75. Marketing e Inteligencia Artificial

¿Habéis oído la frase "Está que dice que si te ofrece en un producto gratis, que el producto eres tú?" Pues eso. Un podcast niña sobre Big Data episodio 75, Marketing e Inteligencia Artificial. Muy buenos días y bienvenidos a un nuevo episodio de Un Podcast niña sobre Big Data. El podcast en el que hablamos de Machine Learning y de analítica de datos de Inteligencia Artificial y de todo lo relacionado con el Big Data y el mundo de los datos. En este podcast hablamos de Inteligencia Artificial y de Big Data de manera normal, alejándonos de la cidad de Inteligencia Artificial de las Pelis y tratando todos estos temas con los pies en la tierra y con sentido de humor. Yo soy Marta Rollo y cada semana os cuento cositas sobre todo este mundo de los datos al que me dedico. Además, si queréis profundizar un poco y no lo habéis hecho todavía, podéis ir a la web. Data es punto niña y descarra en el iBook la guía niña del Big Data y la Inteligencia Artificial. Una guía muy guay para iniciaros en el mundo del Big Data al Machine Learning, la ciencia de datos desde cero y acordados de que además de poder descargar la guía, recibiréis cada dos semanas el bolotín niña, la newsletter en la que os cuento todo lo que se me queda fuera del podcast. La noticia, los recursos de aprendizaje, herramientas y recomendaciones que me voy encontrando por ahí. Todo en datos punto niña. Hoy vamos a hablar de cómo se aplica la Inteligencia Artificial al mundo del marketing. Desde que entramos en la era pues GapT, cuando se habla de Inteligencia Artificial aplicada al marketing, pues normalmente se hace referencia a la fase de generación de contenido, pues que si los textos de venta generados con modelos del lenguaje, o imágenes en una campaña que se han creado utilizando el stable diffusion o de litres de turno. Esto por supuesto que es un uso de la Inteligencia Artificial en marketing, pero la realidad es que la Inteligencia Artificial se utiliza en este sector desde que empresas como Google o Facebook hicieron de la publicidad su modelo de negocio. Bien particular de la publicidad dirigida, una publicidad que está tan, tan bien dirigida que incluso a veces parece que nos están escuchando para averiguar lo que queremos. ¿Cómo creéis que lo consiguen? Pues recogiendo datos, el combustible de este modelo de negocio basado en publicidad son los dados que generamos cada uno de nosotros cuando interacturamos con el buscador de Google, cuando nos guiamos con Google Maps, cuando navegamos por internet con las famosas cookies, o vemos vídeos de YouTube. Con cada una de esas acciones Google está recogiendo datos para entrenar sus modelos de Machine Learning, o cuando echamos un rato en Instagram cada vez que deslizamos, que vemos un vídeo, damos un like a una publicación o la guardamos, meta, recogida datos para entrenar, pues a los suyos, a sus modelos de Machine Learning, y como siempre os digo, cualquier problema basado en datos, comienza con preguntas por responder. En este caso, de alguien que se dedica al marketing, las preguntas serían del estilo a cómo puedo llegar de una forma más eficaz, irritable a mi cliente, o cuáles son sus preferencias de compra. Esto es algo que cualquier experto en marketing querría saber sobre sus clientes. Antes la manera en la que un departamento de marketing podría llegar a sus potenciales clientes, será poniendo un anuncio en un intermedio de publicidad en un programa de ateli. Entonces cuanta más audiencia tuviera el programa, pues mejor, claro, pero también más caro conseguir anunciarse ahí. También era posible darse a conocer con un anuncio en un periódico o en una marquisina de una parada de autobús. Bueno, a ver, esto no es que haya dejado de existir, obviamente se sigue haciendo, pero es algo que está alcance de empresas con mucho presupuesto para marketing, porque anunciarse en el intermedio de un programa de máxima audiencia, pues barato, lo que se dice barato no es. De hecho, cuanto mayor sea el potencial alcance del anuncio, pues más caro, va un poco a volumen. El objetivo es un anuncio que llegue a ver mucha gente y luego alguna de estas personas pues estará interesada en el producto que se anuncia, aunque sea un pequeño porcentaje. Vale, pues imaginaos ahora que vendeis algo, lo que sea. Un producto, un servicio, lo que sea, y es pregunto. ¿Qué preferís? ¿Qué vuestro anuncio lo vea el mayor número de personas posible o que lo vean menos gente pero que sea gente a la que le interesa lo que vendeis? Pues esta es el modelo de Google de meta y de estos gigantes, cuyo punto fuerte son los datos que permiten enseñar un anuncio determinado a la gente potencialmente interesada en comprar eso. Es publicidad personalizada. Ellos tienen la capacidad de segmentar a sus usuarios a partir de los datos que recopilan y oprecen a los anunciantes mostrar su publicidad a quienes crean que puedan estar más interesados. Por ejemplo, a personar de 17 a 24 años interesados en tecnología o adultos mayores interesados en viajes, lo que sea. Los anunciantes pagan por ese espacio publicietario. Vale, pues esto es solo el principio, porque si por un lado las empresas pioneras en la recogida y explotación de datos encontraron cómo sacar unos dineritos a bases de ofrecer espacios de publicidad segmentada a los anunciantes, otras empresas también potentes, como Spotify on Netflix, utilizan los datos que recogen para personalizar la experiencia de sus propios usuarios. Si consiguen ofrecer a sus propios usuarios, es una experiencia mejor, más personalizada, más acorde con sus justos, pues es más probable que estos no se vayan con la competencia. Y luego está también la parte en la que las empresas que tienen presupuesto de marketing para gastar en publicidad personalizada en redes sociales, en YouTube, en Google Act, se en promocionar un producto en Amazon o lo que sea, pues quiera no optimizar ese presupuesto para que les escunda más de lo que les cueste. Esto último es un mundo en sí mismo. Bueno, pues todo esto se hace gracias a técnicas de ciencia de datos y a ninjas de los datos que trabajan en departamentos de marketing. Así que vamos a repasar el abanico de posibilidades que la ciencia de datos abre para transformar como las empresas interactúan con los clientes personalistas en experiencias y optimitan sus estrategias. Bueno, a lo que me de tiempo. Y al fin y al cabo, la ciencia de datos es el proceso de extraer información útil a partir de datos. Entonces, lo sabemos. Utilizamos técnicas de estadísticas, algoritmos de Machine Learning y métodos de análisis de datos para descubrir patrones tendencias y relaciones en los datos. Recordad que a día de hoy, Machine Learning es la manera menos cul de llamar a la Inteligencia Divicial. Así que nada. Vamos a ello. Lo he comentado antes, un poco por encima, pero el beneficio principal de la ciencia de datos en el mundo del marketing o al menos del que os voy a hablar hoy es conseguir la segmentación de los clientes para crear campañas personalizadas. Esto de la segmentación consiste en agrupar a nuestros clientes, basándonos en distintos criterios. Hay varias maneras. Un criterio, por ejemplo, puede ser según características demográficas como la edad del género o el nivel socioeconómico, lo que no permite entender cosas básicas sobre cada grupo, por ejemplo, cuál es la edad promedio de las personas que compren nuestros productos o cuánto dinero ganan en promedio o qué tipo de trabajo tienen. También se puede realizar una segmentación según cómo se comportan. Estos datos los podemos obtener a partir de su comportamiento en nuestra página web o incluso en el mundo offline. Por un lado, cada vez que nos suaria visitar a nuestra web, podemos medir cuánto tiempo pasan en cada página que productos miran más, con cuáles no interactúan nunca y que procesos siguen hasta realizar una compra. Y, por otro, en el mundo offline, es posible reastrear el comportamiento de los usuarios cuando los ofrecemos tarjetas de pidelización. Por ejemplo, a ofrecer descuentos y promociones con una de estas tarjetas podemos recopilar datos del comportamiento de los usuarios como que compra y cuando y cada cuánto tiempo. Todo esto nos ayuda a entender cómo interactúan con nuestra marca. Por ejemplo, es posible ver que canales utilizan más para conocer nuestros productos. Si son redes sociales y visitan directamente la web cómo han llegado, cómo nos han conocido, qué tipo de contenido les gusta más y cuánto de probable es que nos compren algo. Y luego tenemos el criterio psicográfico que tiene en cuenta los rasgos psicológicos de los consumidores, su estilo de vida, sus sentimientos, sus intereses, lo que quieren conseguir en la vida cosas así como muy aspiracionales. Bueno, pues esto en marketing también se usa y se usa muchísimo y es súper eficiente. Este tipo de segmentación nos ayuda a entender qué motiva nuestros clientes que productos podrían interesarles más para conseguir sus aspiraciones y el estilo de vida que quieren tener. Con todo esto, se consigue dirigir los esfuerzos de marketing de manera más efectiva o definir perfiles de clientes que permiten después a los creativos de marketing definir campañas más relevantes para el tipo de clientes al que quieren dirigir. Por ejemplo, a partir de los resultados de estas segmentaciones, se podría definir un perfil de cliente que representará cada grupo, uno de estos grupos podría ser representado por María, una diseñadora gráfica de 25 años que gana 24.000 euros al año. María tiene un grado de universitario y linterista del arte, la moda, el diseño y viajar. María es muy activa en redes sociales, pasa mucho tiempo en línea y hace compras impulsivas. Quiere ser elegante, estar a la moda y valorar la creatividad y la autenticidad. María no existe, pero representa uno de estos grupos que nos ha devuelto el análisis de segmentación. Y a partir de este perfil, ficticio, el equipo de marketing puede desarrollar contenido en redes sociales que aborda temas como la moda y el diseño, colaborar con influencers centrados en este sector, diseñar campañas de marketing enfocados en lo que motiva María, como promover la creatividad y la autenticidad, que son valores importantes para ella. Y considerando que María tiene que comprar por impulso, pues las campañas podrían estar diseñadas para incentivar ese comportamiento con ofertas flas. Por ejemplo, es lo que hacen expreso cuando transmite el lujo, elegancia y sobrehacen sus anuncios, desde que se ayos cluní el actor elegido a la ropa que lleva al tipo de apartamento en el que vive, los colores que predominan la decoración, básicamente los anuncios buscan alcanzar a consumidores que se identifiquen con lo refinado. Entonces, ¿de dónde salen esos datos de clientes que nos permiten segmentarlos? Pues, una manera muy común es ofrecer un descuento a cambio de que se registren en la web o pedir una serie de datos a la hora de realizar una compra. Aquí los clientes suelen proporcionar información básica como su nombre, edad, email, y a veces si algún detalle, alguna información adicional demográfica como su dirección o su genero fecha de nacimiento. Eso ya depende de lo que se pregunte de cómo sea, pues, el perfil que tienen que rellenar para registrarse. Y luego también tenemos las herramientas de análisis web como Google Analytics y redes sociales que permiten a las empresas rastrear cómo interactúan los usuarios con sus sitios web y perfiles sociales. Esto incluye las páginas que se visitan, el tiempo de permanencia, los patrones de navegación y lo olo que hace que la persona cuando visita la web como donde hace clic, que compra, como donde se suscribe y, por supuesto, las cookies que se instalan en el navegador de los usuarios y recopilan después datos sobre el comportamiento de navegación de los usuarios en internet más allá del sitio web de la propia empresa. Esto ayuda a entender sus intereses basándose en los sitios web que visitan los anuncios en los que hacen clic y las buscas que realizan y después tendríamos la información de las compras realizadas por los clientes, ya sea en línea o entiendas físicas de las que podríamos obtener características como la frecuencia de compra, lo que hacíamos antes, las categorías de productos que prefieren o el gasto promedio y, además de todo esto, las empresas también pueden complementar sus datos con información de fuentes externas como bases de datos democráficas y informes de tendencias de la industria y datos de comportamiento de consumo para obtener una visión más completa de sus clientes. Como veis, su mundo de datos saben más de nosotros que de nosotros mismos y, entonces, una vez que tenemos todos estos datos, la segmentación se realiza utilizando modelos de machine learning no supervisados. Utilizando estas técnicas de aprendizaje no supervisado, no nos estamos formando ideas preconcebidas sobre los datos sino que ellos mismos los propios datos se organizan. Unicamente tenemos las características que hemos recopilado sobre los clientes y el propio modelo descubre los patrones ocultos en los datos sin tener grupos predefinidos. Básicamente lo que va a hacer es agrupar a los distintos clientes en función de sus similitudes unos con otros. Es importante tener en cuenta que a diferencia de los modelos de machine learning supervisados, aquí no existen las respuestas correctas ni los grupos exactos. De hecho, el número de grupos es algo que tendremos que elegir antes de comenzar con el algoritmo de clastering. Entonces lo que hace el algoritmo es agrupar los distintos clientes como decía en el número de clasters que le hemos dicho, pues pasando en cómo de similares son. La idea es que los clientes dentro de un mismo claster sean más similares entre sí que con los clientes de otros clasters. El primer paso es definir las características de los clientes que se utilizarán para el agrupamiento. Estas pueden incluir los datos que decíamos antes, como los datos demográficos, los de navegación o los que sean, los que decidamos. Luego, selejó una métrica para medir las similitudes entre los clientes basándose en las características seleccionadas. Si fuéramos capaces de representar cada uno de nuestros clientes con un puntito en un gráfico, estas similitudes podría ser la distancia entre cada puntito, para que lo visualicéis un poco en un espacio de dos dimensiones, vale, en un dibujo. La cliente se asigna un claster cuyo centro está más cerca, según la medida de similitudes que hayamos definido, y esto formaría los grupos iniciales. Después de asignar todos los clientes a los distintos clasters, se recalculan los centros de cada claster como el promedio de todos los puntos o clientes dentro del claster. Esto refina la posición del centro de cada grupo para que represente mejor a los miembros del propio grupo. Después de repetimos el proceso, asignamos los clientes a cada claster, según la distancia a su centro, y asignamos el que esté más cerca. Recalculamos los centros de cada claster, hasta que se cumpla un criterio de comergencia como, por ejemplo, que los cambios en los centros de los clasters sean menores o numbral, o que lleguemos a un tope de iteraciones que hayamos decidido al principio de todo. Entonces, el algoritmo de vuelvo un resultado con las distintas agrupaciones de los clientes y seremos nosotros los encargados de asignar las etiquetas a posteriori. Tal vez analizando los distintos grupos que ha devuelto el algoritmo, podemos observar que características comunes tienen los clientes que más dinero gastan en nuestra tienda online y que el equipo de marketing define un perfil de cliente que representa a dicho grupo para después diseñar una estrategia completa de comunicación que permita fidelizar lo, por ejemplo. Al final son los que más gastan, pues, que nos interesa que se queden con nosotros. Este algoritmo de Machine Learning no es supervisado que se ha explicado para realizar la segmentación se llama Cammins. En el episodio 35 tratamos ya el aprendizaje no supervisado, así que si queréis saber más sobre este tipo de técnicas de Machine Learning, os dejo en enlace en las notas del programa. Bien, pues con todo esto se consigue que el equipo de marketing desarrolla en mensajes y perder hígidos lo que hace que las estrategias sean más efectivas, ya que los mensajes mejor dirigidos y más personalizados resultan en mayores tasas de respuesta de los clientes, porque se identifican más con el mensaje. Esto permite maximizar el retorno de la inversión en publicidad pagada, mientras, a la vez, se reduce el coste de las iniciativas de marketing, además al atender mejor las demandas de la audiencia es más probable que se consiga una afidelización del cliente, mejorando la lealtad hacia la marca, es que son todas ventajas, todas ventajas, usarlos datos. Y no solo eso, sino que cuando hemos hecho un análisis de la base de nuestros clientes, los hemos segmentado y definido perfiles interesantes a partir de estos grupos, como el que nos hemos inventado antes de María, y es posible utilizar la publicidad pagada en Instagram, Facebook, Amazon, etcétera, y conseguir llegar a perfiles similares con un mensaje de venta que el equipo de marketing ha diseñado específicamente para estos grupos. Esto no solo aumenta la probabilidad de captar la atención del público objetivo y fomentar la compra, sino que también reduce el desperdicio de recursos en audiencias menos interesadas o relevantes. Como sería el caso de mostrar un anuncio en la tele, que lo ve todo el mundo, pero no lo interesa a nadie, por lo que conseguimos que la publicidad pagada se vuelva más eficaz y eficiente y genere una mayor respuesta y conversión por cada euro que invertimos, es como un círculo virtuoso de la ciencia de los datos. La verdad es que os quería contar un montón de aplicaciones más de ciencia de datos que se menciona un poco al principio en marketing, como la predicción de que un cliente se vaya a la cola competencia, os quería hablar también de lifetime value, como predecirlo, que viene siendo la cantidad de dinero que se va a gastar cada cliente con nosotros en su vida. También os quería hablar un poco de cómo funciona la optimización del presupuesto de marketing, la optimización de precios, incluso quería ponerles algún ejemplo real de cómo utilizan la ciencia de datos en marketing, empresas como Amazon, como Coca-Cola, muchas cositas. Yo me he enrollado un montón con la segmentación, así que os voy a dejar una cajita en Spotify por si queréis que haga una segunda parte a una tercera o las que queráis, de este tema de inteligencia artificial en marketing, y que es lo que más os gustaría que tratara de todo lo que se ha comentado. Ah, así que nada, espero que os haya gustado el episodio este del marketing, como veis por todo lo que me he enrollado es algo que me gusta casi tanto como los datos. Y si os ha gustado, el episodio no olvides dejar un me gusta algo momentario en ibox, una valoración de cinco estrellas del podcast en Spotify y en Apple Podcast, o donde quiera que estéis escuchando esto. Como siempre, si tenéis cualquier duda o pregunta, podéis contactar conmigo a través del formulario de contacto en la web o en redes sociales. Os dejo todos los enlaces en las notas del programa. Sobre todo, muchas gracias por estar al otro lado y nos escuchamos en el próximo episodio de Un Podcast Ninja sobre Big Data. Peled semana y hasta el próximo episodio. Adiós. Y si tenéis un e-commerce, si queréis empezar a sacar partido de vuestros datos con modelos de Machine Learning en tan White, tan White como este, pues ya sabéis dónde encontrarme.