Inteligencia Artificial sin bobadas
Inicio aquí una serie que he dado en llamar ‘Inteligencia Artificial sin bobadas’ porque va de eso, de aplicar esta tecnología (que es como cualquier otra) sin misticismos y de forma asequible incluso para aquellos que, como yo, no tenemos Phds en 3 universidades de las que salen por la tele. Se trata de aplicar una tecnología que está disponible y que no requiere tener ordenadores de la NASA para poder hacer dinero para tu empresa. Ni requiere invertir cantidades astronómicas de dinero. Porque como toda innovación, que es a lo que yo al menos me he dedicado toda la vida, de lo único que se trata es de tener el mayor impacto económico en el negocio con el mínimo coste y, a ser posible, sin poner la empresa patas arriba.
Es decir, esto va de usar la Inteligencia Artificial en negocios reales, no solo en megagigantes que tienen departamentos de 500 matemáticos e ingenieros todo el día pensando y generando un enorme avance tecnológico en pro de la humanidad. Ojo, que no digo que lo que hacen no sea importante, que no sólo lo es, sino que sin estas enormes empresas tecnológicas, la Inteligencia Artificial no habría nacido como algo tangible. Lo que digo, es que es hora ya de aplicarla a tu negocio, factures 500.000 euros o 600 millones, tengas un área dedicada a estos temas o, como ocurren en el 99% de los casos, no la tengas.
Como en el futbol, SI SE PUEDE. De hecho, voy a compartir contigo hoy, cuáles son las empresas que más se han beneficiado de la Inteligencia Artificial sobre las cuales tengo experiencia directa, no lo he oído por ahí. Ahí van:
- Empresas que saben identificar muy bien su punto de dolor y que saben qué debería ocurrir para mejorarlo, pero no saben cómo hacerlo. Y todo lo necesario lo tienen en la mano, en abundancia (Datos), sólo les falta saber utilizarlo. A modo de ejemplo, te hablaré de una empresa que se dedica a las energías renovables y que era plenamente consciente de que estaba perdiendo muchísimo dinero por la volatilidad del precio de su producto (biocombustible, en su caso). Más bien por no poder anticipar ni en qué dirección ni en qué magnitud se iba a producir este cambio de precio en el futuro cercano La empresa sabía que anticipar la evolución a 3 y 6 meses del precio del biocombustible almacenado era el elemento clave para poder optimizar su producción y toma de decisiones de venta y política de precios. El problema es que, con Excel, métodos clásicos de manejo de series temporales o sacando el dedo por la ventana, no hay forma de hacerlo. Es por tanto IMPOSIBLE. Lástima. A seguir palmando pasta.
Pero es que su convencimiento de que el problema no tenía solución estaba equivocado. A ver, fácil no era en absoluto. Pero imposible no. Ellos tenían lo importante ya, una base de datos tanto internos con externos de un nivel top. De lo mejor que he visto. Y la usaban para muchas cosas y muy bien. Pero para resolver su problema no. Porque era imposible. Pues no, aplicando la metodología adecuada y seleccionando el algoritmo correcto, pudimos obtener un modelo de Inteligencia Artificial que les da una previsión mucho más que decente de por dónde van a ir los tiros con su stock a corto y medio plazo. En un par de meses, sin tener que vender un tanque de biodiesel para pagarlo. Y eso que era IMPOSIBLE.
- Empresas que ya han agotado las posibilidades que les da un buen uso de los datos para mejorar sus ventas. O eso creen. Ejemplos de este tipo de empresas hay muchos. Y son todas empresas con un elevado grado de ‘transformación digital’, vamos empresas que hacen muy bien las cosas. Pero no saben cómo seguir mejorando, creen haber extraído ya el último euro de valor de sus datos. Un caso real de una empresa que estaba en esta situación es una empresa que vende (mucho, mucho) material deportivo exclusivamente online. Utilizan el marketing digital de forma excelsa, hacen tests A/B, personalizan la web, segmentaban a sus clientes mediante los datos de navegación e histórico de compras e incluso aplicaban precios dinámicos cuando nadie lo hacía, basándose en la detección automática del precio de la competencia. Unos cracks, vamos. Y lo digo con admiración, no con ironía.
Pero se equivocaban en una cosa: sí podían mejorar. Y vaya si lo hicieron y en varias direcciones. Por ejemplo, en la joya de la corona, la asignación de precio dinámica de sus productos: según midieron (son tan buenos que miden el impacto al euro de toda acción que hacen, benditos sean), el situar diariamente los precios un pelín (digamos del 2 al 5%) por debajo delas ofertas de sus competidores, lo que les reportaba un incremento de ventas de un 16%. Eso en su caso suponía un par de decenas de millones de euros al año. Ni tal mal. Sin embargo, tras analizar con ellos su proceso de fijación de precio, era obvio que estaban haciendo el canelo. La pregunta es simple: ¿porqué bajarle el precio al que ya está dispuesto a comprar? ¿Porqué bajarle el precio por igual al que es muy sensible a soltar la pasta y al que compra por impulso? Si es que ya tenían los clientes segmentados y todo, sólo hacía falta utilizar un poquito más de Inteligencia Artificial (y de la otra, claro) para mejorar su proceso. Y tener en cuenta otras variables que afectan a lo que un cliente está dispuesto a rascarse el bolsillo (día del mes, del año, clima, …). Esta mejora les llevó a un 29% de crecimiento de ventas (medido al euro según su costumbre) en lugar de su antiguo orgullo, el 16%. Siempre se puede hacer mejor, si se sabe cómo.
- Empresas que están dedicando una enorme cantidad de recursos, personas normalmente, a una tarea absurdamente repetitiva y simple, pero que les cuesta una cantidad indecente de tiempo y dinero. Pero lo hacen, porque resulta que es la base de su negocio. Y lo siguen haciendo porque no encuentran una alternativa para evitarlo. Y es que a veces es difícil encontrar la forma de automatizar algo, vamos, que no es posible. No hay manera. O sí. Hay muchos ejemplos de esto, pero como sólo hablo de lo que conozco de primera mano, me viene a la memoria una empresa de refacturación con la que trabajé. De esas que reciben cientos de facturas que tienen que procesar a mano. Decenas e incluso cientos de personas dedicadas a: abrir un pdf o una imagen escaneada de una factura en el lado izquierdo de su monitor, e ir tecleando los datos que ahí vienen uno por uno en una herramienta de ERP, de contabilidad o lo que sea. Y así docenas cada día, cada uno de ellos. O sea, un proceso tedioso, tendente a errores que te pasas, caro de narices y lento, lento. Pero es que es su negocio, es el servicio que dan. Claro, los clientes les pasan el marrón encantados.
Pero es que sí hay solución para automatizar esto: en este caso, un modelo de Inteligencia Artificial capaz de leer las facturas y extraer automáticamente los datos y dejarlos en un formato que pueda alimentar automáticamente al ERP o aplicación que usen. Hombre, aunque falle poco, el modelo ‘es humano’ (bueno, no lo es, pero lo ha hecho uno). Por eso se completa el pack con un sistema visual sencillo y rápido para comprobar si hay algún error de un vistazo. Resultado: de minutos por factura a 10 – segundos en verificar que los datos se han extraído bien. De semanas de curro a un par de horas. De 100 personas a 5. Y sin tener que vender las joyas de la abuela, ni construir un arco de iglesia. Utilizando modelos pre entrenados disponibles en modo OpenAI. Y en 2 o 3 semanas. No era para tanto.
- Empresas que están invirtiendo una cantidad cada vez mayor de dinero en marketing (online y el otro) pero por una razón inexplicable, los resultados no mejoran. En esto se llevan la palma las empresas que, normalmente porque llevan mucho tiempo en el mercado, confían ciegamente en su ‘conocimiento profundo del mercado’ y en el ‘ninguna herramienta o esa tontería de la Inteligencia Artificial no me va a enseñar quién es mi cliente. Si lo sabré yo que llevo vendiendo desde Suarez’. Un ejemplo que ilustra muy bien esto y que es muy reciente, me ocurrió con una universidad online, que no entendía porqué sus conversiones (para no iniciados esto es el ratio entre los que preguntan o consultan un máster y los que se apuntan) caía y caía pese a su bien hacer. En este caso, el problema es lo que los de marketing llaman ‘identificar a su Buyer Persona’, más bien cómo lo hacían. (Una maldad: las mayores jartadas a reír que me pegado desde que empecé con este tema de la IA tienen que ver con cómo es el cliente de verdad, el que compra, el que se obtiene de los datos, con el ‘buyer persona’ (vaya nombrecito) que las empresas habían creado en función de su intuición y su ‘conocimiento exhaustivo de su mercado y sus clientes’).
Del análisis de los datos (históricos de navegación y compra) era muy sencillo obtener un perfil de las personas que finalmente se apuntaban a un master o un título universitario. Al hacerlo se revelaron muchas cosas muy divertidas, pero , en resumen, las personas que compraban no se parecían en nada su ‘cliente tipo’: ni eran tan jóvenes, ni estaban tan en paro ni …). A modo de ejemplo de cómo no intuir cómo es mi cliente sino obtener su perfil a partir de los datos produce mejoras importantes, un botón: uno de los supuestos puntos fuertes de sus másteres eran las prácticas en empresas, tanto que eran obligatorias. Pues bien, como su cliente tipo en realidad era un hombre o una mujer con estudios superiores o medios, de alrededor de 40 tacos y que estaba trabajando, pero quería ascender o cambiar de curro, eso de las prácticas en empresas era inviable. Por eso cuando veían que eso era obligatorio, aunque estaban realmente interesadísimos en el curso, pues se buscaban otra uni online que no impusiera eso. Ni precio, ni el copywriting de los anuncios, ni leches. Nuestra enorme ‘ventaja competitiva’ estaba expulsando al tipo de cliente con mas ganas de comprarnos y atraía a los que menos nos compraban. Epico.
Y podría seguir, pero hay que acabar en algún momento.
