El auge del big data y las tecnologías relacionadas con la Inteligencia Artificial están suponiendo un cambio radical dentro la disciplina del Marketing Data Science. De hecho, de acuerdo con IDC, la cifra estimada de ingresos generados por el big data y la analítica de negocio crecerá desde los 130 mil millones de dólares, que se alcanzaron el pasado 2016, hasta los 203 mil millones en el 2020.

Antes de que termine el presente año, un tercio de las principales compañías del mundo, ya habrán invertido en soluciones de data science el doble que en cualquier otra aplicación o herramienta de negocio.

Adopción de herramientas de análisis predictivo

Llevo un año predicando acerca de la imparable irrupción del análisis predictivo como herramienta clave para los departamentos de marketing de las organizaciones.

Creo que el siguiente listado de casos de uso puede ilustrar perfectamente el potencial de estas herramientas:

  • Marketing personalizado.
  • Predicción de la demanda / Forecast de ventas.
  • Optimización del precio.
  • Campañas basadas en comportamiento marketing predictivo.
  • Análisis y predicción de comportamiento de clientes.

A este listado habría que añadir todas las aplicaciones más allá del ámbito del marketing y las ventas, tales como el análisis de riesgo de crédito e inversión, predicción de consumo de energía y gasto en suministros, etc.

Salesforce Einstein, IBM Watson, Microsoft Azure Machine Learning API, Google Prediction API o Amazon Machine Learning API son los mejores ejemplos de este tipo de herramientas.

herramientas-en-la-nube

Poco antes de mi participación en el PyData 2017 Barcelona, publiqué un artículo en torno al potencial de estas herramientas basadas en Inteligencia Artificial:

¿En qué se diferencian Machine Learning, Deep Learning e IBM Watson?

Sobre todas estas propuestas hay una de ellas que se diferencia en el enfoque que realiza sobre el resto: “salesforce Einstein”. En el evento de San Francisco de la semana pasada, pudimos ver como su estrategia se centra en la facilidad de uso de las herramientas. Una y otra vez se repitió durante las diferentes conferencias que su visión respecto a la inteligencia artificial es que usuarios no expertos puedan utilizar sus capacidades predictivas de forma muy sencilla.

Por ello te expongo a continuación cuales son las principales plataformas de Machine Learning/AI para empresas y que utilidad/diferencias puedes encontrar en ellas:

Plataforma  Diferencias
IBM Watson La más compleja, desarrollada y potente desde mi punto de vista, claramente la mejor en la parte cognitiva. Orientada para que desarrolladores de IBM y partner desarrollen todo su potencial en las empresas.
Microsoft Azure Orientada para que el amplio ecosistema de desarrolladores de azure y su enorme base de clientes desarrollen sobre esta plataforma.
Salesforce Einstein La que cuenta por ahora con menores capacidades (aunque avanzando muy rápidamente) pero con un enfoque ganador desde mi punto de vista: poner en las manos del usuario de a pie la potencia de la inteligencia artificial sin necesidad de contar con un equipo de IT.
Amazon AWS Una amplia variedad de servicios perfectamente integrada para desarrolladores que utilicen AWS.

El futuro radica en la computación en la nube

Como era de esperar, los principales suministradores de servicios en la nube han desarrollado sus propias soluciones de Machine Learning. Esto permite a las empresas beneficiarse de una enorme capacidad de computación y análisis de datos, sin necesidad de instalar y mantener costosas infraestructuras on premise; es decir, en sus propias oficinas.

Es más, cada una de las herramientas que he mencionado en el anterior apartado ofrece su correspondiente versión en la nube.

Según cifras facilitadas por Cisco, para el año 2020, el 92% de la carga de trabajo relacionada con el análisis de datos tendrá lugar en data centers ubicados en la nube.

Como quizá ya sepas, en nuestra agencia disponemos de un servicio especializado en Salesforce, como herramienta de marketing y ventas.

Proliferación de las herramientas de visualización de datos

Con el fin de facilitar la comprensión y utilización de los insights extraídos mediante la analítica de datos, los departamentos de marketing —así como otros órganos de la gerencia— van a disponer de una gran variedad de herramientas de visualización de datos.

Concretamente, las herramientas de Business Intelligence continuarán evolucionando hacia interfaces gráficas y presentaciones cada vez más visuales  y personalizadas. No hay más que echar un vistazo el Data Studio de Google para comprobar la dirección que está tomando la industria.

data-google

Demanda y escasez del analista de datos

Según el informe “The Quant Crunch: Demand for data science skills is disrupting the job market”, publicado por IBM, la demanda de ingenieros y analistas de datos se habrá incrementado en un 39% para el año 2020.

Desgraciadamente, todo parece indicar que durante estos primeros años, las empresas y los departamentos de marketing tendrán que lidiar con una notable escasez de especialistas en este campo.

Anteriormente, ya he anticipado la importancia de incorporar a un analista de datos en el equipo. De lo contrario, se estará limitando enormemente el rendimiento que se pueda obtener de una infraestructura de data science.

El inevitable papel del analista de datos en tu departamento de marketing

Experimentación con marketing personalizado en tiempo real

A estas alturas, todo especialista en marketing es consciente de la utilidad de la analítica de datos para conocer la reacción y sentimiento de los consumidores frente a un determinado producto o servicio.

El problema es que, hasta ahora, la capacidad de reacción frente al comportamiento del cliente se veía limitada por la velocidad del procesamiento de los datos y acceso a la información.

La buena noticia es que la aceleración de la analítica de datos y su integración con las herramientas de marketing están posibilitando la ejecución de estrategias de marketing en tiempo real personalizado para cada prospecto y cliente.

Esta tendencia seguirá progresando a lo largo del 2018, contribuyendo a optimizar los resultados de las campañas y mejorar la percepción de la marca por parte de los usuarios.

Consejo de hoy

Te recomiendo comenzar a implantar tanto una estrategia de Data Driven Marketing, como la necesaria infraestructura para llevarla a cabo.

Gracias al uso avanzado de los datos, el 2018 va a suponer un incremento exponencial en el nivel de competitividad de los departamentos de marketing y ventas. ¡No te quedes atrás! Cómo implementar el Data Driven Marketing en tu organización

banner-ebooks-shower-1-v1


Joaquín Pais
Joaquín Pais

CEO en ShowerThinking. Consultor y Ponente en conferencias sobre marketing digital e inbound marketing.

Escribe y pulsa Intro para buscar