Noticias

Jonathan Lakin: “Dirigir empresas va de tener curiosidad por los datos”

Cómo la IA te permite conocer la intención de tus clientes

Jonthan Lakin

Fundador y CEO de Intent HQ, patrono de la Cátedra Intent HQ de Cambios en el Comportamiento del Consumidor, cuyo titular es el profesor del IESE José Luis Nueno. Foto: Marcus Perkins

8 de septiembre de 2020

Cuando se trata de analizar a los clientes, la mayoría de las empresas piensan en lo que los datos resultantes les permitirán conseguir de ellos: vender más o reducir costes. Jonathan Lakin (GEMBA ’03) tuvo una idea diferente: usar el análisis para escucharlos y comprender qué están tratando de hacer; es decir, su intención. De ahí el nombre de la compañía, Intent HQ, que nació en 2010. Sus avances en inteligencia artificial (IA) permiten filtrar miles de millones de señales de millones de clientes para determinar qué le importa a cada persona y sacar partido de esa información.

No ha sido fácil: “El ritmo de la IA avanza tan deprisa que está superando nuestra capacidad de aprovecharla”, dice Lakin. Existen desafíos técnicos, que requieren una forma completamente nueva de procesar datos, así como organizacionales, ya que las compañías necesitan cambiar sus viejas formas de trabajo para servirse de las oportunidades de la IA. También hay desafíos en torno a la privacidad, que es donde Intent HQ ha centrado sus esfuerzos con el fin de desarrollar una IA sobre clientes que “redefine lo que es posible, tanto desde el punto de vista del cliente, como desde la perspectiva de la privacidad”.

Intent HQ patrocina la Cátedra de Cambios en el Comportamiento del Consumidor, cuyo titular es José Luis Nueno. En esta entrevista del profesor Nueno, Lakin explica cómo afrontar estos desafíos cuando se busca “cambiar las reglas del juego.

Las telecos son uno de vuestros clientes clave. ¿Cómo dibujan el cambio que les espera a muchas de ellas?

Las compañías de telecomunicaciones intentan reinventarse y consideran que empresas como la nuestra son catalizadores del cambio. Sin embargo, la reinvención es difícil, especialmente para un sector que existe desde el siglo XIX. Aunque el síndrome de «no inventado aquí» que reina en las telecos quizá tuviera cierto peso antes, hoy son Apple, Samsung y las plataformas televisivas de pago (OTT) quienes se llevan la gloria. El mercado exige flujo de caja y márgenes estables a las telecos. Ello a pesar de que el aumento de la competencia y la madurez del 4G han comoditizado cada vez más la tecnología y el 5G requiere una considerable inversión de capital cuyos beneficios no supondrán una transformación inmediata.

Esto debe cambiar. Debido a que muchos de los que estamos en Intent HQ procedemos de entornos de telecos, lo tenemos claro. Por ello, a la hora de implementar nuestras soluciones basadas en IA, utilizamos proyectos piloto aislados. Las conclusiones resultantes están ayudando a romper con los tradicionales silos de las empresas, lo que obliga a las telecos no solo a replantear su modelo de negocio, sino a darles la vuelta completamente. Les ayudamos a establecer un ecosistema para cogenerar valor para los clientes finales, porque la colaboración y la asociación ahora son básicas.

Ayudamos a establecer un ecosistema para cogenerar valor para los clientes finales, porque la colaboración y la asociación ahora son básicas

¿Qué más se estarían perdiendo las empresas?

Muchas organizaciones que dependen de consumidores se han olvidado de que los datos más valiosos se encuentran justo debajo de sus narices… solo que no pueden verlos. La IA que utilizamos analiza los datos de actividad de los clientes a través de diferentes lentes. Nuestro IntentGraph tiene un componente semántico y otro conductual. El semántico analiza el lenguaje por lo que, cuando alguien dice “Queen” (reina en inglés), por ejemplo, sabemos si se refieren al grupo de música o a la monarquía. El conductual analiza a las personas que exhiben un comportamiento social similar, como ir al mismo tipo de restaurante o lanzar las mismas quejas constantemente. Comenzamos con los datos que tenemos –cada pequeña señal de cliente, cada interacción– y vamos construyendo a partir de ahí. Combinar el comportamiento humano con medidas cuantitativas es clave para la transformación del negocio, sobre todo cuando se detecta qué comportamiento del cliente impulsa los indicadores clave.

¿Qué errores habituales ves en los equipos de análisis?

Que dependen de promedios, como los de todas las interacciones que ocurren en un día. Aunque puede parecer razonable almacenar promedios en lugar de gastar dinero en guardar todos y cada uno de los datos, muchos tipos de análisis –sobre todo aquellos que involucran a personas– están sacrificando la precisión sin saberlo. Piensa en todas las formas en que te comportas de forma peculiar o diferente de la persona promedio. Al usar promedios, es inevitable que los productos o experiencias que diseñamos sean menos convincentes.

Las compañías pueden comenzar a hablar con sus clientes más como amigos que como un ingreso promedio por usuario

Las empresas ganadoras son las que diseñan teniendo en cuenta aquello que es diferente. El desafío es doble: primero, seleccionar todos los datos para encontrar la señal del cliente clave; luego, poner en práctica esa información en cada punto de contacto con el cliente. Esto requiere un enfoque completamente diferente, no solo en el cálculo de los datos, sino también a la hora de organizarlos a través de la gran cantidad de plataformas y sistemas que conforman el complejo panorama de las TI actual.

¿Cómo afrontas estos desafíos?

Recuerda lo que pasó con los reproductores de MP3. La innovación central fue el algoritmo que comprimía el archivo de datos sin procesar, que contenía la música, sin echar a perder la calidad del sonido original. Ese paso cambió para siempre toda la industria y la forma en que nos relacionamos con la música. Lo mismo ocurrirá con la codificación de datos sin procesar de la actividad de los clientes. Para que los científicos de datos puedan servirse de ellos cada día, necesitamos comprimirlos y transformarlos sin que se diluya su significado.

Esta es una de las cosas que hacemos en Intent HQ: tomar datos sin procesar de la actividad del cliente, detectar las señales del cliente clave, descifrar su significado, eliminar datos confidenciales, convertirlos en vectores (para una mayor privacidad) y ponerlos a disposición de los científicos de datos. Estos nuevos conjuntos de datos sobre comportamiento se pueden utilizar para mejorar todos los modelos de propensión del cliente en una empresa. Esto significa que las compañías pueden comenzar a hablar con sus clientes más como amigos que como un ingreso promedio por usuario. Si las organizaciones demuestran tener tanta sed de datos como la gente para con la música, el cambio en las industrias será tan grande como pasó con el MP3… y los primeros en mover pieza tendrán una ventaja competitiva.

¿Qué hay de la privacidad?

Los clientes quieren un trato cercano, pero también exigen privacidad. No se conforman con una de las dos. Sin embargo, la mayoría de las organizaciones piensan en la privacidad como algo unidimensional, como si bastase con cumplir la legislación. Al final, la privacidad se basa en la confianza: hay que demostrarla, recompensarla y desarrollarla de un modo directo, dentro de la experiencia del cliente.

Incorporar la confianza en la experiencia del cliente significa tener en cuenta la privacidad en cada punto del flujo de datos. Por ejemplo, hay que eliminar automáticamente los datos que son confidenciales, como los referentes a la política o la salud, antes de que puedan usarse. Durante el procesamiento de datos, toca evitar las categorías restringidas. En cuanto al contacto con el cliente, hay que tener un enfoque de consentimiento gradual, lo que da sentido al intercambio de valor.

La privacidad se basa en la confianza: hay que demostrarla, recompensarla y desarrollarla de un modo directo

Creemos que es crucial ir más allá de la legislación y ofrecer a los clientes “el derecho a inferencias razonables”; en esencia, compartiendo las inferencias que hacemos sobre ellos, tanto para que puedan corregirse como para que las organizaciones se vuelvan más transparentes, lo que fomenta la confianza.

Esto suena bastante caro y complejo. ¿Cómo puede hacerse?

Hay un porcentaje determinante: el 87% de nuestros modelos no llegan a producción. La mayor parte de la complejidad se origina en la capa de datos para el aprendizaje automático. Dado nuestro enfoque en la IA sobre clientes, primero tuvimos que construir una plataforma y herramientas que facilitasen la parte experimental para luego saltar sin problemas del descubrimiento a la producción. Después de aprender de ese proceso, construimos un plataforma con una arquitectura muy diferente para juntar datos casi en tiempo real con análisis. Así, unimos lo que históricamente fueron dos temas separados: sistemas de transacciones y análisis. Ahora, podemos pasar a la producción al cabo de unos días o semanas, en lugar de meses. Es un proceso largo y bastante duro, pero, en última instancia, es gratificante.

Dado que habíais entrenado vuestros modelos antes de la pandemia, ¿cómo se vieron afectados por el cambio?

La rotación de clientes es el área que sufrió el impacto más evidente. Durante el confinamiento, se redujo de un modo significativo en la mayoría de los sectores. Cambiar de servicio no era una de las prioridades de los clientes, y la fricción aumenta al hacerlo con las tiendas cerradas. Esto implicó tener que descubrir qué clientes pasaban por dificultades y proporcionarles soluciones para mitigar la rotación posterior. Esto está relacionado con lo que he comentado antes: hay que comprender lo que los clientes están tratando de hacer, en lugar de tan solo analizar su actividad actual.

¿Qué perfil de dirección se requiere para tus funciones?

El talento por sí solo no es suficiente. Deben unirse la experiencia técnica, la curiosidad por los datos y el conocimiento empresarial. Cuando hice el Global Executive MBA en el IESE, recuerdo a un profesor de finanzas que hablaba de percibir el “aroma de los números”. Me encantó ese concepto. Buscamos personas que puedan “oler los datos”, lo que, en realidad, significa tener un instinto o curiosidad natural por el conocimiento y las historias que cuentan los datos, y ser capaz de unir los puntos para formar una imagen del futuro que se desea crear. Este tipo de curiosidad por los datos escasea, por lo que siempre existe una fuerte demanda.

El talento por sí solo no es suficiente. Deben unirse la experiencia técnica, la curiosidad por los datos y el conocimiento empresarial

¿Qué es más importante para un directivo? ¿El instinto? ¿O disponer de datos útiles?

¡Ambos! Debe tener cierta intuición para seleccionar los tipos de datos que le proporcionarán información procesable. Saber qué datos pueden ser buenos, cuáles no son confiables, cuándo buscar más o cuándo tomar la decisión: estas elecciones requieren instinto. Pero sin buenos datos, está perdido. Nadie quiere ser el borracho del chiste, que busca las llaves de casa debajo de una farola porque está demasiado oscuro para mirar en otro lado. Debe hacer brillar la luz donde se necesite y reunir datos de diversas fuentes en un solo sistema para crear nuevo conocimiento. Como alternativa, puede aplicar los datos preexistentes a funciones completamente nuevas; por ejemplo, servirse de datos de operaciones para impulsar el marketing.

Es maravilloso ver con qué frecuencia la llegada de más datos redunda en mejores conocimientos, lo que dará forma al instinto del directivo y amplificará su alcance. Así, reaccionará a la nueva información que vaya llegando. El instinto nos dice qué decisiones adoptar y qué acciones llevar a cabo a partir de los datos. Dichas acciones generarán más datos y, si estos se procesan bien, tendremos conocimientos nuevos. Aprendemos y mejoramos. Todo ello depende de cierta extraña habilidad. En realidad, dirigir empresas va de tener curiosidad por los datos.

Una versión de esta entrevista se publica en IESE Business School Insight 156.