«Hacer más con menos» se está convirtiendo en un mantra para la industria minorista a medida que avanza el 2023, con más desafíos económicos globales de los que imaginó incluso meses atrás.
Las preguntas clave resuenan en las salas de juntas tanto de grupos tradicionales como de negocios de comercio electrónico en el sector minorista:
- ¿Qué estrategias de precios y promocionales brindarán el mayor retorno de la inversión sin comprometer la equidad de la marca o la propuesta de valor?
- En ingresos, categorías y mercadeo, ¿qué estrategias maximizan el EBITDA a través de mayores márgenes brutos y mayores eficiencias operativas?
- ¿Cómo podemos comprender a nuestros clientes con datos menos detallados, manteniendo la personalización en un mundo centrado en la privacidad?
Todas estas son preguntas causales. Mientras que las plataformas y soluciones de inteligencia artificial utilizadas en el comercio minorista solían estar limitadas a correlacionar datos históricos y hacer ajustes para llegar a las mejores decisiones posibles, la inteligencia artificial causal ahora puede razonar y tomar decisiones como lo hacen los seres humanos. La causalidad puede plantear preguntas «qué pasaría si» sobre el pasado para ir más allá del aprendizaje automático estrecho; puede comprender el impacto de posibles acciones que podrían afectar un resultado deseado. Esta imperativa se ha entendido desde hace tiempo en campos como la economía y la medicina; solo recientemente ha comenzado a surgir en el ámbito empresarial, de modo que un minorista puede usar las recomendaciones e ideas proporcionadas por la inteligencia artificial causal para decidir los mejores precios para productos individuales, en ubicaciones específicas, teniendo en cuenta el entorno comercial actual.
El entorno dinámico de los compradores de hoy significa que la industria minorista necesita un nuevo enfoque para desarrollar estrategias de precios y promocionales. La competencia puede estar impulsando el crecimiento a través de inversiones promocionales, pero más del 70% de estas inversiones no están generando un retorno positivo. La optimización se dificulta debido a factores macroeconómicos volátiles: estos hacen que la visibilidad de la demanda y el suministro, y por lo tanto el impacto de las estrategias de precios experimentales, sea muy difícil. El precio pronto se convierte en un problema de equilibrar objetivos de crecimiento, rentabilidad y flujo de inventario.
Vea también: Netflix y Disney buscan expertos en IA para pago con altos salarios
La próxima generación de inteligencia artificial brindará a los líderes minoristas plataformas de optimización de KPI que considerarán un negocio en su conjunto, incluyendo la comprensión de los elementos causales, para tomar decisiones comerciales críticas. Tenga en cuenta que la tecnología no se podrá descargar de la comunidad de código abierto para que unos pocos científicos de datos la moldeen; implicará un ‘pensamiento’ a un nivel mucho más alto de automatización, como ‘¿Conocemos la causa raíz de nuestros resultados?’. Después de todo, los KPI y el ROI son resultados de decisiones, que requieren un elemento causal. La industria minorista se ve afectada por una miríada de factores externos: gestión de relaciones; compras estacionales; riesgo operativo; juicio experto; limitaciones presupuestarias; y contexto comercial.
Entonces, ¿cómo podría funcionar en la práctica? A través de algoritmos de descubrimiento e inferencia causal, se definen y conectan millones de características de datos, no solo relaciones estadísticas, sino también relaciones causales. Se incorpora conocimiento de la cadena de suministro, lo que permite que los expertos en la materia inyecten más precisión en un gráfico causal. Dado que la industria minorista es amplia y compleja, este elemento del dominio es vital. La combinación de la experiencia humana de arriba hacia abajo y el descubrimiento de datos de abajo hacia arriba es muy poderosa.
Un uso común de la inteligencia artificial en el comercio minorista en la actualidad es la predicción de la pérdida de clientes. Sin embargo, los resultados suelen ser poco satisfactorios, ya que los modelos de pérdida de clientes no respetan las limitaciones y objetivos del negocio mientras luchan por rendir en un entorno de rápido movimiento. La inteligencia artificial convencional puede predecir posibles clientes que abandonarán, pero no puede recomendar un curso de acción para evitar la pérdida. La inteligencia artificial causal, mediante la identificación de los verdaderos impulsores de la pérdida, es única en su capacidad para recomendar un conjunto de intervenciones para asignar recursos y presupuestos de manera óptima para aumentar la retención de clientes, basándose en objetivos comerciales y métricas clave.
Reducir la pérdida de clientes con la ayuda de la inteligencia artificial «explicable», que permite intervenir para producir recomendaciones transparentes y comprensibles, puede ofrecer beneficios significativos en el retorno de la inversión: se estima que un aumento del 5% en la retención aumenta los beneficios entre un 25% y un 95%. Los líderes minoristas son muy conscientes del costo de la pérdida de clientes: adquirir un nuevo cliente cuesta entre seis y siete veces más que retener a uno existente; los clientes retenidos compran con más frecuencia y gastan más que los recién reclutados; los clientes satisfechos y leales refieren a nuevos clientes sin costos asociados.
Los modelos de inteligencia artificial causal que permiten la inclusión de la experiencia humana relevante, o «conocimiento del dominio», pueden empoderar a los tomadores de decisiones, como los especialistas en marketing, para interactuar con un gráfico causal y ver qué factores afectan a sus KPI objetivo, y de qué manera. Luego estarán preparados para agregar las limitaciones y matices de sus dominios y el mundo en el que viven sus clientes. Mapear los impulsores causales de un dominio también permite explicaciones para recomendaciones y tasas de retención actuales. Las soluciones de aprendizaje automático tradicionales para la retención tienen dificultades para evitar sesgos, por lo que un especialista en marketing puede querer evaluar el modelo de inteligencia artificial causal para asegurarse de que sea justo en, por ejemplo, edad o género.
Sin embargo, estos beneficios son más difíciles de lograr con el aprendizaje automático que se basa en patrones y correlaciones pasados para hacer predicciones, y, por lo tanto, es propenso a fallar ante cambios en la distribución de datos.
El aprendizaje automático no es verdaderamente sinónimo de inteligencia artificial; la verdadera revolución de la inteligencia artificial comienza cuando las máquinas pueden aprender como los científicos, lo que requiere fusionarlas con el conocimiento del dominio humano para crear algoritmos más sofisticados. Cuando los impulsores causales de la demanda o el suministro en el mundo minorista cambian, incluso los modelos de inteligencia artificial de ajuste de curvas más sofisticados pueden tomar decisiones peores que lanzar una moneda.
Desde hace algún tiempo, se ha propuesto la inteligencia artificial como un desarrollo transformador en el comercio minorista. Sin embargo, en realidad, un nivel de aprendizaje automático capaz de una toma de decisiones verdaderamente óptima solo está surgiendo ahora. Utilizando la causa y el efecto, la inteligencia artificial causal, una nueva categoría de máquinas inteligentes que razonan como los humanos, se convertirá en una herramienta revolucionaria para resolver los desafíos de retener y hacer crecer a los clientes minoristas. El futuro a largo plazo de la inteligencia artificial en el comercio minorista es realmente brillante.
