tiene la resiliencia al cambio necesaria para convertir su estrategia de IA en mejoras de rendimiento duraderas.

Un manual de cinco pasos para fortalecer la resiliencia ante el cambio

Estos son los pasos que debe seguir como líder y organización para mejorar su resiliencia al cambio:

1. Aprender: comprender los conjuntos de herramientas, mentalidades y conjuntos de habilidades. 

Para identificar las debilidades en las herramientas, la mentalidad y las habilidades, es importante que sus empleados interactúen con la IA y realicen experimentos. Utilice estos experimentos para desarrollar una intuición sobre cómo su empresa podría reimaginar sus procesos, a la vez que identifica y elimina las barreras culturales que penalizan los pilotos fallidos o los cuellos de botella técnicos que hacen que el acceso a los datos sea un trámite de un mes.

Accenture comenzó animando a todas las funciones (desde ventas hasta RR. HH.) a desarrollar microaplicaciones que resolvieran un único problema. En 10 meses, este enfoque de "sandbox" produjo 300 aplicaciones de IA generativa, la mayoría de ellas utilidades ligeras como un asistente para borradores de propuestas o un resumen de notas de reuniones. Dado que cada aplicación pertenece al equipo que la creó, los empleados ven inmediatamente cómo la IA transforma su trabajo diario, transformando la cultura de la adopción pasiva a la experimentación activa.

Para impulsar la participación, Accenture está capacitando a 250.000 empleados en habilidades de IA de generación y brindando a cada alumno un entorno de datos seguro. Los primeros análisis demuestran que estas microapuestas son importantes: la IA de generación ya está ahorrando un 12 % de horas laborales y mejorando la calidad de los resultados en un 8,5 %, lo que impulsa transformaciones más amplias.

2. Hacer: Lanzar intervenciones específicas.

Aborde cada brecha en la resiliencia al cambio con la medida más sencilla que pueda generar impulso en semanas, no en trimestres. Si la cultura rehúye el riesgo, introduzca "microapuestas": experimentos de 10 días con un ritual público de celebración de los aprendizajes, no de los resultados. Donde las habilidades sean deficientes, ejecute sprints por cohortes que emparejen a expertos en el dominio con científicos de datos para entregar un concepto de IA funcional al final del sprint. El producto se convierte tanto en una capacidad como en una prueba de posibilidad. Si los conjuntos de herramientas son un lastre, implemente un espacio de pruebas de datos de autoservicio o un generador de flujos de trabajo de bajo código para que los equipos puedan probar ideas. Cuando una táctica marque la diferencia, codifíquela en manuales de estrategias, código reutilizable, políticas modificadas y difúndala a toda la empresa.

DBS Bank, con sede en Singapur, creó un ritual mensual de "retroalimentación y orientación estratégica" que identifica las fricciones culturales, de habilidades y de herramientas, y luego asigna "miniescuadrones" interfuncionales para abordar el mayor desafío. Un análisis inicial reveló transferencias manuales que ralentizaban la aprobación de préstamos. En cuestión de semanas, se puso en marcha un nuevo flujo de trabajo de evaluación crediticia con IA, que ahora procesa alrededor de 380.000 solicitudes de préstamo al año y reduce el trabajo manual en un 85%. Microintervenciones similares han generado más de 800 modelos de IA de producción en 350 casos de uso, generando un valor económico estimado de 563 millones de dólares estadounidenses solo en 2024. Cada solución exitosa se codifica en un manual de estrategias para todo el banco a través de la academia digital de DBS, lo que garantiza que cada ciclo de experimentación deje a la organización considerablemente más resiliente al cambio que el anterior.

3. Imagina: desafía a tu equipo a empezar de nuevo.

No modernice el antiguo modelo operativo; invente uno nuevo. Las funciones del futuro no se parecerán a las funciones laborales actuales. Las organizaciones con IA tienen roles, flujos de trabajo y propuestas de valor completamente nuevos.

Moderna plasmó esta creatividad al fusionar sus departamentos de tecnología y recursos humanos en una sola función, con el objetivo de redefinir las responsabilidades laborales, distinguiendo entre las tareas más adecuadas para las personas y las que pueden automatizarse. Esta estrategia, impulsada por la colaboración de Moderna con OpenAI, dio lugar a la creación de más de 3000 agentes de IA personalizados para diversas funciones empresariales, como ensayos clínicos y operaciones de RR. HH., modernizando fundamentalmente la dinámica laboral y las funciones de RR. HH. y tecnología.

4. Actuar: Adoptar ciclos continuos de medición, aprendizaje y reinversión.

No te quedes atrapado en el abismo de la desilusión. Cada ola de tecnología trae consigo expectativas infladas y un verdadero potencial estratégico, por lo que es importante avanzar con anticipación, aprender rápido y perseverar.

P&G ha abordado la resiliencia al cambio como una capacidad continua, generando impulso en conjuntos de herramientas, habilidades y mentalidades con resultados mensurables. Su plataforma personalizada de IA generativa, ChatPG, ahora tiene más de 30.000 empleados a bordo y respalda más de 35 casos de uso de producción. En marketing, ha reducido los ciclos de prueba de conceptos de meses a días, lo que reduce drásticamente los costos. En las operaciones de la cadena de suministro, los pilotos que combinan IA con sensores en la planta ya han permitido turnos completamente autónomos en las instalaciones de Gillette, parte de un plan más amplio que el CFO estima que podría desbloquear $ 2 mil millones en ganancias de productividad. En el frente de las habilidades, la compañía implementó la reskilling de IA, donde una cohorte inicial de 200 empleados obtuvo más de 4.400 insignias y casi 90 certificaciones, aplicando su aprendizaje a docenas de iniciativas digitales. Estas métricas permiten a P&G vincular la mejora de las habilidades directamente con el impacto en el negocio y optimizar sus inversiones en aprendizaje en consecuencia.

Culturalmente, P&G refuerza una mentalidad de crecimiento a través de su " Escuela de P&G ", que combina formación formal (10%), mentoría (20%) y experiencia laboral (70%). Personaliza aún más el aprendizaje mediante IA, que recomienda contenido y rutas de aprendizaje según los objetivos y el comportamiento individual, un enfoque que ha elevado los índices de participación en encuestas internas. Al integrar apuestas audaces, ciclos de aprendizaje rápidos y reinversión dirigida, P&G está convirtiendo la experimentación con IA en mejoras de rendimiento para toda la empresa.

5. Cuidado: poner el bienestar humano en el centro del cambio

Los cambios rápidos pueden agotar incluso a los empleados más capacitados. Sin una atención consciente al bienestar, el entusiasmo por las nuevas tecnologías se convierte rápidamente en fatiga y resistencia. Por lo tanto, el factor cuidado se centra en generar seguridad psicológica, monitorear el estado de ánimo en tiempo real y brindar a las personas los recursos (tiempo, coaching y flexibilidad) que necesitan para mantenerse saludables y comprometidas mientras aprenden nuevas formas de trabajar. Cuando los líderes tratan los datos de bienestar con el mismo rigor que las métricas financieras, no solo protegen a su personal, sino que también aceleran la adopción de las innovaciones que impulsan la ventaja competitiva.

Cisco demuestra cómo satisfacer las necesidades físicas, mentales y sociales de los empleados puede acelerar, en lugar de distraer, la reinvención digital. En 2024, el 84 % de su plantilla registró un total de 2,3 millones de registros de equipo, lo que permitió a los líderes obtener información en tiempo real sobre el estado de ánimo y la carga de trabajo. Al mismo tiempo, Cisco integró un bot "WellNest" con tecnología de IA para ofrecer recursos personalizados para el bienestar físico, mental, financiero y social. Estos apoyos holísticos han mantenido un alto nivel de compromiso mientras la empresa implementa pilotos de IA en toda la empresa, lo que demuestra que cuidar de las personas es fundamental para una transformación sostenida y resiliente.

...

Cuando los líderes adoptan la resiliencia al cambio, liberan un motor de adaptación continua que acelera cada experimento de IA, facilita cada reinvención y hace que cada éxito sea más escalable. Organizaciones como Shopify, DBS, Moderna y P&G demuestran lo que se puede lograr cuando el cambio se convierte en un impulso, no en una reacción. Por el contrario, quienes tratan la IA como una actualización puntual se arriesgan a caer en la trampa de usar nuevas herramientas para preservar los modelos antiguos. En la era actual de la IA, la brecha entre pioneros y seguidores rápidos se está ampliando. La diferencia no es el acceso a la tecnología, sino la valentía y la disciplina para seguir cambiando.

Lea más sobre Experimentación o temas relacionados IA generativa, IA y aprendizaje automático y Cambio organizacional

Karim R. Lakhani es profesor de Administración de Empresas Dorothy y Michael Hintze en la Escuela de Negocios de Harvard y presidente y cofundador del Instituto de Diseño de Datos Digitales de la Universidad de Harvard. Es coautor de Competing in the Age of AI (Harvard Business Review Press, 2020).

Jen Stave es la directora ejecutiva del Instituto de Diseño de Datos Digitales de Harvard, un instituto centrado en tecnologías de IA de vanguardia y su impacto en las empresas. Tiene un doctorado en ciencias sociales y ha liderado iniciativas de integración de IA/ML y transformación empresarial en los sectores financiero y gubernamental.

Douglas Ng es director de Diseño en el Instituto de Diseño de Datos Digitales de Harvard. Como estratega digital, educador tecnológico e investigador de innovación, Ng se especializa en la transformación de la IA.

Daniel Martines es director general de BCG X, donde se especializa en IA generativa, ingeniería de plataformas de IA y gestión de datos.

Doxa 1365

Cómo los gerentes pueden construir una cultura de experimentación.

Por Frank V. Céspedes y neil hoyne

Experimentación

Harvard Business Review

#doxa #gerente #cultura #experimentación #empresa #ideas #tiempo #dinero #riesgo #datos

Resumen. Las empresas tienden a asignar tiempo y dinero de prueba a grandes iniciativas mientras ignoran pequeñas ideas que, en conjunto, pueden tener un mayor impacto con menos riesgo. Los desafíos más difíciles en las pruebas son los procesos internos, especialmente la necesidad de trabajar en colaboración para definir un problema. La mayoría de los gerentes son buenos para hacer preguntas, pero no tan buenos (o, por varias razones, reacios) para especificar qué constituiría una respuesta factible a esas preguntas.

La mayoría de los gerentes son buenos para hacer preguntas, pero no tan buenos para especificar qué constituiría una respuesta factible a esas preguntas. Realizan pruebas y aprenden de los resultados, pero rara vez los resultados promueven el diálogo continuo y el cambio organizacional.

La experimentación fomenta la innovación, pero también puede consumir tiempo y recursos. Para que la experimentación sea una actividad productiva en su organización, debe gestionar varias condiciones. Lo que aprende de los experimentos, cómo aplica sus aprendizajes, las oportunidades que presenta su aprendizaje y, quizás lo más importante, las conversaciones que tiene con sus colegas sobre sus hallazgos deberían tener un impacto en la toma de decisiones de la organización.

En este artículo, detallamos las condiciones bajo las cuales se deben realizar los experimentos, incluidas las consideraciones clave que se deben tener al realizar pruebas en un entorno empresarial en constante cambio, con qué datos probar y los criterios con los que se deben tomar decisiones.

Comprender las pruebas en condiciones comerciales.

Muchos gerentes asumen que una prueba de un nuevo producto, precio o servicio es análoga a un ensayo clínico en medicina donde una hipótesis puede validarse rigurosamente. Pero las pruebas en los negocios presentan desafíos cualitativamente diferentes a los de la mayoría de las investigaciones académicas y médicas. Hay pocas oportunidades para ensayos controlados aleatorios en un mercado competitivo. Por lo general, debe reparar el barco mientras navega en aguas abiertas en condiciones climáticas que no controla. Esto es especialmente cierto en una era de big data e inteligencia artificial.

Algunas pruebas pueden ser innecesarias o tener un impacto administrativo mínimo si consulta los datos y la literatura existentes sobre el tema. Al desarrollar su estrategia digital, un destacado minorista no consideró la investigación existente, incluido un estudio publicado y revisado por pares sobre el comportamiento del consumidor en varios canales en más de 7 millones de compras por casi 1 millón de clientes. Insistiendo en que todas las pruebas fueran datos de "primera mano", encargó una prueba en seis ubicaciones propiedad de la empresa. Esto no solo extendió las decisiones y acciones por ocho meses, sin una ganancia en evidencia, sino que también brindó una amplia oportunidad para reforzar los sesgos heredados mientras los competidores comenzaban sus iniciativas multicanal, impidiendo el crecimiento de este minorista.

Debe considerar los costos de oportunidad inherentes a las pruebas y estar dispuesto a ajustar la metodología y el alcance en consecuencia. A una empresa SaaS B2B se le presentó evidencia de que un segmento de clientes tradicionalmente no rentable estaba comenzando a cambiar su comportamiento de compra, y una inversión de marketing relativamente modesta podría acelerar ese cambio. Pero el legado de pérdidas amenazaba mucho, por lo que los tomadores de decisiones establecieron un estándar alto en términos de duración del experimento, tamaño de la muestra y metodología para superar la incredulidad organizacional, cuando había medios mucho más simples disponibles para probar el ROI de nuevas iniciativas en este segmento. Las pruebas más grandes cuestan casi cinco veces más y retrasan la acción en un mercado que cambia rápidamente.

Las pruebas procesables desde el punto de vista gerencial rara vez tendrán un resultado "científico", pero aún pueden generar información y opciones. El objetivo es generar un diálogo relevante entre los tomadores de decisiones en condiciones de mercado cambiantes, no verdades eternas. Use lo que pueda para hoy mientras invierte en encontrar respuestas para el mañana.

Cuida tus datos.

Necesita datos fiables para evitar el síndrome de basura dentro, basura fuera. En la mayoría de los proyectos de aprendizaje automático, hasta el 80 % del tiempo y los costos de los científicos de datos y los grupos de TI se dedican a limpiar los datos, debido a entradas inconsistentes, puntos de vista obsoletos del comportamiento del comprador y suposiciones heredadas.

Los ejemplos comunes involucran pruebas impulsadas por datos en sistemas de gestión de relaciones con clientes (CRM). Las entradas son ruidosas porque el sistema informa el resultado agregado de lo que, en realidad, son varias personas que utilizan diferentes criterios. Un representante ingresa una solicitud de cotización de precio como cliente potencial calificado o cuenta activa en el sistema; otro utiliza la identificación de un presupuesto como criterio para calificar un lead o responder consultas de precios. El problema se magnifica cuando un esfuerzo multicanal es relevante para la prueba.

La mayoría del software de CRM también pondera las expectativas de ingresos por etapa de la tubería en el supuesto de que las probabilidades de cierre aumentan en las etapas sucesivas informadas. Pero en lugar de moverse secuencialmente a través de un embudo lineal, los compradores multicanal ahora pasan de los canales en línea a los canales físicos e influyentes varias veces en los viajes de compra. Sin embargo, una vez que el sistema está en su lugar, las pruebas se diseñan para optimizar los parámetros del software, lo que refuerza una visión obsoleta del comportamiento del consumidor. La prueba se convierte en una profecía autocumplida, no en una ventana a las realidades del mercado. En términos más generales, como han señalado otros, dado que el fácil acceso a través de dispositivos móviles hace que la información justo a tiempo sea un factor cada vez mayor en las decisiones de compra, muchas técnicas de investigación tradicionales, como el análisis conjunto, no reflejan cómo se toman las decisiones de compra.

El legado de tales “pruebas” puede perdurar durante años. Uno de los autores de este artículo trabajó con una empresa en la que la tasa de abandono en su base de clientes (3% cada año, alegaron sus especialistas en marketing) se estableció en la década de 1990, una cifra que la empresa ha utilizado desde entonces, a pesar de los repetidos cambios en los productos., precios, competencia, sustitutos y elecciones del consumidor.

Debe crear pruebas a partir de datos en los que tenga confianza. Por ejemplo, las devoluciones de productos son un problema de un billón de dólares para los minoristas de todo el mundo, y cada vez son más grandes a medida que Amazon Prime hace que las devoluciones "gratuitas" sean una norma cada vez mayor. Puede preguntar a los clientes si planean devolver su compra, pero las encuestas previas son una base deficiente para predecir este comportamiento, y algunas empresas ahora ofrecen descuentos a los clientes que renuncian a su derecho a devolver un producto, una inhibición para comprar en muchos. categorías. El historial de pedidos de un comprador es una base más firme para la prueba. Un estudio encontró que cuando los compradores interactúan con los productos, haciendo zoom para ver la textura de la tela o girándola para ver su apariencia desde múltiples lados, es menos probable que devuelvan la compra. Por el contrario, es más probable que aquellos que ordenan en una dispersión de tamaños devuelvan productos.

Establecer criterios para la toma de decisiones.

En nuestra experiencia, los desafíos más difíciles en las pruebas son los procesos internos, especialmente la necesidad de trabajar en colaboración para definir un problema. La mayoría de los gerentes son buenos para hacer preguntas, pero no tan buenos (o, por varias razones, reacios) para especificar qué constituiría una respuesta factible a esas preguntas.

Los datos, incluso los datos supuestamente autocorregibles como en algunos programas de IA, nunca son lo mismo que la respuesta a un problema de gestión. Hace años, Peter Drucker enfatizó esto : “La computadora no toma decisiones; es un imbécil total, y ahí radica su fuerza. Nos obliga a pensar, a poner los criterios”. Los datos son cruciales, pero son mudos. Los gerentes siempre deben interpretar los datos con un fin en mente.

El precio es un ejemplo. Un precio tiene múltiples dimensiones: precio base, descuentos sobre el precio de lista, descuentos vinculados al volumen, ofertas especiales, precio por servicios adicionales, disposición a pagar según la aplicación del producto, etc. Además, la información de precios ahora suele estar a un clic de distancia para los clientes. Sitios como Edmunds.com y Kayak facilitan las comparaciones de precios en múltiples categorías. Y la inercia rara vez es la opción que maximiza las ganancias para los vendedores. Observe, por ejemplo, cómo Amazon destila miles de SKU para bienes de consumo empaquetados en comparaciones de precio por onza en su sitio web.

La prueba de precios debe ser una parte constante del marketing efectivo, pero primero aclare los criterios de evaluación porque, en última instancia, la prueba en los negocios significa evaluar alternativas. Hay una gran diferencia entre usar el aumento de las ganancias o el aumento de los ingresos, por ejemplo, como criterio, y los cambios de precios suelen tener un impacto en varios períodos de tiempo, no solo a corto plazo. Sin embargo, la mayoría de las empresas no especifican los criterios que utilizarán para interpretar las pruebas de precios y gastan tiempo y dinero en una expedición de pesca desenfocada que no lleva a ninguna parte.

Una excepción es Basecamp, el proveedor de software colaborativo cuyos productos abarcan una amplia gama de usuarios, aplicaciones, individuos y grandes corporaciones. Cuando presentó su producto Basecamp 3, realizó una combinación de encuestas de precios, pruebas A/B, varias ofertas y especificó sus criterios por adelantado para tomar decisiones. Como señaló su analista jefe de datos en un caso de la Escuela de Negocios de Harvard, los productos de Basecamp se venden a través de un modelo de comercio electrónico entrante de bajo costo, por lo que “los precios óptimos [son] aquellos que resultan en el máximo valor de por vida (LTV) [del cliente]. Aceptaríamos una tarifa de compra más baja si un valor promedio más alto compensa eso, y viceversa. También aceptaríamos un monto de factura promedio más bajo si condujera a una mayor retención y, por lo tanto, a un mayor LTV”. La firma también fue clara sobre los criterios a utilizar para evaluar los resultados: "Es difícil probar el LTV directamente [porque] es un resultado a largo plazo sensible a elementos más allá del precio... El impacto en el LTV se estima evaluando las tasas de conversión (cuentas gratuitas que actualizan a un plan pago) e ingresos mensuales iniciales (precio promedio que paga un usuario después de la conversión a un plan pago)”.

Estos criterios ayudaron al diálogo organizacional y mejoraron los esfuerzos multifuncionales para evaluar los datos e implementar opciones. Existe una compensación entre las oportunidades de precios de LTV y la maximización de la adquisición inicial de clientes. Las diferentes funciones (ventas, marketing, operaciones, finanzas, relaciones con inversionistas) generalmente tienen diferentes puntos de vista de esa compensación, y en muchas empresas los gerentes detienen opciones valiosas que optimizan las métricas de su función, no el valor empresarial.

Preste atención a las ideas "pequeñas".

Pocas oportunidades de miles de millones de dólares comienzan de esa manera, pero las empresas tienden a asignar tiempo y dinero de prueba a grandes iniciativas mientras ignoran pequeñas ideas que, en conjunto, pueden tener un mayor impacto con menos riesgo. El precio es de nuevo un ejemplo. El impacto varía según la industria, pero los estudios indican que para una empresa global 1000, un aumento del 1 % en la realización del precio, no necesariamente aumentando el precio en cada pedido, pero promediando un 1 % más y manteniendo el volumen constante, generalmente significa un 8 % a una ganancia del 12% en las ganancias operativas. Estos resultados han sido constantes durante décadas, antes de que Internet se convirtiera en un medio comercial, desde entonces, y tanto para empresas en línea como fuera de línea.

Busque el progreso, no la perfección, e invierta en procesos que permitan a los empleados presentar ideas aparentemente pequeñas. Los canales en línea hacen que probar estas ideas sea factible y económico cuando se sabe cómo hacer preguntas. Aquí hay tres enfoques sencillos:

• Extraiga las interacciones de compra de su sitio web. Cuando las aerolíneas agregan una pregunta sobre si un viaje es por negocios o personal, tienen una idea de la sensibilidad de los precios para las actualizaciones.
• Alterne periódicamente las preguntas que hace, recopilando ideas que se pierden cuando las mismas preguntas no cambian durante meses o años.
• Involucrar a usuarios y no usuarios. Ahora existe una clase de herramientas que le permiten interactuar directamente con los clientes actuales y potenciales en tiempo real y en diferentes puntos de sus viajes de compra.

Como demostró la pandemia, los mercados se mueven más rápido que nunca y su trabajo es adaptarse. Hablar de "big data" y "transformación digital" tiene a muchos gerentes obsesionados con cómo almacenar datos. Pero las mejores empresas se obsesionan con cómo pueden usar sus datos en pruebas procesables de nuevas ideas. Piense en las pruebas en su organización como parte de una conversación continua con su mercado: una película, no una selfie o una instantánea, en un mundo que nunca deja de cambiar.

Frank V. Céspedes es profesor titular de la Escuela de Negocios de Harvard y autor de Gestión de ventas que funciona: cómo vender en un mundo que nunca deja de cambiar (Harvard Business Review Press, 2021).

Neil Hoyne es estratega jefe de medición en Google y autor de Converted: The Data-Driven Way to Win Customers' Hearts (Penguin).