Cloud Solutions: machine learning en marketing y Recursos Humanos

Cloud Solutions

Cloud Solutions: machine learning en marketing y Recursos Humanos

En los últimos años hemos vivido una gran democratización del Big Data, impulsada principalmente por el auge de tecnología en la nube y la complejidad de las estrategias de inteligencia digital. En este sentido, los principales players de MarTech han puesto a nuestro alcance sus mejores vástagos (Google con Cloud Platform, Amazon con Web Services, Microsoft con Azure, etc.), suites que funcionan como un big data as a service en la nube con todos los beneficios que esto conlleva: son plataformas sencillas, de fácil manejo, muy personalizables, y con una gran flexibilidad de almacenamiento y explotación de datos.

¿Qué significa esto? Que tenemos a nuestro alcance todo el poder del Big Data, de forma que ya no dependemos directamente de tecnología de sistemas o de business intelligence, para beneficiarnos de esa computación avanzada. Ese tenemos hace referencia, principalmente, a los que trabajamos en el sector del Marketing y la comunicación digital, pero no exclusivamente. Hay otros sectores dentro de las grandes empresas que se pueden beneficiar de esta disrupción, como es el caso de Recursos Humanos y lo que se conoce como People Analytics (toma de decisiones relacionadas con la gestión del talento, basadas en datos y modelos matemáticos). Hoy vamos a reflexionar sobre cómo es este impacto del cloud en la toma de decisiones data driven haciendo una analogía entre Marketing y RRHH.

Primer paso: una cuestión de identidad

 

Una de las características de estas soluciones en la nube, como decíamos, es la capacidad de almacenar grandes volúmenes de datos de diferentes fuentes. Para realizar un ejercicio en cloud, lo primero que tenemos que tener presente es el objetivo del mismo: ¿qué quiero conseguir y qué tácticas voy a emplear para lograrlo? En el caso de Marketing, imaginemos que somos un retailer y partimos del lanzamiento de una campaña próxima de Navidad, donde mi objetivo es incrementar las ventas un 15%, en tienda física y web. Para lograrlo, mi agencia de medios ha diseñado un plan muy ambicioso, que comprende desde medios convencionales (TV, prensa, brand days en medios digitales, etc.), hasta programática muy segmentada, llegando a impactar desde audiencias genéricas a mi público más afín.

Por otro lado, fomentaremos la fidelidad de los clientes existentes comunicando las promociones y descuentos exclusivos a través de envíos de email y notificaciones en la app. En este caso, como podéis ver, para evaluar el rendimiento de esta campaña y, lo que es más importante aún, poder actuar en tiempo real activando el dato, nos enfrentamos al mayor reto de todos: habiendo tantos touchpoints, tantos impactos, desde tantos activos, dispositivos, etc., ¿cómo puedo unir todos esos datos e identificar a mis usuarios unívocamente?, ¿es posible tener una visión a nivel persona y deduplicar impactos?

En este caso, las soluciones en la nube nos facilitan esta tarea, permitiendo aplicar estrategias de Identity Management. El IM se basa en la asignación de un macro-identificador personal que nos permite saber qué persona, qué cliente es, independientemente del identificador sobre el que esté realizando las acciones (la cookie de mi herramienta de analítica, la cookie publicitaria, el número de teléfono, el email, id de cliente, etc.). Además, este tipo de identificación nos permite utilizar de forma segura datos protegidos por su sensibilidad (PII o Personally Identifiable Information). Esto es posible gracias al tratamiento avanzado de estos datos multifuente, alojados en cloud.

deduplicar-usuarios

En el caso de RR. HH., podemos suponer que una empresa está preocupada por la fuga de talento de valor, por lo que este departamento puede tener como objetivo incrementar la retención un 15%. Para lograrlo, el departamento ha puesto a disposición de los empleados con mayor antigüedad una serie de formaciones de alto nivel en el portal interno, ha disminuido el número de proyectos en los que participa cada empleado y además ha incrementado la frecuencia de las revisiones personales para tener un contacto más recurrente con toda la plantilla.

De nuevo tenemos un reto de identificación, ya que necesito saber qué empleado utiliza el portal para formarse (activo web) y qué contenidos le interesan más, unificarlo a los documentos utilizados para gestionar la dedicación (portales web o incluso csv), y tener unas métricas de seguimiento de esas revisiones o entrevistas de seguimiento (a menudo verbales que se traducen en un documento de texto). Además, si queremos realizar análisis avanzados, la anonimización de estos datos es algo vital, por lo que de nuevo en cloud encontramos la solución, pudiendo aplicar diferentes niveles de encriptación.

Una vez hemos recogido, enviado, distribuido y tratado el dato –suena baladí pero el diseño de la arquitectura en cloud puede abarcar varios y extensos posts, no por su complejidad sino por lo personalizado que puede llegar a ser en función de la compañía, objetivo que perseguimos, etc.–, llega el momento del análisis.

Tradicionalmente, el mundo del marketing ha desplegado estrategias rule-based, o lo que es lo mismo, dictadas por reglas de negocio o intuiciones nacidas de la experiencia y pericia de los profesionales. Poco a poco, el sector ha ido pasando del one-to-many al one-to-few, aplicando segmentaciones y tácticas adecuadas a cada audiencia. Sin embargo, las personas somos tan complejas que el ideal de acciones one-to-one solo es alcanzable mediante la aplicación de inteligencia artificial. Dentro de la inteligencia artificial, la rama del machine learning se encarga de desarrollar algoritmos matemáticos capaces de aprender. No es ninguna novedad, este tipo de análisis se llevan realizando desde hace muchos años (en este post reflexionábamos sobre el tema), lo interesante es que ahora estos algoritmos están al alcance de nuestra mano.

Aplicaciones de Machine Learning en negocio

 

¿Utilidades? Si seguimos con nuestra analogía, en el mundo del marketing podemos ser capaces de predecir el próximo punto de contacto necesario para lograr una conversión: ¿debo enviarle un email, hacerle retargeting o esperar dos días y llamarle por teléfono?, ¿debo tratar de igual forma al cliente A que al B? Apoyados en machine learning, estas decisiones se toman científicamente, con el análisis avanzado del dato histórico.

En el terreno de los RR. HH., podemos apoyarnos en estos algoritmos para saber quién y bajo qué motivo es más probable que esté pensando en un cambio: ¿tiene más peso el número de proyectos u horas dedicadas que la formación recibida en esta decisión? Para realizar estos cálculos, podemos utilizar módulos específicos de cada cloud para trabajar directamente en la nube o bien, si ya tenemos desarrollado un entorno de trabajo y análisis de datos en phyton o R, por ejemplo, podemos atacar el dato del data lake desde esta otra manera. En cualquier caso, el machine learning no funciona por arte de magia, sino que debemos probar varios algoritmos (para un mismo fin podremos tener múltiples cálculos), hacer los ajustes pertinentes y comprobar el grado de confianza de cada modelo para determinar el modelo perfecto para nuestro caso.

Como veis, una base científica es aplicable en multitud de escenarios, de forma que la posterior activación del dato es sólida y fiable. Siempre apoyados en la creatividad y la relación humana, que, al fin y al cabo, es la tecnología más poderosa.

No hay comentarios

Envíanos tu comentario

dos × 3 =

¡Suscríbete a nuestra newsletter mensual Stay Sharp!

Para más información

CONTÁCTANOS