Hoy en día nos hemos acostumbrado a que determinadas empresas nos recomienden productos o servicios y tendemos a pensar que estas recomendaciones están hechas para cada uno de nosotros. Creemos que los productos que nos recomiendan están personalizados, siendo diferentes a cada persona. Sin embargo, esto no es cierto del todo.
Para la mayoría de las personas, la personalización y la recomendación es la misma cosa. Cuando una empresa adapta su servicio para satisfacer nuestras necesidades, puede usar recomendaciones para personalizar nuestras compras, por lo que estas palabras suenan como si fueran sinónimos. Pero no lo son.
El primer intento de definir qué constituye un motor de personalización lo hizo Gartner en su Guía para motores de personalización digital de 2015. La firma tecnológica definió la personalización como:
Un proceso que crea una interacción relevante e individualizada entre dos partes diseñada para mejorar la experiencia del destinatario. Utiliza información basada en los datos personales del destinatario, así como datos de comportamiento sobre las acciones de individuos similares, para ofrecer una experiencia que satisfaga necesidades y preferencias específicas.
Por lo tanto, los motores de personalización son soluciones habilitadoras para el proceso de personalización, que determina y brinda la experiencia que el usuario busca, entrega mensajes personalizados (correo electrónico, texto, notificación automática) y proporciona análisis e informes al usuario de negocio.
Mientras que en las recomendaciones, las ofertas de producto/contenido se refieren a que se hace una pequeña selección de artículos del catálogo y se muestran de varias maneras al usuario (banners, mensajes, cuadros de recomendación), por lo tanto, podríamos decir que la recomendación se refiere más bien a la presentación de los artículos.
Sin embargo, una recomendación es una forma de personalización, pero la personalización no es una forma de recomendación. Pongamos como ejemplo YouTube. La plataforma de videos de Google podría sugerir videos relacionados basados en los hábitos de visualización anteriores del usuario. Una recomendación estaría también basada en lo que otros usuarios de YouTube vieron. Por otro lado, Facebook personaliza el feed de noticias de tu perfil basado en la actividad de tus conexiones, pero no te recomienda uno u otro. Esto último es la personalización, ya que se basa en los hábitos específicos del individuo y no en un algoritmo generalista. Cuanto más se sepa sobre una persona, no solo sobre sus hábitos de visualización, mejor. En otras palabras, una recomendación a menudo se basa en elementos, mientras que la personalización se basa en individuos.
Por tanto, ¿Cómo podemos hablar de sistemas de recomendación personalizados si uno habla de producto y otro de personas? Fácil, incorporando los hábitos específicos de la persona en el motor de recomendación. A mayor conocimiento del cliente, mayor personalización en los productos recomendados.
Hoy en día, son pocas las empresas que realmente pueden personalizar sus estrategias de Marketing comportamental ya que se necesitan, no solo implementar un algoritmo para la recomendación si no incorporar todos los datos de los clientes y no clientes. Ahí radica la dificultad, pero pasemos a contaros cómo podríamos hacerlo con un ejemplo.
Marketing comportamental en banca
Sabemos que la banca está dando pasos de gigante para acertar con las necesidades del cliente. Atrás quedaron los tiempos en los que se publicitaban servicios financieros a todo el mundo sin importar sus condiciones personales y que tantos quebraderos de cabeza les han dado.
Hoy en día, los departamentos de Ventas y Marketing de los bancos necesitan conocer más a sus clientes y ofrecerles lo que realmente necesitan en cada momento. Una de las tácticas que emplean las entidades bancarias es la de comprender al usuario incorporando los datos de navegación online.
Se define Marketing Comportamental como a las acciones de venta, comercialización y difusión basados en el comportamiento del consumidor a través de las cookies, los datos sociales, analítica web, historial de navegación, historial de compras y dirección IP, entre otros. En este caso, la cookie recaba información anónima sobre los hábitos de navegación con el fin de ofrecerle publicidad acorde a sus intereses.
Así, con el uso del Marketing Comportamental se envían ofertas según el perfil de cada usuario, se evita realizar ofertas que no casan con el cliente y ser considerados spammers.
De esta manera, cuando un cliente de la entidad accede a su página web, éste deja un rastro de migas de pan que, cual camino de baldosas amarillas, nos indica qué ha visto, cuánto tiempo ha estado en cada parte de la web y si ha realizado alguna acción, como comprobar cuánto crédito tiene. A la vez, si incorporamos toda la información disponible de ese cliente (historial de navegación, historial de compra, dirección IP, datos sociales, datos de la app…) podemos llegar a conocer la propensión que tiene a determinado producto bancario.
Tener en cuenta la identidad del usuario va a permitir caracterizar a los clientes y su relación con la entidad mediante una serie de variables que va a describir, de forma comprensible, cómo es cada usuario. El uso de los hábitos de navegación como parte de la caracterización de los usuarios, nos permite tener una visión más completa y, por tanto, mejorar la personalización en la recomendación de productos.
El uso de técnicas de Deep Learning y Machine Learning nos permite incorporar los datos de los usuarios lo que mejoraría el modelo de personalización y nos capacitaría para conocer la propensión de una determinada persona a comprar un producto determinado. Es decir, aumenta las tasas de éxito para los departamentos de ventas a la hora de ofrecer un producto bancario u otro.
De esta manera, gracias a Gartner podemos ver cuáles eran las tecnologías más punteras en aquella época, como por ejemplo, la programación orientada a objetos. Ha tenido que pasar casi un cuarto de siglo para ver que este tipo de programación es el pan nuestro de cada día. Más ejemplos, en ese año, en lo más alto de la curva (hype) se encontraban los denominados “agentes inteligentes” es decir, aquellos ayudantes virtuales que te permitían hacerles preguntas y te ayudaban. En esa década fue Microsoft el que se lanzó con Clippy. El ayudante de Office fue una interfaz de usuario inteligente para Microsoft Office que ayudaba a los usuarios a través de un personaje animado interactivo que interconectaba con el contenido de la ayuda de Office.
