Tanto así que Robert Hetu, vicepresidente de investigación en el comercio minorista de Gartner, abrió su conferencia sobre el tema con una frase preponderante: “La Inteligencia Artificial es la tecnología más sobreestimada de 2018.”

De hecho, al observar lo que está pasando realmente, el mercado está dando apenas sus primeros pasos en la adopción de tecnología. Para entender los motivos de este gran hype y la poca adhesión real es importante comprender de qué estamos hablando realmente.

¿Qué es la Inteligencia Artificial (AI) y el Aprendizaje de Máquinas (Machine Learning)?

Antes que nada, cabe destacar las diferencias entre AI y Machine Learning, los cuales son subcampos distintos de la computación que están interconectados, pero que muchas veces son confundidos por el mercado.

Machine Learning (ML): ¿De qué se trata?

Machine Learning es un proceso por el cual una computadora aprende por medio de la experiencia propia y es más parecido a el datamining y estadística que a la Inteligencia Artificial propiamente dicha. Para entender mejor utilizaremos un ejemplo muy comentado actualmente en el comercio minorista denominado reconocimiento de imagen.

Imagine que debe explicar a un extraterrestre recién llegado a la Tierra lo que es un perro. Usted entra a Google Imágenes, busca la palabra “perro” y le muestra diversas imágenes del animal; ¡Hay muchísimas! Después, él comenzará a reconocer ciertas características que tienen la mayoría de los caninos, tales como; los pelos, el hocico, las orejas, las cuatro patas, etc. Si nuestro extraterrestre tiene un poco de conocimiento éste podrá identificar a un perro. Ahora, usted le muestra la foto de un gato; probablemente él dirá que es un perro porque tiene pelo, cuatro patas, dos orejas, etcétera.  Entonces usted le muestra la diferencia pero sin expresarlo directamente; solamente repitiendo el proceso y mostrando cientos de fotos de gatos. Finalmente nuestro extraterrestre podrá comenzar a entender las diferencias de hocico, las orejas y los demás aspectos y de ese modo podrá diferenciar a un perro de un gato; sólo con ver las distintas características pese a las muchas similitudes. Así es como ejecutaríamos un proceso de “Aprendizaje de Extraterrestre”. Si cambiamos al extraterrestre por una computadora hablamos de un proceso llamado “Machine Learning” que en este caso, es el aprendizaje de máquinas para la clasificación monitoreada de imágenes. Piense ahora que cambia al “gato” y al “perro” por la imagen de su “producto A” y la de su “producto B” y así tendrá un ordenador que identifica dónde está su producto.

Las imágenes presentan patrones de color y de formato que son interpretados por las “máquinas” como una organización binaria. Es decir, un montón de 010101 organizados de forma específica. Cuando introducimos en una computadora cientos de imágenes e indicamos “este es un perro”, ésta identificará los patrones comunes e ignorará lo demás del escenario, incluso el “hueso” que aparece en unas 10 o 15 fotos.

Adentrándonos más en el tema, existen tres formas de enseñar a una máquina: aprendizaje supervisado, no supervisado y semi-supervisado.

En el caso anterior se utilizó el aprendizaje supervisado dado que el extraterrestre habló con un humano sobre lo que era un gato y un perro, por consecuente el extraterrestre aprendió tras observar muchas imágenes. Cuando hablamos de un modelo no supervisado, la máquina debe aprender sola a partir de un parámetro o ‘regla de juego’.

Para entender mejor este modelo podemos probar enseñarle a nuestro amigo de otro planeta a jugar al ajedrez. Podríamos incluso enseñarle las reglas del juego, pero en este caso no le vamos a enseñar nada.  Sólo indicaremos el objetivo (parámetro), el cual consiste en ocupar el cuadro donde está el rey. Como él no conoce las reglas, siempre que haga una jugada no permitida vamos a tocar una sirena e impedirle continuar. En otras palabras, él intentará avanzar a los lados con un peón, por ejemplo, pero bloquearíamos su movimiento. Después de intentar muchísimas veces con cada una de las distintas piezas, él comenzaría e entender cómo funciona el juego, pero seguiría jugando mal. No obstante, entre más partidas juega, más aprenderá sobre cuales movimientos son más estratégicos para ganar la partida. Después de haber jugado varios millones de partidas se convertirá en un excelente ajedrecista.  Observen que aquí no enseñamos nada, sólo dejamos que él aprenda con sus propias experiencias, hasta que después de varios intentos, logra hacerlo bien.

Nuestro amigo extraterrestre tardaría muchos años en convertirse en un buen jugador, sin embargo una computadora puede hacer miles de intentos en segundos. El proceso de entrenamiento es mucho más rápido.

Existe además, un tercer modo llamado semi-supervisado. En este caso tendríamos parte de la información catalogada y otra parte no. Aquí el algoritmo, además de identificar “gatos” y “perros”, también identificaría un tercer animal, como un caballo, por ejemplo, el cual jamás le fue presentado, simplemente porque no es lo suficientemente parecido a un gato o un perro, pero tampoco es lo suficientemente diferente para ser un árbol del paisaje.

Comprendiendo la Inteligencia Artificial:

Mientras que Machine Learning son algoritmos específicos de reconocimiento de patrones a través de la experiencia, AI (o Inteligencia Artificial) es algo mucho más amplio que engloba Machine Learning, así como otras técnicas que comprenden la emulación de la inteligencia humana por una máquina, tales como redes neuronales, árboles de decisión y demás modelos. Es bueno conocer las diferencias, sin embargo, es importante recordar que cuando leemos o escuchamos sobre AI o ML en el mundo del marketing, generalmente estamos hablando de la misma cosa, dado que la distinción técnica es compleja y poco conocida en estos mercados.

Los sistemas basados en reglas son un ejemplo de un algoritmo de AI que no usa Machine Learning. Un ejemplo es la parte de la Inteligencia Artificial usada en los vehículos inteligentes la cual es, pese a ser compleja, un sistema de reglas como: nunca aproximarse a menos de 4 metros al coche del frente o exceder los límites de las vías. El vehículo reacciona como la inteligencia de los humanos, pero sólo obedece las reglas y no aprende con la experiencia, como en el caso de Machine Learning.

¿Cómo se aplica la AI en el Mercado Minorista?

Cuando escuchamos comentarios sobre AI en el marketing, éstos suelen referirse a una solución mágica que puede  resolver todos los problemas, recortar gastos y potencialmente acabar un día con nuestros empleos. Todo lo anterior puede tener algo de verdad, pero no es exactamente así como funciona ni tampoco a esa velocidad. Hasta hoy pocos proyectos de AI se han implementado en el comercio minorista. No obstante, este escenario debe comenzar a cambiar en los próximos años. Según Hetu, las áreas que más han sido impactadas por la tecnología son:

– Segmentación de marketing

– Detección de fraudes

–  Análisis de opiniones

–  Call centers y VPA (asistentes virtuales)

Los call centers y VPA (conocidos comúnmente como Bots de conversación o chatbots), pese a ya estar disponibles, todavía no son utilizados ampliamente por los consumidores, los cuales prefieren evitar interactuar con la máquina, muy probablemente por el nivel de calidad y madurez del proceso.

El patrón de adopción de la tecnología que observamos es justamente en áreas donde hay un proceso burocrático y repetitivo de alguna tarea.  Un ejemplo resaltante de este punto son los vendedores. Cualquiera que haya comprado algo, sea lo que fuese, con un vendedor, sabe que éste puede ser encantador o bien, un repetidor de precios. Para este último tipo las noticias no son buenas. Es probable que la Inteligencia Artificial sustituya su trabajo debido al bajo valor agregado. Un sitio, el display de una tienda virtual o un chat de conversación pueden realizar dicha tarea con más calidad y menos fricción. Sin embargo, cuando hablamos de aquel vendedor que no sólo es técnicamente muy bueno, sino que su opinión es útil y sabe identificar la verdadera necesidad del consumidor para ofrecerle los mejores productos, o que en su operación B2B éste sabe hacer que sus clientes generen más negocios y logren la combinación ideal de productos, éstos no serán reemplazados por AI, aunque sí usarán las plataformas para mejorar su rendimiento y alcance.

El punto clave para las tiendas físicas minoristas será cómo utiliza el operador los recursos tecnológicos para llevar al cliente a una experiencia de compra más envolvente y agradable, ya que solamente la tecnología sin contacto humano no logra el mismo objetivo de satisfacción del cliente.

Ahora mismo, los trabajos más repetitivos, como cajeros o equipos de fijación de precios, están siendo sustituidos, posiblemente en su totalidad, por máquinas que desempeñan la misma función.

Respecto a los trabajos de oficina, Bob Hetu menciona en sus presentaciones que desde que él comenzó a trabajar en el comercio minorista, a finales de los años 80 e inicio de los 90, ya circulaban de más en más planillas de Excel con las principales cifras y análisis de los ejecutivos. Este proceso es lento y está sujeto a errores. Se espera que sea hasta el 2021 que el proceso haya sido sustituido por algoritmos que automaticen los análisis para que los ejecutivos pasen más tiempo tomando acciones sobre las cifras que trabajando en generarlas. Necesitamos aprender cómo pensar y configurar algoritmos que hagan ese trabajo operativo para nosotros.

Casos exitosos de AI en el Mercado Minorista:

  • Quizá el caso más famoso que tenemos en el mercado minorista brasileño es a Lu de Magazine Luiza, un bot de conversación creado con el objetivo principal de reducir el tiempo de espera de la atención post-venta. Otros minoristas ya poseen sus propios bots de conversación o asistentes virtuales para resolver problemas parecidos. En otras palabras, sistemas creados para responder a sus clientes y atender sus casos, simulando la atención humana. Basta con recordar el cambio en nuestra navegación en el menú del teléfono del banco del que somos clientes. Antes necesitábamos siempre teclear las opciones para seleccionar lo que se deseaba y ahora podemos simplemente decirle a nuestro asistente virtual nuestra solicitud. La petición será interpretada con AI a través de la voz y nos dará las opciones a seleccionar.

Segmentación de mercado:

  • El caso más antiguo y famoso para este mercado sucedió en 2012 cuando el uso de Inteligencia Artificial por la minorista Target descubrió que una mujer estaba embarazada antes que lo supiera su padre. Esto fue debido al análisis de la cesta de compras con un algoritmo de agrupamiento, es decir, personas que compran los productos X, Y y Z tienen el posible comportamiento de compra del “perfil A”, por lo que deben recibir la “comunicación B”. Con esto, una computadora identificó que los productos que la joven compraba eran típicos de una cesta de compras de una persona embarazada, y envió la comunicación correspondiente a este perfil. Su padre, que no sabía nada, no quedó muy contento con la noticia directa y decidió responsabilizar a la empresa. Podemos imaginar el final de la historia.

No es casualidad que este tipo de práctica, ahora muy difundida, haya sustituido a nuestro vendedor y analista de ventas, que por conocer a sus clientes, casi personalmente, los llamaba contándoles las nuevas promociones que encajaban en su perfil. Gracias a la capacidad de las máquinas de agrupar a miles de clientes y comportamientos casi en tiempo real, el uso de Inteligencia Artificial para la segmentación de mercado ya es una realidad en muchas empresas.

Reconocimiento de imagen:

  • Por increíble que parezca, el reconocimiento de imágenes es el principal motor de Amazon Go. La tienda de conveniencia de Amazon permite que el cliente entre, tome el producto que desea y salga del local recibiendo el cobro en su cuenta sin pasar por ninguna caja. El trabajo de reconocimiento, tanto del cliente como de los productos, se efectúa a través de una serie de cámaras posicionadas en diversos puntos del establecimiento. Algunos productos con forma menos regular (como un bote de ensalada producido en la propia tienda) están marcados con una imagen parecida a un “QR Code” para facilitar su detección por los equipos, pero normalmente la tecnología permite el reconocimiento sólo por el empaquetado, en el caso de la mayoría de los elementos que poseen formas perfectamente claras como una lata de refresco roja. A pesar de tener presencia sólo en una tienda piloto en Seattle, ya es un buen termómetro para imaginar lo que está por venir. Es importante destacar igualmente que la tecnología sustituye a los empleados con trabajo repetitivo, como es el caso de los cajeros, sin embargo, la tienda en sí posee muchos otros empleados preparando las comidas, ayudando a los clientes, reponiendo las existencias, etc. Sólo la tarea más repetitiva que causa la mayor reacción negativa para el cliente, que es la espera en la cola de la caja, ha sido sustituida por las máquinas.

Fuente: Marco Marketing

Artículos relacionadosMás del autor