¿Cómo funciona la IA predictiva?

La IA predictiva es una forma específica de inteligencia artificial, distinta de la IA generativa. Con la IA generativa, como ChatGPT, se puede crear contenido. Con la IA predictiva, se crean predicciones basadas en un cálculo de probabilidad.

La IA predictiva utiliza datos históricos, algoritmos y modelos de aprendizaje automático para predecir resultados o tendencias futuras. Analiza patrones en conjuntos de datos existentes y los extrapola a escenarios futuros. Exploremos cómo funciona y qué puedes obtener de ella.

¿Qué se puede hacer con la IA predictiva en marketing?

Para los profesionales del marketing, la IA predictiva es un punto de inflexión. Cada profesional del marketing tiene como objetivo principal comprender a su público objetivo, aumentar la demanda de productos o servicios y, en última instancia, impulsar las ventas. La IA predictiva puede ayudarte en todas estas áreas y tareas:

Predecir el comportamiento del cliente

Con la IA predictiva, obtienes información sobre la fidelidad de tus clientes y puedes realizar excelentes análisis de abandono. Con los modelos que utiliza la IA, puedes predecir hábitos de compra, como el valor de los pedidos y la frecuencia de compra. Esto te proporciona la información necesaria para dividir tu audiencia en segmentos útiles y efectivos.

Optimización de campañas

La IA predictiva puede utilizarse para mejorar las pruebas A/B y optimizar los canales que utiliza. Por ejemplo, puede ayudarte a elegir el momento de la campaña en el que una serie de anuncios de pago sería más efectiva.

Puntuación y segmentación de clientes potenciales

Si tienes información sobre posibles conversiones futuras, la IA predictiva puede usar esa información para clasificar clientes potenciales, lo que luego puede proporcionar información para segmentaciones significativas.

Precios dinámicos

Muchas organizaciones desean basar sus precios en la demanda de productos o servicios. Si puedes predecir cómo evolucionará dicha demanda, siempre podrás ajustar tus precios en consecuencia en el momento oportuno. La IA predictiva lo hace posible.

Personalización de contenidos

La IA predictiva es especialmente útil en los sistemas de recomendación. Las grandes organizaciones, en particular, la utilizan. Por ejemplo, Amazon ofrece recomendaciones de tallas de ropa adecuadas según los gustos de estilo y marca de los clientes.

Esto se debe simplemente a que no todas las marcas de ropa utilizan la misma tabla de tallas. Si eliges una prenda como cliente, otros clientes te informarán, a través de reseñas y comentarios, si es conveniente pedirla una talla más o menos. A los clientes les encanta.

Pero una organización como Netflix también aprovecha al máximo estas formas inteligentes de personalización. Nos gustaría dar un ejemplo de ello. Esto demuestra claramente lo que la IA predictiva hace posible.

Ejemplo de IA predictiva en Netflix

Netflix quiere una gran cantidad de espectadores en su plataforma. Por suerte, los responsables de marketing de Netflix tienen a su disposición una mina de oro de datos. Al fin y al cabo, las preferencias de los clientes son ampliamente accesibles. Netflix utiliza todos esos datos de forma inteligente. Sus sistemas de recomendación se personalizan mediante IA predictiva. Pero, ¿cómo se traduce esto en la práctica?

La misma recomendación, pero más personalizada

Netflix personaliza los carteles de películas basándose en películas vistas anteriormente, un enfoque en determinados actores y preferencias por ciertos géneros cinematográficos:

Netflix intenta atraer más clientes para esta película o serie específica con esta técnica de recomendación inteligente. Este es un gran ejemplo del poder de la IA predictiva.

¿Qué datos necesitas para la IA predictiva?

Tipos y clases de datos que puedes utilizar

Huelga decir que los beneficios de la IA predictiva solo son posibles si los datos están ordenados. Al fin y al cabo, las predicciones se basan en datos históricos. Si no se almacenan en los sistemas la evolución de los precios y los horarios de compra, algo como los precios dinámicos se vuelve difícil. Y si Netflix personaliza los carteles de las películas, hay que almacenar la frecuencia con la que cada cliente prefiere ver cada tipo de película.

Los datos que necesitas para habilitar la IA predictiva, por lo tanto, dependen de tu negocio y principalmente de lo que desees hacer con la IA predictiva.

Datos que Spotler utiliza en su módulo de IA predictiva

Queremos que nuestros clientes ganen y ahorren dinero con nuestro software. Por eso, nos centramos en mejorar el Valor de Vida del Cliente (o Customer Life Value = CLV). Los puntos de datos necesarios para ello son: id_cliente, fecha_y_hora_transacción, id_recibo, numero_item y tipo_pedido. Estos datos se cargan en un modelo estadístico específico que los Data Scientists utilizan frecuentemente para realizar predicciones sobre el valor de los pedidos y la frecuencia de las transacciones.

Además, usamos el modelo Random Forest, al que le damos no solo los datos que mencionamos antes, sino también información sobre cómo las personas interactúan con los emails y cómo navegan en la página web.

A continuación, se presenta una breve explicación de ambos modelos. Esto te servirá como introducción para la IA predictiva y su funcionamiento.

¿Cómo mejorar el CLV con IA predictiva?

Si deseas comprender la evolución futura del CLV de los clientes, comienza con los siguientes datos históricos: el número de compras realizadas por un cliente, el valor de cada compra y la hora de la última compra. Esto también se conoce como modelo RFM. RFM significa Recencia, Frecuencia y Valor Monetario.

El CLV se calcula multiplicando el valor del cliente (basado en el RFM) por la duración promedio de la relación con el cliente. La duración promedio se puede calcular a partir del comportamiento histórico del cliente. Este cálculo no ofrece información sobre desarrollos futuros y es de naturaleza determinista. Sin embargo, una vez que se conocen los CLV, se pueden empezar a plantear las preguntas que realmente se buscan:

• ¿Cuántas transacciones se realizarán, por ejemplo, el próximo mes?
• ¿Qué clientes realizarán una compra en el período determinado?
• ¿Cuál es el valor de pedido promedio que se puede esperar por cliente?

Con este conocimiento podrás crear grandes campañas de marketing.

Realizar predicciones con datos CLV

Si deseas responder a las tres preguntas anteriores, estás realizando una predicción sobre un posible comportamiento futuro . Para ello, necesitas un modelo matemático que lo calcule automáticamente. En resumen: el modelo con mejor historial es el modelo BG/NBD, que incluye una distribución gamma de los datos (modelo GG).

El modelo BG/NBD + GG significa Distribución Geométrica Beta/Binominal Negativa + Submodelo Gamma Gamma. Esto suena muy complicado, pero lo que necesitas saber es que es un modelo para el cálculo de probabilidad. El modelo no es tan antiguo. Fue desarrollado por Fader, Hardie y Lee en 2005. Una breve explicación:

Predicción del número de transacciones con el modelo BG/NBD

Los profesionales del marketing e investigadores angloparlantes han simplificado la compleja abreviatura del modelo a «Compra Hasta la Muerte». El modelo calcula la cantidad posible de transacciones en un período predeterminado (esta es la parte «Compra»). Por ejemplo: ¿cuántas transacciones se realizarán en el próximo mes? Pero también: ¿qué clientes comprarán algo en el próximo mes?

El modelo es «binomial negativo». Al fin y al cabo, si sabes qué clientes comprarán el próximo mes, también sabes cuáles no. Además, es casi seguro que tienes varios clientes que ya no te compran nada o que llevan meses inactivos en tu base de datos (esta es la parte «Hasta la Muerte»).

Al colocar toda esa información sobre clientes activos e inactivos en el modelo BG/NBD, se obtiene información sobre qué clientes tienen más probabilidades de abandonar, cuáles tienen más probabilidades de realizar una compra y con qué frecuencia se produce una compra.

Predicción del valor promedio del pedido con el modelo GG

Además, el modelo GG te proporciona información sobre el valor de pedido promedio que puedes esperar por cliente.

Recuerda que el modelo GG considera el valor total del pedido de cada cliente y luego lo distribuye aleatoriamente entre el número total de transacciones. De esta manera, el valor promedio del pedido puede variar en diferentes períodos. Finalmente, se produce una distribución gamma del valor promedio del pedido entre todos los clientes.

O, para decirlo de forma más sencilla, se obtiene una predicción del valor de pedido promedio por cliente al observar matemáticamente el valor de pedido promedio de todos los clientes.

Spotler utiliza el modelo BG/NBD + GG

Como acabas de leer, el modelo de IA predictiva de Spotler se alimenta con datos RFM. También utilizamos el modelo BG/NBD + GG para las predicciones de CLV.

¿Qué modelos de aprendizaje automático permiten la IA predictiva?

Las organizaciones no solo utilizan el modelo predictivo BG/NBD + GG, sino que también refinan los resultados observando el comportamiento del correo electrónico , las interacciones del sitio web, las respuestas a las promociones de temporada, la asistencia a eventos, etc.

Es perfectamente posible que un cliente tenga una puntuación baja según el número de transacciones, pero que aun así visite mucho tu sitio web y haya visitado tu último evento. Toda predicción mejora si también se tienen en cuenta estos datos. Para ello, existen diferentes modelos de IA.

Ejemplos de modelos de aprendizaje automático para IA predictiva

Existen varios modelos de aprendizaje automático que se utilizan en la IA predictiva. Por ejemplo, máquinas de potenciación de gradiente como XGBoost, Logistic Regression, Recurrent Neural Networks (RNN) y Random Forest. Si explicáramos todos estos modelos en un solo artículo, ocuparía aproximadamente la extensión de una tesis doctoral, por lo que nos centraremos en Random Forest, ya que es el utilizado por Spotler.

Ten en cuenta que los modelos de IA generativa proporcionan un cálculo de probabilidad como resultado. Si un cliente te compra exactamente un artículo al mes, puedes esperar que repita la acción al mes siguiente. La probabilidad es alta, pero no es una ley. El resultado no queda determinado.

Diferencia entre determinista y probabilista

Los modelos de IA son de naturaleza probabilista y no determinista. O, dicho de forma más sencilla, consideran la “incerteza” en sus predicciones. Las personas hacemos lo mismo constantemente al tomar decisiones. Con frecuencia, estas decisiones se basan en información incompleta e incierta.

Incluso tenemos una palabra bonita para ello: intuición. Y existe una ecuación que dice «pensar + sentir = saber». Ahora bien, los modelos de IA no tienen sentimientos, pero son probabilistas. Le pedimos a Chi Shing Chang, director general de SPARQUE.AI, una cita.

¿Cómo funciona el modelo estadístico Random Forest?

Echa un vistazo a la siguiente tabla:

Supongamos que el 1 de enero de 2025 deseas predecir cuál de estos dos clientes (con id_cliente 100 y 101) tiene más probabilidades de realizar una nueva compra en los próximos 30 días. ¿Cómo lo abordaría? Es muy probable que cree árboles de decisión. Quizás no literalmente, pero al menos mentalmente. Visualmente, puede imaginar lo siguiente:

Configuración de árboles de decisión

A partir de este sencillo árbol de decisión, se podría predecir que todos los clientes con un valor de 1 probablemente realicen una nueva compra en un plazo de 30 días. Claro que esto no está garantizado; dicho árbol de decisión puede ampliarse con múltiples momentos de decisión, y los conjuntos de datos basados en múltiples árboles de decisión pueden volverse complejos. En un abrir y cerrar de ojos, se tendrá todo un bosque de árboles de decisión. El modelo de IA se llama Random Forest por algo.

Pero ¿por qué se necesita un bosque completo? Esto tiene que ver con un aspecto clave del modelo de IA: la agregación bootstrap. Esto requiere una explicación.

Agregación Bootstrap

El término «agregación bootstrap» se refiere a un método estadístico que permite recopilar datos. Para simplificar, imaginemos un grupo de músicos que tocan juntos en una orquesta. En ese caso, solo un músico, por ejemplo, un oboísta, interpreta su parte en la pieza musical. Sería difícil predecir la pieza musical basándose solo en un instrumento. Esta predicción se vuelve más fácil (o más precisa) cuando varios músicos tocan su parte en la pieza musical.

¿Por qué el bootstrapping es un buen predictor?

La agregación bootstrap implica la creación de subconjuntos a partir del conjunto de datos original. O, en el ejemplo del coche, se crean subpreguntas a partir de la pregunta principal. Cada subconjunto contiene la misma cantidad de datos que el conjunto original. Incluso es posible que los diferentes subconjuntos contengan los mismos datos. Al fin y al cabo, el nuevo Ford Explorer debe aparecer en diferentes subconjuntos.

Este subconjunto también se denomina muestra bootstrap. Estas muestras se extraen aleatoriamente del conjunto original. De ahí el término «bosque aleatorio». Esta es una técnica potente que permite realizar predicciones estadísticas sin basarse en suposiciones.

Por supuesto, la fiabilidad de este método ha sido probada. Un ejemplo interesante es una prueba en la que el modelo tuvo que predecir la cobertura vegetal de un terreno en Colorado, EE. UU. El modelo se alimentó con datos como el número de horas de sol, la presencia de agua, etc. Random Forest obtuvo una puntuación del 94 %.

¿Cómo se entrena la IA predictiva?

La IA predictiva, al igual que la IA generativa, tiene la propiedad de «aprender» o entrenarse a sí misma. La pregunta, por supuesto, es: ¿cómo se refleja esto en un modelo de IA como Random Forest?

El entrenamiento de la IA predictiva se realiza dividiendo los datos en conjuntos de entrenamiento y de prueba. Por ejemplo, 80 % de entrenamiento y 20 % de prueba. Los datos de prueba se utilizan para comprobar los datos de entrenamiento. Para explicarlo:

Resultado del modelo de IA predictiva: cálculo de probabilidad

El resultado del modelo de IA Predictiva es un cálculo de probabilidad. El modelo predice, para cada cliente, la probabilidad de que se realice una compra dentro de los plazos especificados. El siguiente podría ser un posible resultado del modelo:

El cálculo de probabilidad oscila, teóricamente, entre el 1% y el 100%. La subdivisión en porcentajes se puede especificar en deciles (divididos en decenas). Si obtiene un 85% o un 8,5, va por buen camino. En Spotler Activate, hacemos algo similar. El cliente 101 se encuentra en el segundo decil para la probabilidad de compra en 30 días.

Implementando IA predictiva en su marketing

Puedes usar predicciones para planificar acciones personalizadas. Puedes excluir de ciertas acciones promocionales a clientes con alta probabilidad de compra. Así, no invertirás en marketing en clientes que de todas formas iban a comprar.

Por ejemplo, envías a los clientes con una probabilidad media de compra un correo electrónico con una recomendación de producto específica y ofreces a los clientes con una probabilidad baja de obtener un descuento. De esta forma, te enfocas con mucha precisión para lograr la conversión: ¡más ingresos con un menor gasto!

¿Cuáles son los beneficios de la IA predictiva?

La IA predictiva tiene cuatro beneficios clave:

Rentabilidad

Esto queda claro con la explicación anterior. Con la IA predictiva, se desperdicia menos presupuesto de marketing, ya que se pueden orientar las estrategias de marketing con mucha precisión.

Mejora de la eficiencia

Puedes usar la IA predictiva automatizando tareas como la segmentación. Pero incluso sin automatizar este tipo de tareas, los resultados de la IA predictiva te proporcionarán mucha información sobre lo segmentos de clientes. Al fin y al cabo, los modelos son probabilistas. No solo tienes datos estáticos para basar tus decisiones, sino también predicciones sobre posibles comportamientos futuros.

Mayor compromiso del cliente

Con la IA predictiva, puedes dirigir a los clientes a campañas específicas y ofrecerles una experiencia altamente personalizada. Si puedes predecir con precisión qué necesitan tus clientes en cada momento de su recorrido de compra, aumentará su interacción.

Mejora de la toma de decisiones

La IA predictiva no solo impulsa tu base de datos, sino toda tu organización. Al fin y al cabo, el análisis avanzado de datos se utiliza para tomar decisiones estratégicas de marketing. Cada decisión de usar o no una campaña determinada se fundamenta mejor con la IA predictiva.

Conclusión

Con la IA predictiva, las empresas pueden actuar de forma proactiva en lugar de reactiva, lo que se traduce en procesos más eficientes y mejores resultados. Con la IA predictiva, los clientes de Spotler pueden ahorrar y generar ingresos.