2 casos prácticos de Inteligencia artificial: venta y riesgo

¿Cómo nos está ayudando la inteligencia artificial?

La inteligencia artificial (IA) ha pasado de ser un tema de película de ciencia ficción a un tema extremadamente importante en el mundo empresarial. Por eso hoy os traemos 2 casos prácticos de inteligencia artificial enfocado en la venta y el riesgo. para que veas como funciona.

Y es que, desde el análisis predictivo hasta el aprendizaje automático, no se debe subestimar el potencial de la inteligencia artificial para respaldar las decisiones y estrategias comerciales basadas en datos los diferentes sectores.

Gracias a la inteligencia artificial está aumentando nuestro trabajo, mejorando las experiencias de los clientes, aumentando la productividad, la eficacia y creando nuevas fuentes de ingresos. A continuación te mostramos 2 casos que Fernando Pavón, CEO de Gamco y experto en Inteligencia Artificial aplicada al negocio, explicó recientemente en uno de los ciclo de AceleraPYMES

Casos prácticos de Inteligencia artificial

Cuando se busca una nueva solución impulsada por IA para un problema dado en una empresa es útil tener ejemplos de empresas que lo hayan hecho antes, una idea de cómo desarrollaron la solución, quién ayudó en el proceso y cuál fue o es el impacto. A continuación os dejamos con 2 situaciones:

1. Caso práctico de IA: Venta

El primer caso práctico de inteligencia artificial es un tema de venta. Primero vamos a ver de qué trata la aplicación, qué se consigue, y por qué fue necesario implementar esta solución en una empresa muy pequeña.

En este caso hay diferentes perfiles de usuario de Compra del Sur, un marketplace que lleva poco tiempo y quiere aumentar la captación de afiliados de comercios. 

El problema de captar nuevos clientes es que aparentemente todavía no tenemos datos conocidos. Sin embargo, existen millones de datos a nuestro alcance gracias a los servicios de internet están dando. Por ejemplo, Google Maps nos está dando datos de todos los comercios y segmentaciones. Lo que hay que hacer es que la máquina incorpore esa información.

Para encontrar nuevos clientes las bases de datos son múltiples: puedo comprar bases de datos a una empresa de terceros que me lo den; puedo ir a Google Maps y empezar a mirar y a sacar información e ir barriendo los clientes de determinado código postal, etc.

Una vez que tengo esa lista de clientes, sus características, los teléfonos, información socioeconómica y sé dónde están posicionados, la herramienta estará guardando un feedback: si está interesado, si ya se llamó, las acciones que tiene, etc.ç

Esta aplicación está pensada para optimizar las acciones de televentas y también de comerciales a pie de calle. Cuando mis vendedores se sienten delante del sistema, pueden ver la lista de clientes, a cuáles tiene que llamar, cuál es la base de datos de origen de cada uno, etc. Y, después de cada acción, tendrán un feedback que les seguirá guiando.

Por ejemplo, cuando tenemos un listado extenso de clientes a los que llamar, nuestros vendedores tienen dos opciones: bien empiezan a llamar de manera aleatoria, o bien lo hacen de manera ordenada en función de los criterios analizados por la herramienta. 

En este sentido, si tenemos un listado de 1.500 contactos a los que llamar y lo hacemos de manera aleatoria, tendremos que llamar a todos y una tasa de conversión del 5%. Si por el contrario lo hacemos siguiendo las indicaciones de la herramienta, que detecta a aquellos que sí están interesados, solo haríamos 380 llamadas con una conversión de un 20%. Es decir, de cada 10 llamadas, consigo 2 atenciones. Son 15 puntos de diferencia con muchísimas menos llamadas, por lo que los costes se reducen bastante.

2.Caso práctico de IA: Riesgo 

El segundo caso práctico de inteligencia artificial se basa en medir claramente el retorno y el riesgo de impagos. En GAMCO, tenemos una solución paquetizada: el ARM, un software SaaS muy simple donde solamente con las facturas el sistema puede ver cuántas facturas me están venciendo y con cuánto tiempo. El sistema marca una celeridad de impago leve, grave o crítica.

El cliente que me está pagando a día de hoy, que yo estoy dándoles un servicio, estoy facturándole y lógicamente lo que quiero es ver si se está deteriorando ese cliente. Otra cosa que se observa que el cliente no deja de pagar de la noche a la mañana a no ser que pasen cosas como el confinamiento, el covid, etc. pero lo normal es que haya un comportamiento previo que refleje que va a ser un cliente de riesgo y pueda generar impagos. 

ARM muestra, dentro del listado de clientes, cuáles son los que pueden generar un problema de impago con mayor probabilidad y a un mayor coste. De esta forma tendremos información de cuáles son esos clientes, cuál es la factura que ha dejado de pagar y cuál es la gravedad de ese impago.

Estas alertas se emiten con la suficiente antelación para tomar las acciones necesarias. Generalmente, estamos entre el 75 y el 80 por ciento de detección de impagos futuros.

Hay tres formas de integrar los datos en la herramienta:

• Un envío rápido a través de este entorno web
• Sincronización a través de transferencia de ficheros
• A través de la API.

Eso dependerá de la empresa, de su madurez, de la capacidad de la informática que tenga, etc. 

Además, cada cliente tiene su propia instancia con sus datos encriptados en los discos duros para que solamente ese cliente sepa de esa información. Cuando se habla que la inteligencia artificial tiene problemas de confidencialidad de la información, se olvida una cosa muy importante: la máquina no necesita ver los datos en plano, sino que puede trabajar con datos encriptados y solamente en el momento que lo voy a usar se desencripta para trabajar con él.

Por tanto, la información está securizada y codificada para que sirva para entrenar a los sistemas y para que aprendan, pero no sea ese ese dato numérico.