Probablemente, algún fanático de la serie “Mad Men”, recuerde que ya en ese tiempo (fines de los años 60) el equipo de Don Drapper hacía predicciones en un computador de la época.
El problema era que esas máquinas costaban una fortuna y su instalación y operación estaban más allá del alcance de la gran mayoría de las empresas. Afortunadamente, los paradigmas cambiaron y hoy es mucho más fácil y accesible hacer analítica. Es más, podríamos decir que estamos viviendo un boom en la analítica.
Entre los motivos de este boom se destacan tres:
• El abaratamiento del almacenamiento y procesamiento masivo de información con plataformas de Big Data.
• La capacidad de procesamiento casi infinito on demand, con mínima inversión inicial, que da la nube.
• Una enorme cantidad de modelos de IA predefinidos, que ofrece la mayoría de vendors cloud y que le resta complejidad al desarrollo de la analítica.
En este contexto, uno de los rubros que puede verse más beneficiado por la analítica es, sin duda, el retail, una industria que genera datos a gran escala. Por nombrar algunos casos, las cadenas de retail recopilan información de sus clientes en los puntos de venta, programas de beneficios, tarjetas de la tienda e interacción de sus clientes en los canales digitales. Cuando esto es enriquecido con información de acceso público, demográfica y contextual, como puede ser el clima, se puede empezar a entender al cliente con mayor detalle.
El cliente está en el centro de la operación y, por eso, lo primero es entenderlo. El entendimiento se traduce en que cada interacción sea una en la que el cliente se encuentre interesado. Si mi cliente solo buscó artículos electrónicos en mis canales digitales y sé que nunca buscó, ni compró nada relacionado con niños, ¿por qué le enviaría ofertas de ropa de invierno para bebés? En cambio, si sé que mi cliente ocasionalmente compra chocolates al pasar por la tienda en días fríos, tiene sentido que, al detectar su conexión al Wi-Fi de la tienda en un día invernal, le ofrezca un descuento en chocolates en su compra. Este tipo de granularidad en la oferta es posible con analítica predictiva y IoT (Internet of Things), mejorando la experiencia del cliente en todos los canales y generando más negocios para la compañía.
La calidad de los datos
Otro punto que muchas empresas no pueden responder es qué opina el cliente del servicio recibido. Quedarse con la puntuación que el cliente le da al servicio puede ser una sobre simplificación. Para entender la experiencia de mi cliente, la analítica facilita herramientas como el procesamiento de lenguaje natural y análisis de sentimientos, para poder decodificar los comentarios que dejan en las distintas plataformas, redes sociales y obtener insights valiosos. Además de los clientes, la analítica se aplica a los productos. En el retail, uno de los recursos escasos es el metro cuadrado. Para gestionar mejor este recurso, un modelo de analítica puede colaborar en la determinación de qué productos se venden más al ser exhibidos porque, por ejemplo, los clientes los “investigan” en canales digitales, pero los compran en tienda, luego de verlos. Contar con los modelos optimizados como los mencionados, más información sobre los tiempos de entrega de mis proveedores asociados a distintos productos, permite el desarrollo de un modelo de Inteligencia Artificial para optimizar la cadena de suministros, mejorando el uso de almacenes y el cash-flow.
Un punto por considerar es que la calidad de los datos es todo y muchas organizaciones que quieran sumarse a esta tendencia tendrán por delante un desafío relevante en términos de gobierno de datos.
Una herramienta de apoyo en un contexto desafiante
Además, debemos destacar que, si bien estos modelos no son estáticos, un cambio disruptivo del contexto puede requerir ajustes o en el extremo nuevos modelos.
La pandemia fue un evento extremo de consecuencias lamentables que nos impuso un desafío imprevisto. Los que mejor pudieron sobrellevar esta crisis, fueron quienes lograron ajustarse rápidamente a un nuevo contexto. En el retail, las caídas en la visita a tiendas en EEUU fueron superiores al 70% y la única compensación fue un tibio crecimiento de un 16% en las compras por e-commerce.
Frente a este desafío, la analítica sirvió como una herramienta que apoyó a los retailers para enfrentar este contexto.
Algunas de las medidas que tomaron fueron:
• Buscar enriquecer sus datos con bases adicionales que permitieran generar insights en un contexto cambiante.
• Generar modelos y simular los impactos de cambios en el comportamiento de los clientes.
• Contratar servicios como Supply Chain Intelligence, que llevó los modelos de Supply Chain un paso adelante a partir de enriquecerlos a través de información de restricciones de circulación y prever retrasos.
• Desarrollar modelos para la generación de promociones y descuentos que, en un contexto de tiendas cerradas total o parcialmente, permitieron encontrar el punto de equilibrio entre rotación de producto y margen, sin saturar al cliente.
La analítica será cada vez más accesible, los principales vendors de cloud, entre otros players, tienen por objetivo que así sea. El retail evolucionará a nuevos formatos, donde el mix y rol de cada uno de los canales cambiará. En el nuevo paradigma, serán los más “data-driven”, los que se apoyen en el partner correcto para desarrollar su músculo analítico y potenciar su negocio, quienes tendrán la mayor ventaja competitiva.
