AI & Big Data: Casos de uso.

Predicción de la demanda

Ser capaces de anticiparnos a la demanda aplicando inteligencia a la información histórica de que disponemos.

Desafío: Ser capaces de anticiparnos a la demanda aplicando inteligencia a la información histórica de que disponemos.

Solución: Los patrones de compra de los usuarios oscilan por diversos factores: estacionalidad, eventos deportivos, climatología. Además, nos podemos apoyar en indicadores como las tendencias de búsqueda en Google, que pueden indicarnos un pico de demanda de un producto concreto.

Analizando la relación de estos factores con los datos históricos de ventas, y tratando de identificar similitudes entre la demanda de productos similares, hemos sido capaces de mejorar drásticamente la eficiencia de la cadena de suministro.

Venta cruzada

Cuando compramos en un gran almacén, seamos o no conscientes de ello, está comprobado que hay ciertos conjuntos de productos que tienden a comprarse conjuntamente. Estos comportamientos son tanto generales (tendencias compartidas) como particulares (tendencias individuales). Muy conocido es el caso de una gran compañía de retail norteamericana que encontró una fuerte relación entre la cerveza y los pañales, y usando este conocimiento consiguió aumentar las ventas.

Desafío: Detectar estas agrupaciones es fundamental en el mundo del retail, ya que nos permite estimular las ventas, ya sea situando los productos físicamente juntos en las grandes superficies, o generando cupones de descuento de los productos que completan una agrupación de ese tipo.

Para ello es necesario un análisis profundo de los comportamientos de los clientes lo que nos permita descubrir estas relaciones entre clientes.

Solución: Trabajamos conjuntamente con una de las mayores compañías de retail en España. Esta compañía puso en marcha un exitoso programa de fidelización (70% de penetración), lo cual nos ha permitido analizar datos históricos de compra y, combinando esa información con la de los tickets de compra en tiempo real, detectar y actuar en relación a estas tendencias.

Inteligencia promocional

Uno de nuestros clientes, líder en retail, quería ir más lejos de la venta cruzada, e implementar un complejo sistema de inteligencia promocional.

Desafío: Construir un sistema que basándose en reglas de negocio preconfiguradas, les permitiera generar en tiempo real cupones de descuento personalizados, analizando el patrón de consumo histórico de cada cliente y el ticket de venta generado en tiempo real.

Solución: El sistema desarrollado, basado en un motor de procesamiento inteligente de datos en tiempo real, le ha permitido a este cliente la implementación de un potentísimo programa de inteligencia promocional hiper personalizado y micro segmentado.

Los cupones pueden incluso generarse teniendo en cuenta la posición del usuario en la tienda, detectada mediante beacons, y enviarse a la app móvil del programa de fidelización cuando el cliente está cerca del producto.

Optimización de transporte logístico

Incluso si tenemos una buena predicción de la demanda, el reto siguiente en el mundo del retail es optimizar la logística de transporte de los productos desde el almacén central a las diferentes tiendas.

Desafío: Elegir y priorizar correctamente las rutas óptimas de transporte de mercancías a una tienda u otra puede ser determinante en los márgenes y resultado de explotación.

Solución: Los efectos de la rotura de stock o el que sobren productos no son los mismos en unas tiendas y otras, y el coste del transporte también varía mucho en función de la ruta de distribución que se siga.

Utilizando algoritmos de machine learning sobre todas estas variables conseguimos optimizar todas estas decisiones logísticas de forma inteligente, y esto nos ha permitido maximizar la eficiencia e incrementar los márgenes de venta globales.

Registro único de clientes

Uno de nuestros clientes, líder en el sector retail español, como muchas otras grandes compañías, se enfrentaba a un problema serio: el mismo cliente estaba registrado en múltiples plataformas, sin ninguna conexión o relación entre ellas.

Desafío: Esta existencia de silos informacionales les impedía extraer inteligencia del comportamiento de sus clientes, y mejorar así el servicio.

Solución: Se creó un sistema centralizado donde ahora se puede procesar en tiempo real el comportamiento del cliente en su interacción con todos los canales digitales de la compañía.

Como resultado, esta compañía es capaz de procesar en tiempo real el comportamiento de sus clientes en todos sus puntos de contacto con él, aplicando de forma real el principio de omnicanalidad digital.

Más de 25.000 TPVs vuelcan información a nuestro sistema, que procesa más de 2.000 apuntes por segundo en tiempo real.

Evaluación de riesgos de crédito

Uno de los servicios que ofrecen los bancos a sus clientes es el factoring, es decir, la anticipación del pago de facturas asumiendo el riesgo de que no se lleguen a cobrar.

Desafío: Para cualquier banco que dé este servicio es vital evaluar el riesgo de la operación. Un importante banco nacional, líder en España, nos solicitó un sistema de evaluación automática del riesgo basado en inteligencia artificial que mejorase la realización manual de estos assessments.

Solución: Nuestra solución se basó en el análisis masivo con machine learning de ratios financieros de más de 25.000 clientes, combinando dicha información con información externa obtenida de múltiples fuentes públicas (ampliaciones de capital, información del registro mercantil, etc.).

Este sistema de scoring se ha demostrado mucho más eficiente que el que tenían anteriormente (mucho más rudimentario), y ha mejorado los resultados económicos de este producto del banco.

Detección de fraude

Una compañía líder del sector bancario nos planteó el reto de mejorar sus sistemas de detección de fraude, en todo lo relativo a sus operaciones con tarjeta y en general transacciones digitales instantáneas.

Desafío: Dado que estas operaciones ocurren en tiempo real, es imposible la intervención humana de un gestor que revise que son correctas y no hay indicaciones de fraude.

Solución: Se desarrolló un sistema que adquiere y analiza en tiempo real volúmenes masivos de datos provenientes de los logs del banco, VISA, Mastercard, etc.

Se implementó un motor de reglas que detectaba comportamientos indicativos de fraude (operaciones secuenciales en zonas geográficas diferentes, etc.)

Este sistema actúa en tiempo real, siendo capaces de parar una operación fraudulenta antes de que ocurra.

Análisis de Sales Funnel

El sales funnel es el proceso por el que las oportunidades potenciales de ventas son cualificadas y seleccionadas para convertirlas en oportunidades reales que terminan en transacciones reales.

Desafío: Una compañía líder en banca de inversión se enfrentaba al problema del desconocimiento de la rentabilidad de sus acciones de marketing.

Podían medir el coste de captación de clientes en las etapas iniciales del sales funnel, pero no tenían visibilidad de cómo influía esa inversión en los resultados finales de nuevos clientes al final del funnel.

Solución: A través de un análisis sistemático de interacción con clientes en todas las etapas del sales funnel, se ha conseguido entender y correlar la inversión en diferentes acciones de marketing con la adquisición final del cliente, optimizando así la inversión total en marketing.

Disminución de abandono y optimización de atención al cliente

Una gran multinacional de telecomunicaciones nos contactó para utilizar inteligencia artificial para tratar de optimizar sus costes de atención al cliente y reducir las tasas de abandono.

Para cualquier operadora atacar el abandono es vital, y canalizar la atención al cliente a través de canales que supongan un coste menor (ej: web vs call center), también.

Desafío: Nos enfrentamos al reto identificando primero el customer journey del cliente a través de los diferentes touchpoints, físicos y digitales.

Solución: Se implantó un sistema de ingestión de datos de eventos de contacto de clientes, y se hizo un análisis inteligente de los mismos para detectar y reforzar patrones de cambio de comportamiento, en concreto paso a canales más baratos, y detectar y anticiparse al abandono.

Análisis de comportamiento de clientes

Las operadoras móviles tienen a día de hoy infinidad de datos de sus clientes que poco a poco comienzan a explotar.

Desafío: Una compañía de telecomunicaciones, líder en oriente medio, nos solicitó un análisis inteligente de estos datos para extraer información de valor añadido.

Solución: Implantamos un sistema de ingestión, correlación y análisis inteligente de: posición física de clientes, estrato sociodemográfico, capacidad adquisitiva, etc. con intención de generar inteligencia en base a patrones de comportamiento observados.

Entre los muchos beneficios obtenidos, está la posibilidad de recomendar a los comercios la situación ideal para poner una tienda en función de su horario y target de clientes.

Visión única de cliente

Un importante compañía española de medios de comunicación nos planteó la necesidad de procesar múltiples fuentes de información para generar un directorio de clientes único sobre el que poder aplicar inteligencia de datos.

Desafío: Nos encontramos con múltiples registros físicos y digitales sin ninguna coherencia entre ellos.

Solución: El reto principal fue poner orden en la diversidad de canales de la publicación en su contacto con clientes: edición de papel, kiosco digital, edición vía web, más múltiples eventos promocionales físicos y digitales donde se recoge información de usuarios digitalizando y unificando dicha información, fuimos capaces de implantar un sistema de procesamiento de comportamiento de clientes en tiempo real, que permite a nuestro cliente un salto cualitativo en recomendaciones y servicios personalizados a clientes

Predicción de audiencias

Para cualquier cadena de televisión es fundamental ser capaz de conocer lo antes posibles datos de audiencia. A día de hoy se obtienen con un día de retraso, a través de dispositivos físicos situados en hogares aleatorios.

Desafío: Una compañía líder del sector de los medios de comunicación en España nos solicitó ser capaces de disponer de estos datos antes, e incluso predecirlos.

Solución: A través del análisis de los datos intercambiados con las Smart TVs, fuimos capaces de tener datos de audiencia en tiempo real.

Estos datos se procesan en tiempo real y permiten tomar decisiones del contenido de la programación sobre la marcha.

Además, analizando datos históricos a nivel masivo, somos capaces de predecir la audiencia futura en función de comportamientos pasados + información del tiempo, eventos deportivos, etc.

Hiper personalización y Micro segmentación

La captación de clientes vía web es fundamental para cualquier compañía de seguros, pero se enfrenta al gran desafío de atraer la atención y el interés del usuario en muy pocos segundos. Cuanto más personalizada sea la web y más dirigida al segmento del usuario que la ve, mayor serán las probabilidades de captación.

Desafío: Una gran compañía aseguradora nos planteó el reto de alcanzar un nivel de segmentación y personalización que fuera más allá del marketing digital clásico, llegando a nivel 1 a 1.

Solución: Para ello, se analiza en tiempo real el comportamiento del cliente, solapando datos de clientes ya registrados con información de clientes anónimos que se conectan por primera vez obtenida vía DMP.

El resultado es la microsegmentación e hiper personalización, con una experiencia de cliente enormemente mejorada.

Gestión del riesgo

La gestión del riesgo es fundamental para las compañías aseguradoras. Por ejemplo en el caso de los seguros de coche, prever el comportamiento futuro de los asegurados y el riesgo asociado de tener un accidente es algo esencial para valorar correctamente cada póliza.

Desafío: Las compañías aseguradoras disponen de multitud de datos de sus asegurados, el desafío está en agregar y cruzar estos datos para construir modelos fiables que valoren el riesgo de accidente y su gravedad asociada con una precisión lo bastante alta.

Solución: La aplicación de redes neuronales de aprendizaje profundo (Deep Learning) nos permite construir modelos que alcanzan precisiones superiores al 70%, esta mejora en los modelos es una ventaja significativa a la hora de optimizar los costes de los seguros y el pricing, además nos permite diseñar nuevos productos a medida donde podamos ajustar el precio en tiempo real.