Analítica: la clave para entender y predecir comportamientos en el retail

economía chilena

La digitalización es una fuerza disruptiva fundamental que, de la mano de la llamada “cuarta revolución industrial” y el internet de las cosas, están cambiando la manera en que se relacionan las organizaciones y las personas. Y esto es especialmente evidente en la industria del retail. Si bien en los inicios de la era del ecommerce algunos analistas se atrevían a aventurar la paulatina muerte, o al menos el declive, de la tienda física como principal mediadora entre el cliente y el retailer, lo cierto es que esta relación ha demostrado ser más creativa y variada de lo que inicialmente pensaban los analistas. De muestra un botón en la forma en que los clientes interactúan con los puntos de venta: algunos clientes han adquirido el hábito de ir a las tiendas físicas a ver los productos, como si fuera un show room, para luego adquirirlos online desde la tranquilidad de su hogar (lo que se conoce como showrooming). Otros en cambio, utilizan la tienda online como una suerte de catálogo virtual para luego comprar de manera presencial (hábito conocido como webrooming).

Todo parece indicar, que la industria está evolucionando desde la multicanalidad a la llamada omnicanalidad, en la que se busca una interacción unificada de los diferentes canales para mejorar la experiencia de compra de un cliente más informado y empoderado, en un entorno caracterizado  por la inmediatez y ubicuidad que brindan los dispositivos móviles.

Banner_frasco-suscripcion-800x250

Sin embargo, todo lo anterior no pasa de ser más que una declaración de intenciones si el pilar fundamental de esta construcción conceptual no está cimentado o soportado en un backoffice “pro” analítico. En efecto, por años la industria ha experimentado una intensa inversión en infraestructura tecnológica de sistemas operacionales para eficientar los procesos de negocios, permitiendo además la recolección de abundantes datos. Sin embargo, el contexto de creciente digitalización nos vuelve a recordar que, si bien la industria ha avanzado, aún está al debe en el desafío  de transformar  este cúmulo de datos  en información y conocimiento, que se traduzca en acciones que vayan en beneficio del cliente y la compañía.

Cuando nos preguntamos cómo debiera ser la infraestructura adecuada y funcional para la analítica en la industria del retail, imaginamos los tradicionales repositorios de data estructurada, con procesos de actualización nocturnos de los distintos segmentos de información (datamarts) que dan cuenta de la totalidad del negocio. Pero también, y cada vez adquiriendo mayor importancia, se conforman repositorios para datos no estructurados, generalmente en la nube. Esta data no estructurada, podría provenir tanto de fuentes internas de la organización, como por ejemplo, el patrón de navegación del cliente en el sitio web de la compañía, o de fuentes externas, tales como las huellas que deja el cliente en redes sociales, y que dan indicios de sus preferencias.

A lo largo de estos años la industria ha ido incorporando entre sus prácticas de analítica de datos técnicas de Machine Learning (“aprendizaje automático”, una rama de la Inteligencia Artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello).  En especial, el llamado aprendizaje no supervisado, que corresponde a un conjunto de técnicas basadas en algoritmos capaces de identificar patrones entre los datos para hacer predicciones (ej: recomendaciones de Netflix o Spotify). Sin embargo, esto es sólo un primer paso.

En efecto, un concepto relativamente reciente, que no es habitual de escuchar aún en la industria del retail, es el que se refiere a la computación de altas prestaciones (aplicaciones que requieren gran ancho de banda, redes avanzadas y capacidades muy grandes de procesamiento). El cúmulo de data a procesar y el mandato impuesto por la inmediatez, conllevan a la necesidad de disponer de infraestructura computacional de alto rendimiento, que habitualmente asociamos más a la solución de problemas complejos en ingeniería que al análisis de datos con finalidad comercial.

Para poder aplicar las metodologías en uso más habituales en la industria tales como a) las reglas de asociación y análisis de canastas; b) el modelo de segmentación de clientes como RFM en todas sus variedades; c) el clustering; o d) árboles de decisión, entre otras, se requiere de una importante capacidad de procesamiento. La eficiencia y robustez del código que escribamos son elementos cada vez más relevantes, para potenciar la analítica aplicada al retail.

El próximo salto cuántico en lo que respecta al uso de metodologías es la incorporación del aprendizaje supervisado. Esta corresponde a otro conjunto de técnicas de machine learning pero que, a diferencia del aprendizaje no supervisado que permite sólo modelos descriptivos, estas permiten construir modelos que predicen un resultado a partir de una nueva observación de los datos. Los modelos de score financiero basados en regresión logística u otras metodologías, muy utilizados en la industria financiera y del retail, son un ejemplo de modelo predictivo que caen bajo el denominación de aprendizaje supervisado. Los sistemas de recomendación son otro ejemplo.

Los modelos predictivos aplican a la cadena completa del negocio. Desde la planificación de inventarios, pasando por la predicción y planificación de la demanda, hasta la oferta de productos y servicios customizada a las necesidades del cliente.

cadena del negocio

Asimismo, la cada vez mayor sofisticación y especialización del tema analítico, está llevando a las empresas a incorporar los llamados “científicos de datos”, un profesional que, como alguien dijo “sabe más de estadística que cualquier programador y más de programación que cualquier estadístico”.

Finalmente, la incorporación intensiva de herramientas de analítica, tanto descriptiva como predictiva, en el ciclo completo del negocio, configura un escenario en el cual toda la experiencia omnicanal del cliente estará mediada por modelos. Así, el cliente recibirá ofertas de productos y servicios en tiempo real y customizada, que toman en consideración la historia de interacciones con éste, o de otros clientes muy parecidos a él, así como las preferencias que éste ha revelado en su interacción con las redes. Esta oferta estará consolida y optimizada a través de todos los canales en que se interactúa con él, tales como redes sociales, sitio web de la compañía, call center, emails y aún más en tienda, donde mediante bluetooth se puede interactuar con los clientes  a través de sus smartphones.. Todo a fin de entregarle una experiencia de compra satisfactoria.