Ángela López Antón, Directora de Iniciativas Estratégicas de Nielsen, cuenta con más de 18 años de experiencia en sectores como el marketing estratégico, la investigación de mercados y la consultoría comercial tecnológica. Su trayectoria profesional le ha llevado a formar parte de compañías como Coca Cola, Combe o Nexium Customer Solutions. En esta ocasión, Ángela reflexiona acerca de cómo el machine learning está cambiando el mundo retail.
La tecnología en el retail tiene una cara visible para el consumidor, que hace uso de ella de manera constante. Desde la compra online al uso de Apps, pasando por el pago por móvil o, en unos años, por reconocimiento facial. Todo ello y mucho más ha contribuido a transformar el comercio y los hábitos de los consumidores y así seguirá siendo en el futuro.
Sin embargo, existe una transformación interna mucho más decisiva que va a ser capaz de desarrollar un modelo de negocio más preciso y eficiente, pero sobre todo, totalmente adaptado a cada uno de los consumidores. De hecho, la transformación es tal, que debemos hablar de una nueva cadena de valor entre el proveedor, el retailer y el consumidor final. Es una cadena que estará alimentada por una ingente cantidad de datos, actualizada constantemente y será el machine learning el que ayudará a analizar y determinar las decisiones a tomar. Pongamos desde ya el machine learning en nuestras vidas.
Para ello es fundamental algo de lo que en Nielsen somos expertos, la calidad del dato. De nada sirven unos datos mal etiquetados que no puedan sentar una base fuerte en la que aplicar machine learning. Y de nada sirve confiar solamente en datos del ayer, sino que hay que actualizarlos constantemente. Nuevos datos y nuevas variables porque el hoy no es como el ayer, ni será como el mañana.
Con la mejor materia prima en forma de dato se puede extraer el máximo potencial al machine learning y generar los mejores insights del mercado y del consumidor. Por un lado, porque elimina impredecibles y atípicos. Y es que por muy avezadas que puedan ser las personas, siempre hay variables que se escapan. Por otro lado, los datos son un reflejo del comportamiento humano, sobre todo en la toma de decisiones. Por este motivo están muy ligados al análisis de los patrones de elección y a cómo va a evolucionar una tendencia. El Machine Learning entra de lleno en este campo y permite acercarnos como nunca a la respuesta de qué va a suceder, con la virtud añadida de que podremos alcanzar un nivel de granularidad tal como “un dato, un consumidor”. Podremos ser capaces de ver más allá de un conjunto de consumidores y llegar a un nivel de personalización nunca visto.
Dicho de otra manera, estamos poniendo las bases de un modelo de análisis predictivo a partir de entender quién hizo una compra y cómo llegó a la decisión de adquirir ese producto, de una manera específica y en un momento determinado.
Esta ecuación y su respuesta tienen un impacto en todos los eslabones de la cadena, desde el demand planning hasta los ajustes real time de precios y promociones. Es decir, a un consumidor le podemos, desde evitar la siempre fastidiosa rotura de stock a ajustar el precio del litro de aceite de oliva vía promoción para situar el importe por debajo de su barrera psicológica y evitar su infidelidad comprando girasol por ser más económico.
Llegaremos al punto incluso de dejar de hablar de formatos y canales para hablar de momentos. Imaginemos un partido de fútbol un sábado por la tarde. Un momento especialmente propicio para un artículo como la cerveza, pero no para stockar en casa, sino para consumir en el momento ya fría. Podremos anticipar la demanda, ajustar la logística, preparar el surtido, desarrollar una promoción específica temporal y lanzar una campaña de marketing para la compra de cerveza a temperatura de consumo. Esta acción durará unas pocas horas e involucrará al fabricante y distribuidor, con un tercero que ejercerá de director de orquesta para “armonizar el concierto”.
Innovar con Machine Learning
Por otra parte, además de la cadena de valor entre proveedor, retailer y consumidor, también es posible incorporar el Machine Learning a la cadena de la innovación, que es uno de los procesos más críticos en el mercado de gran consumo. En Nielsen tenemos estudiado que sólo dos de cada diez lanzamientos logran mejorar los resultados en su segundo año con respecto al primero. Y muchas de esas novedades ni siquiera sobreviven a los doce primeros meses en el lineal.
Al incorporar el Machine Learning al proceso de la innovación y de la mano de un partner que guíe por el camino, el gran consumo puede establecer patrones de éxito sobre los que basar la gestación de ese nuevo producto, puede realizar benchmark y hacer comparativas para ver qué funciona y qué no, y analizar su comportamiento en el mercado para llevar a cabo las correcciones y ajustes oportunos en tiempo real. Todo ello con un nivel de precisión e inmediatez como nunca se ha visto.
Hemos dejado de vivir en la era del tamaño para vivir en la era de la inmediatez. Antes, las compañías grandes se comían a las pequeñas. Hoy son las rápidas las que se comen a las lentas. Hacer Eureka es cada vez más difícil en un mercado muy competido y la industria demanda rapidez, no quiere dilatar un proceso de innovación, sino salir rápido y ajustar sobre la marcha. El Machine Learning se adapta como anillo al dedo porque, bien utilizado y con datos detrás de calidad y fiables, iremos viendo cada vez menos innovaciones erróneas y, cuando se empiecen a comercializar, con mayores visos de triunfar en el lineal físico, digital o auditivo.
Pero para ello será fundamental generar un modelo de open data, en el que todos los intervinientes de la cadena participan en el desarrollo de la innovación. Vamos hacia un modelo de data sharing entre proveedores y retailers con un tercero en forma de partner que genere no sólo la estructura para hacerlo posible, sino que haga de “product owner”, es decir, que guíe, marque las pautas, proporciones análisis y aprendizajes, etc.
En definitiva, retailers y proveedores necesitan que se les proporcionen los datos precisos, buenos, necesarios y en el momento adecuado, convertidos en insights que les ayuden a responder qué es lo próximo para su toma de decisiones diaria. Todo ello en una infraestructura colaborativa en las que veremos auténticas alianzas estratégicas. Nadie puede ir por su cuenta en esta nueva andadura tecnológica. Si mejoramos la experiencia de compra con Machine Learning, la mejoramos todos. Si mejoramos el desarrollo de una innovación, lo mejoramos todos.
La era del Machine Learning también lo es de la inteligencia compartida.
