Como tirar partido da Inteligência Artificial (IA) em marketing\

Com  a IA, podiam determinar quais os clientes mais propensos a sair. Armados com as suas previsões de IA, bombardearam  os utilizadores em risco de saída com promoções para os convencer a ficar.

No entanto, muitos saíram apesar da campanha de retenção. Porquê?  segundo a  Harvard Business Review  os gestores tinham cometido um erro fundamental: tinham feito a pergunta errada ao algoritmo. Embora as previsões da IA fossem boas, não abordavam o verdadeiro problema que estavam a tentar resolver.

Por isso, os especialistas Eva Ascarza, Michael Ross e Bruce G.S. Hardie explicam o que as empresas de turismo podem aprender com esta informação. Desta forma, será mais fácil evitar os principais erros e apostar nas estratégias-chave.

Nem todos os erros são criados iguais

Os autores do texto asseguram que a verdadeira preocupação dos gestores da empresa não deveria ter sido identificar os possíveis desertores. Deveriam ter-se concentrado em descobrir como utilizar o investimento em marketing para reduzir a rotação de clientes. Em vez de perguntarem à IA quem era mais provável que saísse, deviam ter perguntado quem poderia ser persuadido a ficar. A chave é direcionar as ações para os utilizadores indecisos.

É claro que afirmam que também não há necessidade de que a Inteligências Artificiais (IA) ser extremamente precisa. Temos de começar por partir da base de que podem  errar de diferentes maneiras. Por exemplo, ao identificar os clientes como possíveis de abandono ou vice-versa. No entanto, afirmam que isto é normal. Acima de tudo, porque é aí que entra em jogo o trabalho do departamento de marketing, que deve analisar as diferentes possibilidades e custos. Ou seja, temos de partir da base de que nem todos os erros são igualmente importantes. Isto pode evitar erros dispendiosos.

Comunicação para alavancar a inteligência artificial

As empresas geram imensos dados operacionais e de clientes, que as ferramentas padrão de IA podem usar para fazer previsões detalhadas. Mas muitos marketers não exploram essa capacidade e continuam a operar de acordo com os seus antigos modelos de tomada de decisão. Como por exemplo, fazem algumas cadeias hoteleiras cujos gestores se reúnem semanalmente para ajustar os preços ao nível da localização, apesar de terem IA que pode atualizar as previsões de procura para diferentes tipos de quartos a cada hora. O seu processo de tomada de decisão continua a ser uma relíquia de um sistema de reservas desatualizado.

Outro pormenor interessante é o facto de se perguntarem se as decisões baseadas nas previsões a nível agregado devem basear-se em previsões mais precisas. Por exemplo, pode fazer melhor uso do seu investimento em anúncios  e apostar nas chamadas «granular predictions». Além disso, é importante que os gestores de marketing saibam comunicar com a equipa de dados. Desta forma, evitam-se mal-entendidos. Especialmente se as expectativas forem reduzidas, uma vez que, por vezes, certos departamentos colocam demasiadas esperanças na IA por não entenderem como funcionam.

Por outro lado, a partir da análise de dados, por vezes tendem a analisar sob as suas próprias perspectivas em vez de oferecerem ao marketing o que precisam. Ou seja, alguns têm de aprender a fazer perguntas, mesmo que demonstre alguma ignorância e outros têm de explicar as suas limitações de uma forma não técnica. Se este aspeto for trabalhado, é possível combinar experiências para melhorar os resultados. Com efeito, os autores oferecem algumas orientações a este respeito.

1. Que problema estamos a tentar resolver?

A resposta a esta pergunta tem de ser significativa e precisa. Por exemplo, "Como reduzir rotação?” é demasiado amplo para ajudar os desenvolvedores de um sistema de IA. "Como podemos alocar melhor o nosso orçamento para promoções de retenção para reduzir o volume de rotação?” é melhor, mas ainda assim demasiado vago. Assim, seria mais correto perguntar algo como: "Dado um orçamento de x  dólares, que clientes devemos visar com uma campanha de retenção?"

Ao definir o problema, os gestores devem atingir o nível atómico, no qual é possível tomar uma decisão. Neste caso, quer envie ou não a cada cliente uma promoção de retenção. Como parte desta fase, a equipa de dados deve ser clara sobre a forma como as decisões são tomadas. Entretanto, a comercialização deve estar aberta ao diálogo para chegar a um problema bem definido. De acordo com o artigo, um problema comum é que os executivos seniores geralmente têm uma boa ideia do problema em questão, mas nem sempre o definem com precisão e  transmitem com clareza  ao resto da equipa como a IA vai ajudar a resolvê-lo.

2. Estamos a perder uma oportunidade?

Embora os marketers reconheçam frequentemente que as suas campanhas são dececionantes, não conseguem aprofundar a questão. Outras vezes, os gestores não têm a certeza se os resultados podem ser melhorados. Têm de dar um passo atrás e identificar oportunidades perdidas.

Por exemplo, a maioria das companhias aéreas e hotéis rastreiam lugares vazios ou quartos (muitas vezes devido a preços demasiado elevados). Ou medem "dias úteis perdidos" em que voos ou hotéis encheram-se demasiado depressa (o resultado de preços demasiado elevados). Mas para tirar o máximo partido dos seus investimentos em IA, os líderes de marketing devem identificar este sucesso e dados de falha a nível atómico. O primeiro passo é refletir sobre o que estas variáveis constituem. Mais uma vez, é hora de fazer uma pergunta exata.

Uma vez identificadas as fontes de oportunidades perdidas, o próximo passo é quantificar com a ajuda de dados. Há casos em que é complicado. Nestas circunstâncias, é conveniente utilizar dados mais agregados, mesmo que os resultados sejam menos precisos. Uma abordagem para a empresa de telecomunicações seria analisar ambos os clientes retidos a um custo superior ao seu aumento de valor e os que não foram atingidos pela promoção. Esta quantificação foi possível porque a equipa de dados tinha um grupo de controlo de clientes com o qual se comparava os resultados.

3. O que gera estas oportunidades perdidas?

Tipicamente, esta questão é geralmente a mais complicada, pois requer reexaminar os pressupostos implícitos sobre a abordagem atual da empresa. A abordagem é resolver os problemas de alinhamento, assimetria e agregação que identificamos acima.

• Alinhamento de endereços

O objetivo aqui é mapear as ligações entre previsões, decisões e resultados de negócios da inteligência artificial. Uma vez identificada a informação ideal, a questão é se a equipa de dados pode fazer as previsões necessárias com precisão. É crucial que as equipas de marketing e ciência de dados respondam em conjunto. Um equívoco comum aqui é acreditar falsamente que uma correlação entre a previsão e o objetivo comercial é suficiente, pois a correlação não é causalidade. E mesmo quando há causalidade, pode não corresponder a 100% à meta. Portanto, o seu esforço pode não ser capaz de alcançar o resultado final completo, resultando em oportunidades perdidas.

• Endereçar assimetria

Uma vez que tenha um mapa claro que ligue a previsão de IA à decisão e resultado do negócio, precisa de quantificar os custos potenciais dos erros no sistema. Isso envolve perguntar o quanto nos desviamos dos resultados do negócio, dado que a inteligência artificial não é completamente exata. A diferença entre o desperdício e a oportunidade perdida é por vezes difícil de quantificar. No entanto, vale a pena calcular até mesmo uma aproximação. Caso contrário, podem ser tomadas decisões com base em previsões de IA que sejam exatas em algumas medidas, mas inexatas nos resultados, o que teria um impacto desproporcionado no objetivo do negócio.

• Agregação de endereços

A maioria das inteligências artificial de marketing  não tomam novas decisões; dirigem-se aos antigos. A novidade é que as decisões se baseiam em quantidades mais ricas de informação que a IA recolhe e processa. O risco aqui é que os seres humanos estão, em geral, relutantes em mudar. A forma de resolver este problema é através da realização de duas análises. Na primeira, a equipa deve examinar como poderia eliminar oportunidades perdidas através de outras ações de marketing que pudessem resultar das previsões geradas. A segunda é quantificar os ganhos potenciais de fazer previsões de IA com mais frequência, mais granularmente, ou ambos.

Conclusões

O marketing precisa de inteligência artificial. Mas a inteligência artificial precisa de de orientação do marketing para perceber todo o seu potencial. Isto requer que as equipas de marketing e dados estabeleçam um diálogo constante para que possam compreender como passar de uma solução teórica para algo que possa ser implementado. Por isso, os autores especialistas do artigo afirmam que, à medida que os especialistas colaboram, poderão estabelecer um ambiente que permita uma revisão transparente do desempenho e repetições periódicas da abordagem, reconhecendo sempre que o objetivo não é a perfeição, mas a melhoria contínua.

Fonte: Harvard Business Review 

Fotos: UNSPLASH