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

La IA tiene el poder de recopilar, analizar y utilizar enormes volúmenes de datos de clientes individuales para lograr precisión y escalabilidad en la personalización. Las experiencias de Mercury Financial, CVS Health y Starbucks desmienten la idea predominante de que extraer valor de las soluciones de IA es un ejercicio de creación de tecnología. Esa forma de pensar impide que las empresas capten el poder de la IA. No necesitan crearlo, solo tienen que integrarlo adecuadamente en un contexto empresarial determinado.

Pero la IA probablemente solo sea alrededor del 10% de la salsa secreta. El otro 90% reside en la combinación de datos, experimentación y talento que activa e informa constantemente la inteligencia detrás de la personalización. La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología no es más que la herramienta para alcanzarla. Los autores describen lo que significa integrar las herramientas de IA y lo que se necesita para experimentar continuamente, generar aprendizaje de forma constante e importar datos nuevos para mejorar y refinar la experiencia de los clientes.

•••

Resumen de la idea

La oportunidad

La IA tiene el poder de recopilar, analizar y utilizar enormes volúmenes de datos de clientes individuales para personalizar el recorrido del cliente en cada punto de contacto.

El desafío

Muchas empresas evitan por completo los proyectos de IA porque creen que para extraer valor de las soluciones de IA es necesario desarrollar primero una tecnología complicada.

La solución

Las empresas pueden utilizar herramientas de IA de código abierto y datos de proveedores externos mientras experimentan, aprenden, importan datos nuevos y perfeccionan las experiencias de los clientes de forma continua.

Mercury Financial, fundada en 2014, es una pequeña tecnología financiera con una gran misión: ayudar a los clientes a restablecer sus perfiles crediticios. Jim Peterson, CEO de Mercury y veterano de las finanzas, sabía desde el principio que la IA era crucial para crear los viajes personalizados de los clientes que serían la base de la oferta de Mercury. Así que, en 2021, la empresa comenzó a buscar un motor impulsado por la IA que pudiera dar a cada cliente el empujón correcto en el momento adecuado, a través del canal correcto y en la secuencia correcta. El empujón podría ser un intento de dividir los pagos entre varias tarjetas de crédito o una advertencia amable de que el cliente se acerca al límite de crédito. Algunos pueden responder a un mensaje de texto y otros a un correo electrónico. Es mejor que algunos respondan dos semanas antes de la fecha de acción y otros dos días antes. Cualquiera de esos elementos —o, más precisamente, la combinación particular de ellos— podría marcar la diferencia entre un cliente totalmente comprometido y uno muy molesto. Mercury, un antiguo cliente de BCG, no se dedica a crear tecnología, por lo que sus líderes decidieron empezar con la IA de código abierto. Dado que la mayoría de estas herramientas cobran según el uso, los costes 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 frontales y secundarios. Luego, la empresa automatizó sus procesos de marketing y, de nuevo, se basó en las herramientas de IA disponibles, pero utilizó su propio código para todas las pruebas necesarias para saber qué funcionó para quién y para hacer un seguimiento de los resultados anteriores. El sistema que creó se centraba en gestionar cientos de variables con fines de segmentación y en crear contenido de forma microgranular. En seis meses, el piloto generó una mejora del 10% en las medidas adoptadas como resultado de los mensajes de la tecnología financiera. Mercury sabía que estaba metido en algo grande. La IA es necesaria para lograr precisión y escalabilidad en la personalización. Puede recopilar, analizar y utilizar enormes volúmenes de datos de clientes individuales y personalizar el recorrido del cliente en cada punto de contacto. La experiencia de Mercury y la experiencia de CVS y Starbucks (que analizaremos en detalle) desmienten la idea predominante de que extraer valor de las soluciones de IA es un ejercicio complicado de creación de tecnología. Esa forma de pensar impide que las empresas capten el poder de la IA. No necesitan crearlo, solo tienen que integrarlo adecuadamente en un contexto empresarial determinado. Cuando reconoce el valor de centrar sus recursos en la integración y el cambio de procesos, se agudiza lo que busca en un sistema de IA. Empieza a entender la importancia de ver sus datos y el diseño de su arquitectura tecnológica como activos competitivos. Y usted presiona al resto de su organización para que impulse más pruebas que puedan alimentar la inteligencia de su sistema de IA. Pero la IA probablemente solo sea alrededor del 10% de la salsa secreta. El otro 90% reside en la combinación de datos, experimentación y talento que activan e informan constantemente la inteligencia detrás del sistema. La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología no es más que la herramienta para alcanzarla. En este artículo presentaremos lo que significa integrar las herramientas de IA y lo que se necesita para experimentar continuamente, generar aprendizaje de manera constante e importar datos nuevos para mejorar y refinar la experiencia de los clientes. ## Reconsidere la forma en que adquiere la tecnología En más conversaciones de las que podemos contar, nos encontramos ocultando a los ejecutivos sus ideas sobre lo que crea una ventaja para la IA. Una empresa no tiene por qué aspirar a ser otra AWS, Microsoft, Google o Adobe, todos creadores de herramientas principales de IA que, al fin y al cabo, se dedican a venderlas. Los maestros conocidos de la IA, como Uber, Netflix y Spotify, pueden investigar y diseñar nuevas soluciones, pero por lo general lo hacen para ampliar las aplicaciones y adaptarlas a su enorme escala única o para realizar funciones específicas que no estarían disponibles de otro modo (como el análisis de fotogramas de películas en el caso del algoritmo de recomendaciones de Netflix). Pero pocas empresas ajenas al 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, pero los resultados empresariales varían considerablemente. Una diferencia fundamental son los datos que le proporciona una empresa. La ventaja competitiva depende de la recopilación incesante de datos, la transformación o el enriquecimiento selectivos y de alimentar las bibliotecas de IA que sirven de base para las capacidades de próxima mejor acción. El trabajo del vendedor consiste en aplicar de forma creativa esas recomendaciones impulsadas por la IA a las campañas de marketing y aprender de ellas de forma iterativa.  _Edoardo Tresoldi utiliza la forma, el marco y la transparencia de la malla metálica para ilustrar un diálogo entre la arquitectura y el mundo._ Hoy en día existe una gran cantidad de tecnología de código abierto, que incluye la mayoría de las herramientas de IA (amplias, como la 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). Las grandes tecnologías ponen a disposición muchas de sus bibliotecas o herramientas específicas para tareas: Meta (un cliente de BCG), por ejemplo, con su biblioteca Prophet de previsiones, y Airbnb con Airflow, una plataforma de gestión del flujo de trabajo para las canalizaciones de ingeniería de datos. Las capacidades de IA están integradas en muchas herramientas comunes de experiencia del cliente, como las «nubes de experiencias» de Salesforce y Adobe (ambas empresas son socias de BCG). También mejoran constantemente: gracias a las interfaces de programación de aplicaciones (API) y a la arquitectura de los sistemas tecnológicos modernos, cada vez es más fácil hacer que los sistemas se comuniquen entre sí, como veremos más adelante. Otra parte de desacreditación tiene que ver con cómo empezar. Al contrario de lo que se piensa en general, no es necesario un enfoque a lo grande. Al igual que ocurre con los enfoques verdaderamente ágiles, es inteligente empezar de forma limitada y centrarse en casos de uso específicos (la incorporación de los clientes o la participación temprana, por ejemplo) en lugar de intentar rediseñar toda la experiencia del cliente desde cero. Es inteligente elegir un área en la que pueda conseguir terreno real con la IA y, después, ampliar gradualmente su uso. Nada de esto pretende sugerir que implementar una experiencia de cliente basada en la IA sea fácil. Y tres defectos comunes pueden hacer que sea especialmente difícil, incluso cuando se tiene la solución de IA adecuada. ### Limitaciones en la captura de datos. Se pueden producir cuando la mayoría de los datos no están estructurados, como en la atención médica, o no se registran, como en el sector de la hostelería. Nadie introduce comentarios de las tarjetas que se dejan a los huéspedes en las habitaciones de hotel, que pueden contener información valiosa y accesible de forma inmediata. Si un hotel registrara sus preferencias en cuanto al tipo de cama, el horario de limpieza, las alergias alimentarias, las instalaciones de cada establecimiento que haya utilizado, etc., su próxima estancia 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 que no sean carne o cuáles buscan gangas, sin confirmación explícita. La IA proporciona acceso a esas predicciones personalizadas de forma automática y a escala. Pero para poner a prueba la suposición, necesita un sistema de tecnología de marketing en el que pueda canalizar esos datos en forma de diálogo. La información en sí misma no puede crear valor a menos que se active. ### Incapacidad del sistema para escalar automáticamente. Una gran cantidad de información sobre los clientes sirve de poco si sus sistemas no pueden convertir cada una de ellas en acciones personalizadas para los clientes individuales. Y no puede confiar en la entrada o el análisis manuales para desarrollar una campaña personalizada perfecta y única. Sin un sistema sólido y escalable, la información se suprimirá o se utilizará de forma demasiado limitada en una sola función. ## Las cuatro claves de la integración inteligente En nuestra experiencia guiando a diversas empresas a medida que desarrollaban viajes de clientes basados en la IA, hemos identificado cuatro características que definen a un integrador inteligente: _claridad y alineación de los objetivos, instrumentación de datos sólida, una arquitectura tecnológica poco conectada,_ y _una cultura experimental._ Cabe destacar que ninguno de ellos incluye tener un algoritmo de IA mejor, aunque sí que requieren uno mejor entrenado. ### 1. Claridad y alineación de los objetivos. El marketing basado en la IA requiere objetivos de optimización claros para cada caso de uso, y esos objetivos deben ser razonablemente limitados. Los objetivos generales generales, como «acelerar el crecimiento de las ventas», hacen que sea imposible saber cómo atribuir los resultados. Un objetivo más apropiado para la IA podría ser «minimizar el tiempo de espera», «reducir el coste del incentivo por venta» o «hacer una sugerencia que el cliente acepte». Si el cliente puede tomar varias medidas, tendrá que decidirlo con antelación: ¿Queremos que la IA se optimice para las opciones más valiosas o para las que es más probable que tome el cliente? Las aplicaciones de IA hacen predicciones principalmente sobre la base de datos históricos. Si la IA se centra de manera demasiado amplia, pierde la capacidad de optimización; si se enfrenta a una situación de la que no hay precedentes, sus predicciones no serán precisas. En lugar de un motor de IA que lo gobierne todo, puede que necesite varios motores de IA para crear una experiencia de cliente más amplia. Una importante empresa de atención médica, por ejemplo, tiene un motor para identificar a los miembros del plan de salud que corren mayor riesgo de sufrir un incidente grave; otro para recomendar cómo acercarse a un miembro; otro para sugerir un diseño de prueba con fines de experimentación y otro más para optimizar toda la cartera de tipos de divulgación dentro de un presupuesto específico. La personalización es el objetivo; es lo que constituye la fuerza estratégica de una empresa. La tecnología no es más que la herramienta para alcanzarla. Una de las razones por las que Starbucks ha tenido éxito en la personalización basada en la IA es su claridad de objetivos. Al impulsar una venta a partir de una campaña de marketing, la empresa tiene en cuenta el hecho de que muchos de sus equipos de productos quieren que sus ofertas se promocionen, por lo que ha decidido optimizarlas para que el toque tenga más probabilidades de obligar al cliente a comprar. (Junto con los datos de respuesta reales, Starbucks capta el interés implícito (por ejemplo, lo que el cliente busca y si pasa el ratón sobre una imagen, hace clic en una descripción o vuelve a la misma página tres veces en una semana). Más allá de su constante experimentación, la empresa se centra en cómo el marketing puede aumentar los ingresos netos totales, en lugar de optimizar los beneficios y pérdidas 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 a la empresa y los resultados en todos los puntos de contacto son los detalles del programa de personalización de la IA de una empresa. Esta instrumentación de datos incluye de todo, desde registros de centros de llamadas y datos procedentes de relaciones con segundos y terceros (como socios de canal, empresas de medios y agentes de datos) hasta software de automatización que genera y rastrea las comunicaciones digitales (como las de Salesforce, HubSpot e Illumin). Una empresa necesita «receptores» para captar la información sobre todas las interacciones del cliente en todos los canales, y esa información debe ser extraordinariamente detallada. Por ejemplo, en una interacción con un centro de llamadas, la empresa querría saber algo más que el propósito de la llamada: ¿La persona que llama parecía molesta o confundida? ¿El ordenador de la persona que llamó estaba abierto durante el encuentro? ¿La persona que llamó seguía las instrucciones del representante o se distraía con otra cosa? Cuando una empresa envía un correo electrónico de prueba, debe poder controlar la redacción, la imagen incrustada, el tamaño de la fuente y los colores utilizados y cualquier otra variable que pueda afectar a 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) era director de marketing en Aetna (que ahora forma parte de CVS Health), el objetivo principal era lograr que las personas tomaran medidas de promoción de la salud, como vacunarse contra la gripe y tomar sus medicamentos con regularidad. La empresa sabía quién quería que tomara qué medidas, pero no sabía cómo lograr que esas personas las cumplieran. Fue necesaria una enorme cantidad de experimentación: cambiar el mensaje (tanto la oferta como su contenido creativo), probar un incentivo, modificar la hora del día en que se envían y la secuencia de los mensajes, etc., nada de lo cual habría sido posible sin los mecanismos establecidos para configurar las pruebas y rastrear las microvariables que generaban las respuestas. Aetna tenía que asegurarse de que cada interacción estuviera etiquetada de forma exhaustiva con los descriptores de lo que contenía (color del texto, naturaleza de la imagen, tono del idioma, palabras específicas) y de que cada punto de interacción se capturara con todo detalle: cuándo el cliente interactuaba, cuántos clics había, si el cliente se iba o regresaba, adónde iba el viaje después del primer clic. Esto requería incrustar el código en todos los lugares de interacción (web, aplicaciones, correo electrónico, SMS, etc.) e integrar los flujos de datos que provenían de ellos. Ahí es donde la empresa centró su tiempo, no en crear una nueva IA. A medida que los sistemas de IA escriben código cada vez mejor para facilitar la integración de los datos y etiquetar automáticamente los activos de marketing, el trabajo se hace más fácil. Una gran cantidad de información sobre los clientes sirve de poco si sus sistemas no pueden convertir cada una de ellas en acciones personalizadas para los clientes individuales. Los datos de fuentes de terceros, como el clima, los cortes de energía, los datos demográficos y psicográficos y los datos de salud generales sobre la población de códigos postales, proporcionan más contexto. Cuanto más amplia y detallada sea la información, más ricos pueden ser los modelos. Esa riqueza impulsa su ventaja de rendimiento. ¿Los clientes responden de inmediato o tardan días? ¿Se desplazan hacia abajo para obtener más información y, a continuación, hacen clic o saltan inmediatamente? ¿A qué incentivos responden con más prontitud? La instrumentación de datos permite realizar pruebas y experimentos continuos que proporcionan respuestas, ayudan al sistema a seguir aprendiendo y ayudan a la empresa a entender lo que se necesita para que el cliente A responda en comparación con lo que necesitan los clientes B, C y D. ### 3. Una arquitectura tecnológica vagamente conectada. El conjunto de tecnologías de experiencia del cliente se compone de un motor de predicción, un motor de secuenciación (o gestión de la experiencia), un motor de contenido, motores de entrega 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 de atención al cliente, uso del producto, facturación, canales en línea y, a veces, una tienda minorista. Dada la probabilidad de que se añadan nuevas capacidades y de que sea necesario conectar varios motores de IA, lo mejor es diseñar la pila de forma modular. La IA proporciona la inteligencia y la velocidad y la escala computacionales para impulsar las operaciones que se ven impulsadas cada vez más por la automatización. Por lo tanto, las tecnologías que llevan a cabo la automatización deben ser capaces de aceptar las señales de la IA y devolverle información para ayudarla a mejorar. Lo ideal es una arquitectura tecnológica poco conectada, en la que los sistemas funcionen juntos pero no dependan unos de otros. Las interfaces de programación de aplicaciones disponibles públicamente (que dan a los desarrolladores acceso al software propietario 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 sencillo es una API que vincula el sistema CRM de una empresa a un sistema de telefonía basado en la nube, lo que permite a un agente de un centro de llamadas llamar inmediatamente a un cliente potencial recién generado sin tener que salir del software de CRM. Con las API abiertas, la información se puede mover sin problemas, los modelos se actualizan fácilmente y se pueden añadir nuevas funciones de forma modular. Una arquitectura poco conectada permite a las empresas organizar maniobras competitivas más rápidas, ya que pueden cambiar fácilmente los componentes en cuanto estén disponibles nuevas capacidades, con unos costes de cambio mínimos. Para ver cómo una arquitectura conectada de forma flexible permite la integración de los distintos elementos de la pila y permite la personalización a escala (el objetivo de la integración inteligente), piense en Comcast. La empresa se dio cuenta de que sería imposible conectar formalmente todos los sistemas de datos de sus clientes. Pero los sistemas tenían que estar vinculados de alguna manera si las decisiones de la IA fueran a determinar qué enviar a quién, a través de qué canal y los datos de retroalimentación se devolvían a la IA. Pointillist, la herramienta de toma de decisiones de IA de Comcast, cumple una doble función. En primer lugar, hace coincidir los datos del cliente de todos los sistemas de la empresa (las interacciones entre las aplicaciones, el centro de llamadas, los registros de uso de los productos, etc.) y crea una vista integrada del cliente. Luego, al funcionar como el middleware, reúne varias bases de datos en una base de datos integrada, lo que evita la necesidad de crear otra base de datos formal. Pointillist busca toda la información relevante sobre un cliente y la marca con la hora para que la empresa vea el viaje del cliente. En tiempo real, el sistema encuentra las coincidencias, crea mapas de viaje, identifica las anomalías que requieren atención y profundiza en las causas fundamentales. Utilizando los estándares de Genesys, el sistema central de clientes de Comcast (y un cliente de David), Pointillist canaliza la información sobre el cliente hacia todos los sistemas de interacción orientados al cliente, que son compatibles con la API de Genesys.  _Edoardo Tresoldi_ Las interacciones con los clientes se rastrean en orden cronológico y con fecha y hora. El sistema avisará a Comcast en tiempo real de que Jane Doe utiliza 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 sugiriéndole una solución rápida. Si no actúa o si esa acción no resuelve el problema, el software indica que probablemente llame; 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 una persona, lo que, al ser la solución más cara, siempre es el último recurso. Lo mejor de este sistema es su capacidad de respuesta en tiempo real y la velocidad y la experiencia sin fricciones que ofrece. Con el tiempo, a medida que Pointillist sigue recopilando información, permite a Comcast probar constantemente formas nuevas y más eficaces de gestionar cualquier problema dado: determinar el mensaje ideal, encontrar la mejor manera de interceptar al cliente e incluso hacer un seguimiento de si los clientes que tienen problemas contactan realmente con la empresa o no. En sus primeros 18 meses, este sistema impulsado por la IA ahorró a Comcast más de un 10% en gastos de centro de llamadas. Los comentarios que recibe la empresa y las mejoras que ha introducido en la experiencia de los clientes en línea crean menos motivos para llamar. El sistema ha ayudado a Xfinity Mobile de Comcast a alcanzar el primer puesto de J.D. Power durante varios años consecutivos. ### 4. Una cultura experimental. La IA aviva la creatividad al permitir a la empresa poner a prueba ideas rápidamente y hacer más a gran escala. Además, aprende del pasado, a través de millones de puntos de datos, lo que permite innovar más rápido que un humano. Pero la IA no inventa, solo predice, basándose en patrones pasados. Los vendedores 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 probar y aprender es esencial para traducir esos datos de materia prima a moneda. Eso significa aceptar que la experimentación tiene costes de oportunidad y que, por definición, algunos experimentos no funcionan. Pero incluso los experimentos fallidos ofrecen lecciones que valen la pena. Los equipos ágiles son esenciales en este esfuerzo. Tienen la destreza y la creatividad para perseguir 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 según lo que revelen los experimentos. Por lo tanto, los líderes deben examinar sus incentivos y planes operativos para asegurarse de que promueven prácticas ágiles, que permitan realizar pruebas que no arrojen resultados satisfactorios y que tengan la flexibilidad necesaria para cambiar de rumbo. Pero los líderes también deben adoptar una mentalidad experimental y tener la licencia financiera para correr riesgos. La experimentación requiere grupos de control para validar los resultados de las pruebas. Debe ser capaz de reducir sus pérdidas y doblar las apuestas de los ganadores. Tiene que financiar los cambios operativos y los nuevos incentivos que hay que poner a prueba. Cuanto más estricta sea la correa financiera, más difícil será innovar. No puede experimentar si no puede correr riesgos. Cuando una empresa envía un correo electrónico de prueba, debe poder supervisar cualquier variable que pueda afectar a 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 no solo se basa en los datos y la tecnología digital recopilados digitalmente, sino también en su experiencia minorista. Su tecnología se compone al 100% de herramientas y lenguajes de código abierto. Starbucks se centra en enriquecer constantemente su conjunto de datos y en conectarlo a su arquitectura tecnológica, no en desarrollar los algoritmos. Cada semana, Starbucks realiza pruebas aleatorias con un subgrupo de sus clientes para poner a prueba y aprender y para reforzar o desafiar las hipótesis de marketing. Los clientes que suelen visitar tiendas minoristas tienen incentivos para interactuar a través de la aplicación Starbucks y dejar atrás una miga de pan digital. La aplicación recopila datos detallados: cuándo, qué y dónde hicieron los clientes; si hicieron su pedido normal o si agregaron un artículo; y detalles del mensaje de estímulo (redacción, incentivos, cuándo se envió, cuándo se abrió). La aplicación aprovecha todos esos detalles para personalizar la divulgación de marketing a nivel individual. La empresa puede experimentar con los productos existentes y 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 incrustados en el mensaje. Puede que quiera probar las recomendaciones de precios o productos en los segmentos de clientes o en los canales más eficaces. Cuantos más parámetros, más permutaciones de prueba. Las pruebas pueden llevar tiempo, lo cual es otra razón para hacer que la experimentación sea un esfuerzo continuo. Su trayectoria de integración con la IA permitió a Starbucks aumentar un 45% sus ingresos netos incrementales (las ventas se atribuyen al marketing, excluidos los descuentos) a los cuatro meses de haber realizado una prueba de concepto simplificada. A los 12 meses, tras 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 añadían más canales, más combinaciones de ofertas y más permutaciones, esa cifra alcanzó el 300%. ## Integración inteligente en una relación compleja con el cliente A diferencia de Starbucks, CVS Health opera en un sector regulado en el que está prohibido ofrecer incentivos a los clientes. Igual de importante (si no más) es que las variaciones entre su base de pacientes y 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. La trayectoria de CVS comenzó en 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 sanas también reduciría los costes para todos y permitiría a la empresa mejorar el servicio de atención al cliente. La IA no inventa, solo predice, basándose en patrones pasados. Los vendedores inventan y la IA aprende qué funciona, para quién, cuándo y cómo. Aetna pensó que podría animar a sus clientes a tomar docenas de medidas de salud; sin embargo, la empresa comprendió que, por ejemplo, hacer que los pacientes resurtieran sus recetas requiere un camino diferente para cada uno, e incluso uno diferente con 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 las afirmaciones recientes, las respuestas a las campañas de marketing, el uso de herramientas digitales por parte de los clientes, las variaciones demográficas y regionales básicas y los protocolos clínicos, entre otras fuentes. Para personalizar sus comunicaciones, la empresa ha invertido en la posibilidad de cambiar todos los aspectos de la divulgación (canal, horario, frecuencia, mensaje, idioma), creando así millones de posibles permutaciones. Probarlas significa personalizar las herramientas de tecnología de marketing más comunes para que sean lo suficientemente flexibles como para capturar y utilizar esta gama cada vez mayor de datos. Sin embargo, para optimizar todas las variantes posibles, las herramientas de IA disponibles más habitualmente necesitaban más datos históricos de los que estaban disponibles en ese momento. Así que Aetna desarrolló un enfoque para probar todas esas permutaciones a una escala gigantesca, con experimentos controlados. ¿Qué aspecto podría tener un experimento controlado? Un ejemplo sería comprobar el impacto relativo de un mensaje de texto, un correo electrónico y una interacción en el mostrador de la farmacia y, al mismo tiempo, variar el mensaje, la hora y el incentivo. Como el número de permutaciones aumenta rápidamente, la empresa utilizaría una herramienta de IA para examinar la gama de opciones de prueba y determinar el número mínimo de pruebas controladas suficiente para rastrear el impacto relativo de cada permutación. En lugar de crear un algoritmo novedoso, Aetna optó por utilizar algoritmos de código abierto y formó un equipo para llevar a cabo una exploración continua. Los especialistas en negocios trabajan junto a científicos e ingenieros de datos para dar al sistema ideas y variantes novedosas (como nuevas ideas para textos o imágenes, nuevos incentivos o nuevas formas de llegar a un cliente) y, a continuación, analizan los resultados y corrigen el rumbo. Aetna también contrató a economistas del comportamiento para que le ayudaran a desarrollar las estrategias de contacto para varios perfiles situacionales: algunos hacían hincapié en el riesgo de pérdida, otros hacían hincapié en la importancia de un estilo de vida más saludable; otros recordaban al cliente a la familia y otros reforzaban el mensaje de salud con los datos de la comunidad local. En última instancia, este enfoque ha creado una combinación de seres humanos y sistemas técnicos individuales diseñados de forma única para impulsar el modelo de negocio de CVS. En sentido descendente, este motor de inteligencia impulsa una serie de sistemas de canales específicos en los que se ejecutan las interacciones: correo electrónico, CRM, secuencias de comandos de centros de llamadas, mensajes de texto, notificaciones de aplicaciones e incluso ventanas emergentes en las pantallas de los ordenadores 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 hacen más complejos: por ejemplo, se podría analizar una discusión en un centro de llamadas mediante el procesamiento del lenguaje natural para entender el carácter de la persona que llama, la elección de palabras, la comprensión, etc. Al centrarse en los flujos de datos, el potencial de innovación, experimentación y arquitectura, CVS ha impulsado las herramientas de IA abierta, lo que ha generado un margen de beneficio anual sustancial gracias a la reducción de los costes médicos, la mejora de las calificaciones de los servicios, la mejora de los resultados de salud y las nuevas oportunidades de venta cruzada. ### . . . Para impulsar una ventaja competitiva con la IA, tiene que integrar sus sistemas internos con los externos, primero para recopilar datos precisos de los clientes y, después, para presentar la información resultante en forma de ofertas personalizadas. Ambos procesos deben llevarse a cabo con una escala y un alcance cada vez mayores, añadiendo continuamente nuevas variables y detalles cada vez más detallados. Para el ejecutivo que debe empezar a pensar como un integrador inteligente, este enfoque exige un nuevo modelo de liderazgo con nuevas prioridades para aprovechar las infinitas posibilidades. Lograr una integración correcta impulsa cada vez más una experiencia de cliente superior y será el factor decisivo en la construcción del valor de la marca. Read more on [**Technology and analytics**](/topic/subject/technology-and-analytics?ab=articlepage-topic) or related topics [**AI and machine learning**](/topic/subject/ai-and-machine-learning?ab=articlepage-topic) and [**Customer-centricity**](/topic/subject/customer-centricity?ab=articlepage-topic)