Las empresas se enfrentan a una mayor presión para obtener una visión clara de los clientes a medida que las personas se mueven entre aplicaciones, sitios web y tiendas. La segmentación al viejo estilo ya no ayuda mucho. Para los CIO y CMO que intentan adaptar los servicios a escala, utilizar modelos que lean la intención a partir del comportamiento se está convirtiendo en una forma práctica de avanzar.
NTT y NTT DOCOMO desarrollaron recientemente un modelo de acción grande (LAM) que va más allá de las simples etiquetas demográficas y examina el orden de las acciones de cada cliente. Si bien la idea al principio parece ligada al marketing, el mismo enfoque puede respaldar otras áreas, como la atención al paciente o la planificación energética, donde el tiempo y la secuencia dan forma al resultado.
Por qué esto importa
La actividad de los clientes ahora proviene de muchos lugares, cada uno de los cuales produce diferentes tipos de datos. Las aplicaciones generan registros constantes, mientras que los sistemas de las tiendas recopilan detalles más lentos y estructurados, como compras o métodos de pago. A muchas organizaciones todavía les resulta difícil combinar estos flujos en una única vista que respalde el conocimiento del cliente y el alcance personal.
Esta brecha afecta las ventas, aumenta los costos operativos y obliga a los equipos a confiar en conjeturas. Los LAM intentan solucionar esto prestando atención al orden y contexto de cada acción. Esto permite decisiones más rápidas, mejores tiempos y un contacto más relevante con los clientes.
Lo que crearon NTT y DOCOMO
DOCOMO creó una plataforma que organiza la información del cliente utilizando una estructura simple «4W1H»: quién hizo qué, cuándo, dónde y cómo. NTT desarrolló un modelo que aprende patrones en datos de series temporales, manejando tanto números como categorías. En conjunto, el sistema predice lo que un cliente puede hacer a continuación e identifica quién tiene más probabilidades de responder al contacto.
El modelo presta mucha atención a la secuencia de eventos. Por ejemplo:
- Una llamada seguida de una navegación y una compra sugiere que la llamada generó conciencia.
- Navegar, luego llamar y luego realizar una compra puede mostrar que el cliente deseaba más claridad.
- Una llamada después de una compra puede indicar una necesidad de soporte.
Debido a que el sistema lee las acciones en contexto, su puntuación de intención se vuelve más precisa.
El entrenamiento del modelo también fue eficiente: DOCOMO utilizó ocho GPU NVIDIA A100 y finalizó el entrenamiento en menos de un día, alrededor de 145 horas de GPU. Esto es mucho menor que las demandas de los grandes modelos de lenguaje, lo que lo hace más práctico para las organizaciones que desean un modelado avanzado sin altos costos de infraestructura.
como se uso
DOCOMO probó el modelo en su trabajo de telemercadeo. Al clasificar a los clientes según lo útil que podría ser la divulgación, la empresa duplicó la tasa de pedidos de servicios móviles y de vida inteligente en comparación con los métodos anteriores.
Las entrevistas con los clientes demostraron que el tiempo era clave. Algunas personas no pudieron visitar una tienda debido al cuidado de los niños, mientras que otras no estaban seguras de cambiar de plan. El modelo ayudó a identificar el momento adecuado para contactarlos, en lugar de depender de ciclos de campaña amplios.
Este enfoque tiene implicaciones más amplias:
- Operaciones: El personal puede concentrarse en menos conversaciones pero más significativas.
- Eficiencia: La IA reduce el alcance que los clientes no quieren.
- Gobernancia: Los datos consistentes de series de tiempo proporcionan un registro más claro de las decisiones.
- Alineación de plataforma: El modelo puede ejecutarse junto con plataformas de inteligencia artificial en la nube como AWS Bedrock, Azure AI Foundry o Google Vertex AI.
Uso en salud y energía.
El mismo método se aplica a otros campos donde el tiempo importa. En el sector sanitario, los registros médicos capturan patrones prolongados de síntomas y tratamientos. El orden en que aparecen puede afectar los planes de atención. NTT está probando LAM para ayudar a respaldar el tratamiento de la diabetes mediante el estudio de cómo progresan las condiciones.
En el sector energético, los datos meteorológicos afectan a la generación solar. Los sensores en tierra y en los satélites rastrean patrones que se mueven con el tiempo. Los LAM pueden ayudar a los operadores a predecir los niveles de luz solar y ajustar las decisiones de generación y comercialización.
Estos ejemplos muestran por qué los directores de datos, operaciones y riesgos pronto podrían recurrir a herramientas estilo LAM para mejorar el conocimiento del cliente y guiar mejores decisiones.
En qué deberían pensar las empresas
Implementar un modelo de predicción de intenciones no es sólo una tarea técnica. Depende de la calidad de los datos, la alineación del equipo y una supervisión clara. Los problemas comunes incluyen:
- Unificación de datos: Muchas organizaciones todavía tienen datos de series temporales dispersos que deben mapearse en una estructura compartida.
- Supervisión del modelo: Dado que las predicciones afectan los ingresos y la confianza de los clientes, los equipos necesitan formas claras de revisar cómo el modelo toma decisiones.
- Cultura: El personal necesita confianza en la priorización impulsada por la IA. Sin eso, la adopción se ralentiza.
- Infraestructura: Aunque los LAM cuestan menos que los modelos de lenguaje grandes, aún requieren planificación en torno a la capacitación, el almacenamiento, el uso de la nube y la seguridad.
Al crear bases de datos sólidas y objetivos claros, las organizaciones pueden utilizar modelos como este para mejorar la participación del cliente, fortalecer el conocimiento del cliente y aplicar el mismo pensamiento en otras áreas del negocio.
(Foto de Lukás Blazek)
Ver también: Por qué las marcas líderes están adoptando el modelo de mezcla de marketing SaaS
¿Quiere aprender más sobre IA y big data de la mano de los líderes de la industria? Echa un vistazo a AI & Big Data Expo que se lleva a cabo en Ámsterdam, California y Londres. El evento integral es parte de TechEx y comparte ubicación con otros eventos tecnológicos líderes; haga clic aquí para obtener más información.
AI News funciona con TechForge Media. Explore otros próximos eventos y seminarios web sobre tecnología empresarial aquí.
