10 revoluciones del Aprendizaje Automático en el Marketing

Machine Learning Marketing o Aprendizaje Automático para Marketing en español, está revolucionando el Marketing tradicional, incluso el más moderno, hacia un modelo data-driven (orientado al dato), con el consiguiente conocimiento del usuario y su relación con los productos.

  • El 84% de las organizaciones de marketing están implementando o expandiendo la IA (Intelidencia Artificial) y el aprendizaje automático en 2018.
  • El 75% de las empresas que usan IA y el aprendizaje automático mejoran la satisfacción del cliente en más del 10%.
  • Según Capgemini, 3 de cada 4 organizaciones que implementan IA y aprendizaje automático aumentan las ventas de nuevos productos y servicios en más del 10%.

La medición de muchas contribuciones del marketing al crecimiento de los ingresos se está volviendo más precisa y en tiempo real gracias a los análisis y el aprendizaje automático.

Saber qué impulsa más leads de marketing calificado (MQL), leads calificados de ventas (SQL), la mejor manera de optimizar campañas de marketing y mejorar la precisión y rentabilidad de los precios son solo algunas de las muchas áreas en las que el aprendizaje automático está revolucionando el marketing.

Los mejores especialistas en marketing están utilizando el aprendizaje automático para comprender, anticiparse y actuar sobre los problemas que sus ingenieros preventas intentan resolver más rápido y con más claridad que cualquier otro competidor.

La aplicación de aprendizaje automático basado en aplicaciones aptas para aprender lo que es más efectivo para cada cliente y cliente potencial impulsa la capacidad de personalizar el contenido mientras califica a los clientes potenciales para que las ventas cierren rápidamente.

El aprendizaje automático está llevando el contenido contextual, la automatización del marketing, incluidas las campañas de marketing entre canales y la puntuación de clientes potenciales, la personalización y las previsiones de ventas, a un nuevo nivel de precisión y velocidad.

Los departamentos de marketing más sólidos dependen de un sólido conjunto de análisis e indicadores clave de rendimiento (KPI) para medir su progreso hacia los objetivos de crecimiento de los ingresos y los clientes.

Con el aprendizaje automático, los departamentos de marketing podrán realizar contribuciones aún más significativas al crecimiento de los ingresos, fortaleciendo las relaciones con los clientes en el proceso.

Las siguientes son 10 formas en que el aprendizaje automático está revolucionando el marketing hoy y en el futuro:

  1. El 57% de los ejecutivos de las empresas cree que el beneficio de crecimiento más significativo de AI y el aprendizaje automático mejorará las experiencias y el apoyo de los clientes. El 44% cree que la IA y el aprendizaje automático proporcionarán la capacidad de mejorar los productos y servicios existentes. Los departamentos de marketing y los Chief Marketing Officers (CMO) que los dirigen son los líderes que diseñan y lanzan nuevas estrategias para ofrecer excelentes experiencias de cliente y son uno de los primeros en adoptar el aprendizaje automático. Los marketers están mejorando la orquestación de todos los aspectos de atraer, vender y servir a los clientes mediante el uso de aplicaciones de aprendizaje automático para predecir con mayor precisión los resultados.

    Directivo
    Directivo
  2. El 58% de las empresas están abordando los problemas de marketing más desafiantes con AI y el aprendizaje automático primero, priorizando la atención personalizada al cliente, el desarrollo de nuevos productos. Estas áreas de “obligatorio cumplimiento” tienen mayor complejidad, pero también el mayor beneficio. Los especialistas en marketing no han puesto tanto énfasis en las áreas “imprescindibles” de alto beneficio y baja complejidad según el análisis de Capgemini. Estas áreas de aplicación incluyen Chatbots y asistentes virtuales, lo que reduce las pérdidas de ingresos, el reconocimiento facial y las recomendaciones de productos y servicios.

    Chatbots
    Chatbots
  3. Para 2020, se acelerará la publicidad personalizada en tiempo real en las plataformas digitales y la precisión, el contexto y la precisión optimizados de la orientación de mensajes. El efecto combinado de estas mejoras de la tecnología de comercialización aumentará la efectividad de las ventas en los canales minoristas y basados ​​en B2C. La generación de Leads Cualificados para Ventas (SQL) también aumentará, reduciendo potencialmente los ciclos de ventas y aumentando las tasas de ganancias.

    Publicidad Digital
    Publicidad Digital
  4. Analice y reduzca significativamente la rotación de clientes utilizando el aprendizaje automático para agilizar la predicción de riesgos y los modelos de intervención. En lugar de depender de enfoques costosos y que requieren mucho tiempo para minimizar la pérdida de clientes, las compañías de telecomunicaciones y aquellas en industrias de alta rotación están recurriendo al aprendizaje automático. El siguiente gráfico ilustra cómo la definición de los modelos de riesgo ayuda a determinar cómo las acciones destinadas a evitar el abandono afectan la probabilidad y el riesgo del impacto de la deserción. Un modelo de intervención permite a los especialistas en marketing considerar cómo el nivel de intervención podría afectar la probabilidad de abandono y la cantidad de valor de vida del cliente (CLV).

    Aplicaciones de Machine Learning
    Aplicaciones de Machine Learning
  5. La optimización de los precios y la elasticidad de los precios están creciendo más allá de las industrias con existencias limitadas, incluidas las aerolíneas y los hoteles, que proliferan en la fabricación y los servicios. Todos los especialistas en marketing confían cada vez más en el aprendizaje automático para definir precios más competitivos y contextualmente relevantes. Las aplicaciones de aprendizaje automático están escalando la optimización de precios más allá de las aerolíneas, hoteles y eventos para abarcar escenarios de precios de productos y servicios. El aprendizaje automático se utiliza actualmente para determinar la elasticidad de los precios de cada producto, teniendo en cuenta el segmento del canal, el segmento del cliente, el período de ventas y la posición del producto en una estrategia global de precios de línea de productos. El siguiente ejemplo es de la solución preconfigurada de análisis interactivo de precios (PCS) de Microsoft Azure. Fuente: Azure Cortana Interactive Pricing Analytics Solución preconfigurada.

    Modelo Azure
    Modelo Azure Análisis de Precios
  6. Mejorar el pronóstico de la demanda, la eficiencia del surtido y los precios en el marketing minorista tiene el potencial de ofrecer una mejora del 2% en ganancias antes de intereses e impuestos (EBIT), 20% de reducción de existencias y 2 millones menos de devoluciones de productos al año. En Consumer Packaged Goods (CPQ) y organizaciones de comercialización minorista, existe un gran potencial para AI y el aprendizaje automático para mejorar el rendimiento de toda la cadena de valor. McKinsey descubrió que utilizar un enfoque concertado para aplicar la IA y el aprendizaje automático a través de las cadenas de valor de un minorista tiene el potencial de ofrecer una mejora del 50% en la eficiencia del surtido y un aumento del 30% en las ventas en línea utilizando precios dinámicos.

    Pronóstico de Ventas
    Pronóstico de Ventas
  7. Creación y ajuste de modelos de propensión que guían las estrategias de ventas cruzadas y ventas por línea de productos, segmento de clientes y personalidad. Es común encontrar vendedores orientados a datos que construyen y usan modelos de propensión para definir los productos y servicios con la mayor probabilidad de ser comprados. Con demasiada frecuencia, los modelos de propensión se basan en datos importados, integrados en Microsoft Excel, por lo que su uso continuo consume mucho tiempo. El aprendizaje automático está simplificando la creación, la puesta a punto y las contribuciones de los ingresos de las estrategias de venta ascendente y de venta cruzada mediante la automatización de todo el progreso. La siguiente pantalla es un ejemplo de un modelo de propensión.

    www.tiboo.com
    www.tiboo.com
  8. La precisión en la puntuación de los leads está mejorando, lo que permite aumentar las ventas que se pueden rastrear hasta las campañas de marketing iniciales y las estrategias de ventas. Al utilizar el aprendizaje automático para calificar las listas de clientes y leads adicionales utilizando datos relevantes de la web, los modelos predictivos, incluido el aprendizaje automático, pueden predecir mejor los perfiles ideales de los clientes. El puntuaje predictivo de cada líder de ventas se convierte en un mejor predictor de nuevas ventas potenciales, lo que ayuda a las ventas a priorizar el tiempo, los esfuerzos de ventas y las estrategias de venta. Las siguientes dos diapositivas son de un excelente seminario web Mintigo presentado con Sirius Decisions y Sales Hacker. Es una mirada fascinante de cómo el aprendizaje automático está mejorando la efectividad de las ventas. Fuente: Give Your SDRs An Unfair Advantage with Predictive(Diapositivas de un webinar en Slideshare).

    Pantalla de slideshare
    Pantalla de slideshare
  9. Identificar y definir las proyecciones de ventas de segmentos específicos de clientes y microsegmentos usando modelos RFM (frescura, frecuencia y monetario) dentro de aplicaciones de aprendizaje automático se está generalizando. El uso de análisis de RFM como parte de una iniciativa de aprendizaje automático puede proporcionar definiciones precisas de los mejores clientes, los más fieles, los que más gastan, los casi perdidos, los clientes perdidos y los clientes baratos perdidos.

    Identificar
    Identificar
  10. Optimizar el marketing mix determinando qué ofertas de ventas, incentivos y programas se presentan a qué prospectos a través de qué canales es otra forma de aprendizaje automático está revolucionando el marketing. Las ofertas de venta específicas se crean con el respaldo de contenido contextual, ofertas e incentivos. Estos elementos están disponibles para un motor de optimización que utiliza la lógica de aprendizaje automático para intentar continuamente predecir la mejor combinación de elementos de mezcla de marketing que conduzca a una nueva venta, venta ascendente o venta cruzada. La función de recomendación de productos de Amazon es un ejemplo de cómo su sitio de comercio electrónico usa el aprendizaje automático para aumentar los ingresos por ventas ascendentes, ventas cruzadas y productos recomendados.
    Recomendación Amazon
    Recomendación Amazon

    Una forma de aprender Machine Learning es a través de mi curso de Computer Visicion con Machine Learning y Deep Learning en R, que puedes adquirir con descuento a través de la sección de Cursos de esta web.

El artículo original.

Diferencias ente AI, NLP, Machine Learning y Deep Learning

Machine Learning

En ocasiones, las diferencias entre Inteligencia Artificial, Machine Learning y Deep Learning son difíciles de establecer.

En la Ciencia de los Datos, es bastante típico trabajar al rededor de estos conceptos.

Tratemos de ver, rápidamente, cuales son estas diferencias.

AI (inteligencia artificial) es un subcampo de la ciencia de la computación que se creó en la década de 1960.  Su  preocupación es resolver tareas que son fáciles para los humanos pero difíciles para las computadoras.

AI
Inteligencia Artificial

En particular, una Strong IA (Inteligencia Artificial Fuerte) ​​sería un sistema que puede hacer cualquier cosa que un humano pueda (sin contar algunos aspectos físicos).

Esto es bastante genérico e incluye todo tipo de tareas, como planificar, moverse por el mundo, reconocer objetos y sonidos, hablar, traducir, realizar transacciones sociales o comerciales, trabajos creativos (hacer arte o poesía), etc.

NLP (procesamiento del lenguaje natural) es simplemente la parte de AI que tiene que ver con el lenguaje (generalmente escrito).

NLP
Procesado del Lenguaje Natural

El aprendizaje automático (machine learning en inglés) se refiere a un aspecto concreto de todo esto: dado un problema de IA que puede describirse en términos discretos (por ejemplo, de un conjunto particular de acciones, cuál es el correcto), y dada mucha información sobre el mundo, figura cuál es la acción “correcta”, sin que el programador la programe.

Machine Learning
Aprendizaje Automático

Típicamente se necesita algún proceso externo para juzgar si la acción fue correcta o no.

En términos matemáticos, se trata de una función: introduces cierta información y quieres que produzca la salida correcta, por lo que todo el problema es simplemente construir un modelo de esta función matemática de forma automática.

Para establecer una distinción con AI: puedo escribir un programa muy inteligente que tenga un comportamiento similar al humano, puede ser AI, pero a menos que sus parámetros se aprendan automáticamente de los datos, no es machine learning.

El aprendizaje profundo (deep learning en inglés) es un tipo de aprendizaje automático (machine learning) que es muy popular últimamente. Implica un tipo particular de modelo matemático que puede considerarse como una composición de bloques simples (composición de funciones) de un cierto tipo, y donde algunos de estos bloques se pueden ajustar para predecir mejor el resultado final.

Deep Learning
Aprendizaje Profundo

La palabra profundo significa que la composición tiene muchos de estos bloques apilados uno sobre el otro, y la parte difícil es cómo ajustar los bloques que están lejos de la salida, ya que un pequeño cambio allí puede tener efectos muy indirectos en el salida.

Esto se hace a través de algo llamado Backpropagation dentro de un proceso más grande llamado descenso de gradiente que le permite cambiar los parámetros de una manera que mejora su modelo.

Este artículo está basado en una respuesta en la red Quora sobre estos temas y realizada por Dmitriy GenzelPhD. en Computer Science.