¿Sus datos del cliente están listos para la IA?

De acuerdo con una investigación de Salesforce, los representantes de ventas dedican solo un tercio de su tiempo realmente a vender. En cambio, dedican 40% de su tiempo a actividades, como capturar manualmente información de ventas, generar cotizaciones o propuestas y realizar tareas administrativas. Estas actividades les quitan tiempo para el desarrollo de relaciones con clientes y generan ineficiencias en el ciclo completo de la venta (QTC). Este ciclo permite que se realicen todos los pasos del proceso de ventas, desde despertar el interés de un comprador hasta obtener ingresos de una compra. Sin embargo, la trayectoria a menudo tiene obstáculos como tecnología aislada, equipos que están desarticulados (ventas, marketing, contabilidad, soporte) y procesos obsoletos. 

Incorpore la inteligencia artificial (IA) y otras infraestructuras predictivas. Si coloca estas tecnologías estratificadas sobre el ciclo de ventas, se puede acortar la ruta hacia el cierre de ventas, mejorar la calidad de los canales de ventas, ofrecer una visión más profunda de las perspectivas, así como permitir que los representantes de ventas y soporte tengan más tiempo para desarrollar relaciones. De acuerdo con Gartner, la IA produce tasas de conversión hasta 30% más altas cuando interactúa con los clientes potenciales. Y en la publicación Harvard Business Review se predice que la IA puede generar más de $2 billones en valor para la cadena de marketing y ventas. En las mismas horas que le toma a un vendedor realizar la investigación de un prospecto de cliente, las herramientas de automatización asistidas por IA pueden evaluar y organizar a miles de prospectos para permitir que el representante se concentre en vender en lugar de estar realizando investigaciones. 

Con tanto por ganar, ¿qué podría salir mal? 

Si los datos que alimentan a la IA están aislados, sesgados o incompletos o son inexactos, la IA no es útil. Así, la IA no puede proporcionar la información correcta e, incluso, puede tener un efecto negativo al sacar conclusiones erróneas que obstaculicen el proceso de ventas, en lugar de llevarlo adelante. 

El éxito de la inteligencia artificial (IA) y otras infraestructuras predictivas depende de la veracidad de los datos. Si se tiene basura adentro, se tiene basura afuera. Sin una integración sólida entre las aplicaciones y datos precisos, los intentos por beneficiarse de cualquiera de estas infraestructuras en el ciclo de ventas terminarán siendo un fracaso. Para que los algoritmos analicen una tendencia específica o hagan una recomendación inteligente, es necesario tener acceso a la mayor cantidad posible de datos. Hasta 80% del trabajo que representa un proyecto de IA está enfocado en la recopilación, limpieza y preparación de los datos. 

Sin embargo, contar con datos impulsados por capacidades de IA que estén limpios y adecuadamente integrados, pueden tener un gran impacto en los ingresos obtenidos de las ventas. La aerolínea KLM ha generado millones de ingresos adicionales mediante el uso de infraestructuras de IA para asignar a los agentes más tiempo para que puedan ayudar a los clientes a reservar mejoras y nuevos vuelos. Caesars, el grupo de hoteles y casinos, utiliza IA para analizar el gasto diario potencial de los clientes a fin de personalizar y priorizar las interacciones y promociones. Y para los huéspedes de su hotel, las herramientas predictivas de servicio al cliente han reducido 30% las llamadas a la recepción. Mediante un motor de recomendación impulsado por IA, Netflix afirma que está ahorrando $1 mil millones anuales al evitar que se cancelen suscripciones. Estos éxitos de IA no solo están cimentados en la aplicación de la tecnología de IA, sino también en la calidad de los datos subyacentes del cliente y los ambientes de nube privada, pública o híbrida donde están guardados los datos. 

A medida que comience a trabajar en sus proyectos de IA, establezca factores claros de éxito. Mantenga un equilibrio de manera cuidadosa entre los puntos de referencia de la industria, el riesgo y las necesidades comerciales que sirvan de guía hacia lo que cuenta como éxito. Recuerde que los puntos de referencia de la industria son solo eso, puntos de referencia. Úselos para guiar sus pasos, pero no para ordenarlos. Solo deben usarse para confirmar que está haciendo lo que los demás, pero no la manera en que esto se alinea con sus objetivos comerciales. Con base en el riesgo involucrado en sus esfuerzos de IA, si sigue los puntos de referencia muy de cerca, podría resultar perjudicial. Por ejemplo, si su aplicación de IA está relacionada con procesos en los que está en riesgo la vida, como la atención médica o los automóviles autónomos, es posible que sus puntos de referencia no estén alineados con la industria, pero sí lo estén con una atención adicional y el riesgo extra que se requieren para evitar daños. 

No deje que los datos sin limpiar arruinen su recorrido de IA 

Si la IA se entrena afortunadamente con datos erróneos, arrojará afortunadamente malos resultados. Antes de comenzar a planificar sus iniciativas de IA, debe garantizar que sus datos existentes estén listos para aprovechar las capacidades de procesamiento profundo. 52% de los datos de CRM son erróneos. La unificación y organización de datos dentro de los sistemas individuales puede representar un desafío, desde los sistemas heredados que contienen datos críticos, pasando por los remanentes de las fusiones y adquisiciones de empresas, hasta los datos sin depurar que ocupan espacio. 

Entonces, ¿debería depurar los datos ya recopilados o comenzar de cero? La IA funciona mejor con grandes cantidades de datos. Para obtener información significativa, necesitará, por lo menos, 10,000 puntos de datos. Los expertos están de acuerdo con la regla de 10: por cada punto de datos medido, necesita 10 veces más datos para producir una inferencia útil. Comenzar de nuevo y acumular miles de puntos de datos limpios probablemente no sea práctico; además, implica ignorar el vasto conjunto de datos que ya tiene. A primera vista, puede parecer una tarea abrumadora, pero el trabajo que realiza ahora para depurar sus datos tendrá como resultado una información más precisa más adelante. 

La duplicación de registros es uno de los motivos que genera una mayor cantidad de datos sin depurar. Existen varias herramientas de terceros y dentro de las aplicaciones para ayudarlo a combinar registros e identificar los duplicados. Para optimizar aún más los datos que está utilizando su equipo de ventas, integre un proceso para archivar registros inactivos. Y si aún no lo ha hecho, estandarice sus prácticas de captura de datos. Entre más cambie las variables, menos valiosos serán los datos para el análisis. Es posible que los datos que tengan un formato incorrecto no se puedan ingresar en la búsqueda y en otras funciones de recopilación de datos. Proporcione a los usuarios indicaciones o guías para dar formato correcto a los nombres de clientes, direcciones, información de productos y otros datos vitales. Y una vez que haya realizado una auditoría completa y una depuración de los datos de su aplicación, establezca un programa de mantenimiento regular para mantener la depuración continua de los datos.

Encontrar el enfoque correcto hacia la integración

En el Informe del estudio de mercado sobre ciencia de datos y aprendizaje automático 2019, 40% de los equipos de marketing y ventas mencionaron que la IA y el aprendizaje automático son fundamentales para su éxito. Una de las mejores formas de ver el panorama completo de los datos de sus clientes es integrar sus sistemas front-end (CRM) y back-end (ERP). Al integrar los datos existentes de sus sistemas ERP y CRM, puede crear un repositorio de datos que funcione como trabajo de preparación para futuras iniciativas de IA. Aquí hay cuatro formas comunes para lograr una integración más estrecha entre ERP y CRM, que van desde las más complejas hasta las más eficientes:

1. Labores repetitivas: Este proceso manual requiere que un miembro de su equipo transfiera datos manualmente de un sistema a otro.
2. Herramientas creadas internamente: Este método utiliza varias funciones y opciones incluidas en una o más de las aplicaciones de su ruta de QTC. 
3. Integración de principio a fin: Este método de integración utiliza las API para conectar directamente sus sistemas para compartir y utilizar datos. 
4. Proceso ETL intermedio (middleware): Los servidores que usted aloja y mantiene se utilizan para facilitar el intercambio entre el software y las aplicaciones. 

Cada una de estas opciones tiene términos medios en cuanto a complejidad, eficiencia y costo. Atender la depuración de los datos antes de aplicar las infraestructuras de IA aumenta sus posibilidades de aprovechar todo el impulso de las tecnologías predictivas para que las ventas y el soporte puedan concentrarse en desarrollar relaciones con el cliente y generar ingresos.

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.