IA, un nuevo aliado para el telemarketing

La captación de nuevos clientes es uno de los procesos con mayor importancia y dificultad para una empresa. Tradicionalmente ha sido necesario recurrir a la compra de bases de datos de contactos y realizar llamadas a todos ellos o a los máximos contactos que se pudieran llamar según los recursos disponibles; con unas tasas de conversión realmente bajas. Este proceso conlleva unos elevados costes tanto por la compra de los datos de los clientes, como por el tiempo y recursos invertidos en realizar las llamadas.

Los modelos predictivos creados por aprendizaje automático, que son una herramienta de la inteligencia artificial cada vez más presente en un sinfín de procesos, también pueden ser de gran utilidad para ayudar en la captación de nuevos clientes.

Centrándonos en la captación de comercios y empresas, su información está al alcance de cualquier usuario a través de internet, y gracias a servicios como Google Places, se pueden realizar barridos en busca de establecimientos de una zona concreta. Los datos recogidos incluyen tanto la información de contacto, imprescindible para realizar las llamadas, como características básicas de cada uno de ellos. De esta forma se conseguiría acceso a una cantidad muy elevada de clientes potenciales, a un coste realmente bajo, y con características de gran utilidad de cara a mejorar la tasa de conversión.

La información adquirida comprende desde el sector al que se dedica el punto de venta, hasta la valoración otorgada por sus clientes, y pueden ser empleadas como variables de entrada para el entrenamiento de los modelos predictivos, focalizados en detectar aquellos comercios con mayor probabilidad de convertirse en cliente de un servicio o producto concreto.

Soluciones para el telemarketing gracias a la IA

En GAMCO se han implementado soluciones de priorización de comercios como un módulo de su desarrollo (SAIL -  Sales Artificial Intelligence Launch), aumentando la conversión de las llamadas realizadas en más de un 20%, lo que se traduce en ser capaces de conseguir la misma cantidad de clientes con menos de la mitad de llamadas. 

La utilización de modelos de inteligencia artificial permite agrupar los comercios que tienen similitudes entre sí, y tratar de detectar aquellos establecimientos que se asemejan a otros y que ya son clientes. Los modelos pueden generar como salida la probabilidad de adhesión, e incluso, la forma más adecuada de contactar a cada comercio (canal, día y momento concreto). De esta forma, se puede mejorar la tasa de conversión, evitando contactar con comercios de poco interés, o con poca probabilidad de adhesión.

Los modelos van ajustándose y adaptándose a los resultados que se han ido obteniendo con los contactos previos realizados. Además de usar la información básica de los clientes, será vital enriquecer el aprendizaje automático con la información de la respuesta dada al contactar, siendo útil la información tanto de los contactos exitosos como de los fallidos.

A medida que se usen más las predicciones de los modelos, se podrán entrenar nuevos modelos capaces de utilizar toda esta información para detectar qué características comparten los clientes adheridos, consiguiendo así predicciones cada vez más precisas. Cuánto mayor sea la cantidad de datos disponible, mayor será la robustez de los modelos. 

Por otro lado, se puede hacer seguimiento de los clientes, y utilizar la información de su comportamiento para detectar aquellos clientes que tienen los resultados más buscados y que normalmente aportarán el máximo valor a la empresa. De este modo, la IA no solo buscaría aquellos comercios con mayor probabilidad de conversión sino también aquellos comercios que se espera que aporten un mayor valor una vez se convierta en cliente.

Un ejemplo de lo anterior es un marketplace que lo que busca es aumentar el número de  comercios que se asocien. A este marketplace también le interesará especialmente los comercios que una vez se adhieran generen un mayor número de ventas. 

El proceso de creación de los modelos predictivos consiste en elegir qué tipo de estructura de aprendizaje, algoritmo de entrenamiento  y en especial, la selección de características a partir de los datos disponibles, que son de más utilidad para detectar los comercios con mayor probabilidad de adhesión. Cabe destacar que estas características podrán ser distintas en función de los objetivos concretos que se persigan: maximizar la captación de clientes, incorporar los clientes que generen un mayor valor, evitar la rotación o abandono de clientes, etc.

Adicionalmente a lo comentado, el hecho de tener todos los clientes caracterizados y descritos por sus patrones de comportamiento (un patrón de comportamiento no es más que un conjunto de características por cliente), e incluidos en modelos, facilita su seguimiento y análisis, ayudando en las tareas de fidelización, y recomendación de acciones para mejorar el servicio, valor aportado por el cliente y el valor percibido por éste.