Desde que me mudé a media cuadra de una estación de servicios, descubrí que una tienda 24hs de autoservicio se convirtió en mi kiosko, mi almacén, mi oficina, mi cafetería, mi restaurante, ¡y hasta mi farmacia a veces! Basta con pasar por la puerta, para que la cajera me salude con “¡Hola! ¿Cómo estás hoy? ¿Tomás lo de siempre?” y 2 minutos después, al traerme el latte a la mesa me traiga un nuevo chocolate relleno de dulce de leche diciendo: “Estoy segura te va a encantar!” y al salir me ofrezca “la promo 2x1 de mini galles para el recreo de los chicos mañana”. Esta situación, convirtió mi ticket que hubiera sido de $45 en $113 - ¡Felicitaciones a esta cajera-vendedora! Casi sin darse cuenta incremento en un 150% mi ticket ¿Cómo lo hizo? Recomendándome productos relevantes para mí, gracias a conocer mis gustos, hábitos, y familia. Pero ¿Qué me hubiese recomendado si no me conociera?

La constante presión por mejores resultados y los desafíos de la transformación digital han empujado a las empresas del segmento minorista a buscar nuevas formas de aumentar el valor del ticket promedio, surgiendo así la necesidad de identificar las mejores recomendaciones para cada cliente, de conocer su perfil, entender su patrón de consumo y comportamiento e identificar variables contextuales que permitan entregar esas mejores recomendaciones en tiempo real.

¿De qué hablamos cuando hablamos de "realtime"?

El “tiempo real” no es solo una cuestión de moda, ni de inmediatez. De nada sirve realizar acciones en tiempo real si la recomendación u oferta no es relevante para el cliente. Si decidí ayer que ofrecerle, y se lo ofrezco ahora que justo vino, no estamos hablando ya de “tiempo real”.

"“Realtime” es hacer las cosas ya, decidir de inmediato y considerando el contexto. Donde la relevancia se logra teniendo en cuenta quién es, qué le pasa, y cómo se comportó en el pasado. Es decir, combinando tres cosas fundamentales: El perfil del cliente, su relación conmigo (consumos, productos, comportamiento) y su situación ahora (contextualidad)."

Esta innovadora manera de interactuar con los clientes requiere de un cambio de cabeza, cultural. Requiere poner verdaderamente al cliente siempre en el centro de todas las estrategias, datos, acciones. En donde disponer de tecnologías que apoyen y acompañen esas estrategias es la clave. Estamos hablando de una solución de recomendaciones inteligentes que aproveche de todas las bondades del big data y la analítica avanzada, permitiendo definir la próxima mejor oferta basándose en los datos, la historia, utilizando reglas de negocio y combinando esto con modelos analítico-predictivos. Todo en tiempo real.

La “próxima mejor oferta” (NBO por sus siglas en Inglés) para un cliente especifico, se logra con la combinación de los datos disponibles para ese cliente y pasando por un proceso analítico, en el cual las técnicas de modelado predictivo y de auto-aprendizaje identifican sus propensiones de compra. Los consumidores no identificados se asemejan a los perfiles de comportamiento conocidos y la recomendación inteligente y relevante también es posible.

Un motor de decisión orquesta toda esta inteligencia analítica, junto con las reglas de negocio y estrategias de la empresa y le ofrece de manera personalizada y dinámica (en tiempo real) al momento de cada interacción digital o física.

Casos de éxito en Argentina 

En Latinoamérica, SAS ha acompañado a muchísimas compañías a recorrer este camino, con resultados extraordinarios en industrias como retail, banca, telcos, seguros y más! En Argentina en particular, muchas empresas están ya disfrutando de los resultados. Una de las compañías de telecomunicaciones de Argentina, ha logrado reducir en más del 60% la cantidad de veces que contacta a sus clientes, y al mismo tiempo incrementar significativamente los ingresos por ventas, gracias a la relevancia de las ofertas en sus campañas realtime, que de inmediato mostraron una tasa de aceptación muy superior a la de las campañas tradicionales.

Recientemente, una compañía del segmento minorista muy reconocida de la región inició un piloto con un subgrupo de clientes definido por muestreo aleatorio. El objetivo era evaluar la capacidad de entrega de inteligencia analítica, reglas de negocio y próxima mejor oferta en tiempo real en el sitio e-commerce.

El primer paso fue la creación de modelos predictivos utilizando técnicas estadísticas para la determinación de las propensiones de cada perfil de cliente y la mejor asociación entre los productos. A continuación, se configuraron las reglas de negocio y la integración del motor de decisión al sitio. Para la evaluación y medición de los resultados, el motor de recomendación consideró dos diferentes grupos de control (uno expuesto a recomendaciones aleatorias y un segundo a recomendaciones estándar) y registró el historial de todo.

El éxito de este piloto definiría la adopción o no de la solución y esto se dio a través de análisis y comparaciones de los resultados de los grupos de control con el grupo de clientes que recibió la NBO determinada por la recomendación inteligente. Después de tres meses de piloto, los resultados demostraron que el aumento del valor del ticket promedio obtenido proyectado para todos los clientes, representó un incremento de revenue capaz de pagar la inversión en pocos meses. Es decir, el plazo de recuperación del capital invertido en la solución (payback) es de pocos meses.

Por estas razones, esta misma empresa minorista decidió expandir el uso de la solución a otros canales de interacción con el cliente, como el centro de atención telefónica y aplicaciones móviles; así como para otros países donde también mantiene operación. La inteligencia analítica en tiempo real es la "buena cajera-vendedor" del mundo actual, aumentando el ticket promedio en el comercio al por menor en línea.

• Visitanos para conocer más de SAS Customer Intelligence en:  https://www.sas.com/es_ar/solutions/customer-intelligence.html
• Y Conoce la opinión de uno de los principales analistas del mercado en el “The Forrester Wave™: Real-Time Interaction Management, Q2 2017” (link)