Recuerdo que a mis 18 años, un gran amigo de la época me prestó un libro de Isaac Asimov: Fundación e Imperio… por las próximas 18 horas lo único que pude hacer fue leer apasionadamente sobre las aventuras del héroe de las estadísticas: Hari Seldon, y su gran teoría de la Psicohistoria… Bueno la psicohistoria no es tan cierta como se veía en mi mente a esa edad cuando podía creer a pies juntos que el devenir de la población se podía predecir como predecimos el comportamiento de los gases… pero los años me han develado otra fascinante línea de pensamiento y técnica computacional/estadística/matemática: La Data Science, el nieto COOL del Data Mining.
Hoy, las aplicaciones más populares de Data Science incluyen la gestión de riesgos financieros, la lucha contra el fraude y el blanqueo de dinero, la ciberseguridad, la eficiencia energética, la gestión de objetos conectados, y por supuesto… lo que lo hace COOL: el Marketing Digital. En todos los escenarios de aplicabilidad, el Data Science involucra herramientas computacionales, modelos estadísticos, y un conocimiento del negocio en particular: por ejemplo de marketing.
El Data Science como una nueva forma de adquirir conocimiento del cliente
Tal como comentábamos, en los nuevos retos más emocionantes de Data Science, están los problemas relacionados con el conocimiento del cliente (CRM) a través de la disciplina del Marketing Digital. El principal desafío aquí es establecer, mantener y guiar una visión operativa 360 en todos los canales y puntos de interacción con el cliente.
Sin embargo, para poner el conocimiento del cliente en el centro de los desafíos, debemos organizar los procesos de comercialización y operativos en torno a los datos. Es por eso que los datos deben transformarse en conocimiento (cliente) mediante algoritmos de Data Science. Sobre todo, debe ponerse en funcionamiento y estar disponible en los puntos de interacción en forma de indicadores de desempeño y recomendaciones.
Data Science versus inteligencia empresarial
Los proyectos relacionados con Data Science no pueden abordarse como proyectos tradicionales de Business Intelligence. De hecho, los primeros implican una etapa altamente exploratoria que considera adaptar la metodología que espera ser aplicada con el progreso del proyecto. Esta metodología dependerá de la calidad y la riqueza de los datos disponibles, las infraestructuras en que se almacenan los datos y, finalmente, las herramientas analíticas utilizadas.
En los últimos años, el marketing se ha vuelto predominantemente digital. Los “rastros” son los que dejan los usuarios de Internet cuando consultan un sitio de un comercio, realizan compras y/o realizan transacciones. En resumen, en todas las interacciones con las marcas, y de manera más general, todos los comentarios que dejan los consumidores en las redes sociales generan cantidades cada vez mayores de datos digitales.
Aquí es donde entra el Data Science. De hecho, los datos están dispersos en todas partes, son voluminosos, y no están necesariamente estructurados en un formato favorable para su explotación. Pueden volverse obsoletos si no se tratan rápidamente. Los algoritmos de Data Science ahora se pueden adaptar a la problemática de Big Data y establecer una visión de conocimiento del cliente interpretable que se puede usar en tiempo real. Esto proporciona un mapeo dinámico real del comportamiento del cliente de una manera que puede ser empleable para acercarse a él vía sus intereses.
Esta actividad implica el uso de software analítico especializado con las habilidades adecuadas. El uso de algoritmos de autoaprendizaje puede, por ejemplo, determinar la mejor oferta posible para un cliente cuando se conectan a un sitio web. Aquí surge uno de los aspectos más “mágicos” del Data Science: la forma en que dichos algoritmos pueden aproximarse no siempre son entendibles por parte de un analista, las máquinas pueden aprender pero no siempre de una manera explicable.
¿Cómo ponemos el Data Science en práctica?
Aqui debemos distinguir dos tipos de proyectos: los de connotación de Marketing Digital puro (performance digital) y los proyectos amplios de Data Science.
En los proyectos de marketing digital puro, el Data Science participa como un factor de aglomeración de audiencias que nos permite mejorar los niveles de resultado para un sector de la población en particular. Es así como un proyecto de Data Science nos permitiría aumentar el rendimiento de nuestra inversión en publicidad a la hora de obtener una tasa de respuesta en visitas a nuestro sitio de comercio electrónico.
En los proyectos amplios de Data Science, la data que participa es mucho más que la presente en una campaña de digital, pues involucra datos “frios” (por ejemplo de los puntos de venta o bases de CRM). El proceso, en general, se inicia con un proyecto piloto de prueba de concepto (POC) o prueba de valor (POV), por un lado para demostrar la viabilidad técnica y, por otro lado, para evaluar el rendimiento de inversión de tal proyecto para el cliente. Estos proyectos se concretan en particular mediante el desarrollo de nuevas ofertas comerciales empaquetadas, como Value Target (visión de 360 ° en marketing digital) o DataScience4Business (uso de Data Science para determinar los factores clave de éxito de una empresa). Otro tiempo de proyectos, variaciones de lo anterior, es el establecimiento de factores críticos para producto o cualquier objetivo de marketing digital: Branding, Awareness, Conversión, Visibilidad, etc.
Jorge Andrés Flores Zepeda
Director de Tecnología y Data Science, Grupo Peña Defilló