Mejores prácticas para desarrollar Data Science sobre Salesforce

Diferentes empresas han contactado conmigo últimamente para dar respuesta a esta pregunta en principio tan sencilla. ¿Cómo podemos utilizar la Inteligencia Artificial y marketing predictivo sobre nuestra plataforma de Salesforce?, y es normal.

Al fin y al cabo, la idea de dotar de capacidades de análisis predictivo a una herramienta en la que reúnes los datos de tus procesos de venta resulta bastante atractiva. Una buena estrategia basada en marketing predictivo puede ser una opción muy rentable.

Ahora bien, Salesforce es fundamentalmente un entorno de marketing y ventas y, como tal, carece de la capacidad de procesamiento o la profundidad funcional de otras plataformas de análisis predictivo y Data Science.

Dicho esto, cabe preguntarse si es factible desarrollar un verdadero enfoque de Data Science con Salesforce. A priori, su arquitectura y la interconexión mediante su APIs lo hacen posible. Actualmente, existe un total de cuatro alternativas distintas, en función de las necesidades y recursos de cada negocio.

Utilizar la plataforma de Einstein tal y como es

Einstein es la plataforma nativa de Inteligencia Artificial de Salesforce.

La principal ventaja de Einstein es que resulta extraordinariamente sencilla, por lo que puede ser utilizada por todo tu equipo de ventas, sin necesidad de disponer de conocimientos de analítica de datos.

No obstante, eso también se traduce en una clara limitación en sus prestaciones como plataforma predictiva, así como el margen de configuración.

Tan solo se puede utilizar información de los propios objetos, no pudiendo interrelacionar diferentes datos. Por ejemplo, no es posible correlacionar los patrones de generación de leads con la facturación del negocio, de forma que las predicciones y las correspondientes recomendaciones tienen un alcance reducido.

Utilizar la interconexión con IBM Watson

Watson es la plataforma de Inteligencia Artificial de IBM.

Con el fin de expandir su capacidad predictiva de la forma más eficiente posible, Salesforce ha desarrollado un Side Developer Kit (SDK) para proceder a la integración con Watson, la plataforma de inteligencia artificial de IBM. Se trata de una API creada específicamente para simplificar la integración, y que articula la alianza que Salesforce e IBM firmaron a principios del año pasado.

Gracias a esta integración, la capacidad analítica se multiplica exponencialmente, dado que los conocimientos que Einstein tiene sobre los clientes se combinan con los datos estructurados y desestructurados de Watson, provenientes de múltiples fuentes y sectores.

Sin duda, esta combinación permite a tu equipo obtener recomendaciones muy específicas para acelerar la toma de decisiones en el ámbito de las ventas, el marketing, los servicios, etc.

Imagina, por ejemplo, la posibilidad de combinar los datos sobre los hábitos y preferencias de compra de cada uno de tus clientes, con la climatología, patrones de compra e información del mercado minorista de una determinada región. El tipo de tratamiento personalizado que se puede ofrecer a cada prospecto y cliente se vuelve extremadamente preciso.

Utilizar las APIs de Salesforce para interconectarse con otras plataformas

Por otro lado, el uso de APIs está facilitando interconectar Salesforce con otras plataformas, para beneficiarse de sus capacidades.

Por ejemplo, en el caso de que ya dispongas de una infraestructura de Data Science en Azure ML o Amazon ML, es posible utilizar la API de Salesforce para proceder a la extracción de datos y el consiguiente análisis predictivo de los mismos.

En esta tabla tienes un resumen de las APIs de datos de uso más frecuente.

Descarga manual de los datos y subida a una plataforma de Data Science

Por último, en caso de que no sea posible realizar una interconexión entre Salesforce y tu plataforma de Data Science de una forma eficiente, siempre se puede proceder a la descarga manual de la información en archivos CSV. Acto seguido, basta con cargar dichos datos en tu plataforma. Aunque esta solución pueda parecer algo rudimentaria, está indicada para aquellos casos en los que los análisis predictivos no deban hacerse de forma frecuente, sino como fenómenos aislados.

Por ejemplo, supongamos que deseas proceder a una segmentación de tu base de datos de clientes, para llevar a cabo la planificación de las campañas de marketing de los próximos 6 meses.

Al no ser necesario llevar a cabo este procedimiento de forma continuada, se puede procederse a la extracción ad hoc de los datos, su segmentación mediante tu plataforma de análisis predictivo y la consiguiente planificación de la campaña a partir de los criterios establecidos.

La elección de cada una de las alternativas expuestas debería depender de cuáles son las expectativas y objetivos marcados por tu negocio. Cada opción tiene distintas implicaciones en lo que concierne a las competencias que tu organización necesitará y la forma en la gestionará la tecnología utilizada.

Lectura recomendada:

Tendencias de Marketing Data Science 2018 y cómo pueden influir en tu empresa

Si tienes alguna consulta sobre como implementar cualquiera de estas herramientas en tu empresa, no dudes en ponerte en conmigo. Será un placer ayudarte.