La IA salva a los clientes
Según McDermott, CEO de la empresa, SAP quiere convertirse en el principal proveedor de aprendizaje automático en el negocio de los clientes corporativos. Por ello, la empresa está invirtiendo fuertemente en IA y ha creado una base para aplicaciones de aprendizaje automático y software de inteligencia artificial con el sistema de innovación Leonardo.
Tanto en el lado de la oferta como en el de la demanda, las empresas invierten cada vez más en IA y su subcampo, el aprendizaje automático. El 73% de las empresas espera que el uso de tecnologías de IA aumente la satisfacción del cliente y el 65% reduzca la pérdida de clientes, según la consultora Capgemini.
Las soluciones de ML están predestinadas en este entorno a determinar la predicción del churn o la retención de clientes.
Con la ayuda de la retención de clientes, se puede identificar en una fase temprana a los clientes que están a punto de irse a la competencia, por ejemplo cuando vence su contrato con un proveedor de servicios. La retención de clientes es especialmente relevante para las empresas con un gran número de clientes, porque la fidelidad de cada individuo es difícil de evaluar.
También en este caso SAP se saca de la manga una solución basada en ML. Con SAP Customer Retention, según la descripción de la solución, se puede deducir y predecir el comportamiento de los clientes a partir de los datos de las transacciones y los puntos de interacción digital.
Sin embargo, el algoritmo de un sistema de retención de clientes requiere, además de los posibles parámetros de rotación, un conjunto de datos lo más amplio posible sobre el historial de cada cliente. Esto incluye toda la información del cliente, es decir, los datos maestros y los datos de las transacciones.
Estos datos incluyen la dirección, el comportamiento de compra, el historial de compras, las preferencias y las huellas que deja el cliente en Internet y las redes sociales. Pero todos estos datos deben ponerse primero a disposición del sistema ML, procesarse y validarse.
Y éste es precisamente el reto para las empresas. Esto se debe a que los datos maestros y los datos de las transacciones de los clientes están distribuidos en varios sistemas de las empresas, ya sean sistemas como SAP CRM, SAP Service Ticketing Intelligence, la solución SAP ERP o las aplicaciones de los centros de llamadas.
Esto hace casi imposible fusionar los datos de los clientes gestionados en los distintos sistemas y ponerlos a disposición del sistema de ML. Por lo tanto, las empresas necesitan una solución y una metodología de procesos que reúnan todos los datos de los clientes -datos de direcciones, comportamiento de compra, historial de compras, preferencias y los rastros que el cliente deja en Internet y las redes sociales- de todos sus sistemas empresariales individuales, sin silos ni redundancias.
Basura dentro, basura fuera
Además, las empresas deben tener en cuenta que el uso del ML sólo aporta beneficios reales si la base de datos que las empresas ponen a disposición del sistema es también de alta calidad.
Esto se debe a que la base de todo sistema de aprendizaje automático son los conjuntos de datos, que se utilizan para entrenar los sistemas de ML. Para evitar que el sistema aprenda de forma incorrecta y haga predicciones erróneas, es fundamental que la base de datos subyacente no contenga ningún error.
En el caso de las aplicaciones de retención de clientes, los datos de los clientes deben estar actualizados, ser correctos y completos, y los errores deben eliminarse de antemano. Las posibles fuentes de errores son la ortografía incorrecta, los duplicados, los datos obsoletos y los problemas semánticos.
El ML sólo alcanza el mejor porcentaje de éxito si la base de datos que se le proporciona para el aprendizaje es también de alta calidad. Cuanto más correcta sea una base de datos, mejor extraerá un algoritmo sus conclusiones de ella.
Por esta razón, los datos deben mantenerse, protegerse y supervisarse durante todo su ciclo de vida. Solo así los sistemas de IA y ML podrán desarrollar todo su potencial.
