El concepto de customer journey es el resultado de la relación que tiene un cliente desde el momento que detecta una necesidad hasta que finaliza su relación con el proveedor del servicio o producto que desea. Nótese que el customer journey empieza incluso antes del primer contacto con la empresa, en el momento que debe decidir a que proveedor de servicios acudir (por eso a veces se nos pregunta como nos conoció).
Actualmente, mediante el uso de software CRM queda registrado cada contacto que tiene un cliente con la empresa y se almacena información referente a cualquier actividad que se realice dichos contactos. También se recoge información de valor en otras interacciones, como puede ser el comportamiento del cliente en el uso de una tienda online. Esta información que se recopila se analiza a posteriori con la intención de detectar mejoras en la experiencia de usuario y detectar, de esta forma, cuáles pueden ser las razones para que una venta no se haya realizado.
El Customer Journey tradicional
Cuando llamamos a nuestro proveedor de internet para que nos resuelva un problema, o cuando compramos un coche, o cuando recibimos formación, se nos suele pedir opinión sobre nuestro grado de satisfacción en cada contacto que tenemos. Nos pregunta qué tal se ha comportado el vendedor del coche con nosotros, apuntan también si hemos llegado al concesionario preguntando por un coche a pesar de que al final hemos comprado otro, o si al final hemos comprado un coche de la competencia y por qué.
En la mayoría de los casos, lo que se realiza es un estudio a posteriori mediante consultas a una la base de datos tratando de utilizar datos estadísticos para recuperar información útil. Por ejemplo, si vemos que el 70% de las personas que han preguntado por un Seat Ibiza, al final no ha completado la compra, es posible que ese coche no sea competitivo en el mercado, pero además queremos saber el por qué.
Machine Learning, la clave para entender mejor el comportamiento de los clientes
Hacer el estudio del customer journey es algo que se lleva realizando desde hace bastante tiempo. Sin embargo, con el uso de técnicas tradicionales no se puede llegar a extraer tanta información útil como la que es posible sacar utilizando técnicas de Machine Learning que nos asiste para encontrar patrones, o para clasificar clientes que de otra manera no sería posible clasificar. Gracias al Machine Learning, puedes llegar a conocer con mucho mayor detalle a cada uno de tus clientes. Esto nos permite reaccionar para mejorar diferentes parámetros de nuestro negocio.
Mediante la introducción de técnicas de Machine Learning podemos entender mejor el comportamiento de los clientes y perfilarlos para así poder detectar a priori el tipo de cliente y adelantarnos a un abandono de la compra. Cuando tenemos esta información podemos ir tomando decisiones para aumentar la tasa de éxito.
Patrones de comportamiento: Casos de uso con Machine Learning
Machine Learning puede llegar a detectar patrones de comportamiento difícilmente detectable utilizando técnicas más tradicionales. A continuación, a modo ilustrativo se describen un par de casos.
Caso 1: Adaptación del interfaz en función del tipo de cliente
Pongamos el caso de una tienda online en la que se vende ropa para jóvenes. Aunque el producto en sí está dirigido mayoritariamente para jóvenes, nos encontramos con que el usuario de nuestra tienda no siempre es joven. Es posible la aparición de otro perfil de personas que se conecten a nuestra tienda con la intención de comprar ropa para sus hijos, nietos, etc.
La tienda en principio ha podido ser diseñada pensando en un perfil de personas muy familiarizadas con la compra online pero que, sin embargo, puede llegar a ser compleja para personas menos experimentadas. Un sistema de Machine Learning puede llegar a detectar que un determinado grupo de personas titubean pinchando en enlaces de manera azarosa para al final abandonar la tienda y no hacer la compra.
Con medidas tradicionales podríamos dividir a los clientes por edades y ver la frecuencia con la que se abandona el proceso de compra y sacar algunas conclusiones, como por ejemplo que las personas que están entre 65 y 70 está el grupo mayoritario de personas que abandonan el proceso de compra. Con esta información, podríamos en el momento del login, mirar la edad de la persona y cambiarle el interfaz de compra por uno mas sencillo que le facilite las cosas.
Sin embargo, si sólo nos centramos en el rango de edad, es posible que para determinados clientes tomemos una decisión incorrecta ya que la decisión debería de ser tomada en función de la habilidad del usuario que, aunque puede estar relacionada con la edad, nos podemos encontrar con excepciones.
Con Machine Learning podemos basarnos en esos patrones más complejos, ya que estos algoritmos nos clasificarán a los clientes por su comportamiento y no por un parámetro simple como la edad. Y no solo eso, sino que nuestro algoritmo se iría adaptando automáticamente según vaya evolucionando la tienda o incluso la experiencia del usuario.
Esto sin duda alguna optimizaría el numero de compras que se realizan, así como el grado de satisfacción del usuario. Es decir, terminamos perfilando al usuario por su habilidad al desenvolverse en la tienda de una manera objetivo en función del comportamiento.
Caso 2: Recomendar algún producto a un cliente en función de su perfil
En muchas ocasiones el cliente ha decidido qué producto comprar, pero en otras ocasiones el cliente sabe más o menos qué es lo que quiere, pero necesita ayuda para decidirse. Podemos pensar en una persona que quiere adquirir una moto, pero no sabe exactamente qué modelo exacto quiere. Puede querer una moto para campo, pero no sabe si realmente necesita más o menos potencia, o una persona puede querer contratar un viaje de aventuras para ir con su familia, pero tampoco tiene muy claro el viaje de forma concreta.
Con la aplicación de técnicas de Machine Learning podemos clasificar al cliente en función de la información que obtengamos de él y poder ofrecerle el producto que es más probable que le encaje y se decida por su compra.
Imaginemos un cliente que busca un viaje de aventuras y piensa ir a Costa Rica porque quiere estar en contacto con la naturaleza. Nos dice que quiere ir con sus dos hijos menores de 15 años y su pareja. Nos dice también que tiene un presupuesto X para poder ir 12 días. La agencia de viaje intentaría encontrar un viaje que se ajuste a las preferencias del usuario, pero nos damos cuenta de que no hay nada que se ajuste 100% a las peticiones del cliente porque el presupuesto es mucho mayor.
Sin embargo, utilizando Machine Learning, el sistema nos permitirá ofrecer otros viajes similares que suelen ser muy valorados por personas con un perfil similar al de esta familia. De esta manera, mejoramos la experiencia del cliente porque le hemos propuesto una solución y la agencia de viaje ha finalizado con éxito el customer journey al haber conseguido la venta.
Customer Journey y Machine Learning, el win-win definitivo
En resumen, podríamos concluir que la aplicación de técnicas avanzadas de Machine Learning nos puede ayudar a mejorar el customer journey y la experiencia del usuario, al mismo tiempo que optimizamos nuestro proceso de venta, consiguiendo de esta manera una relación win-win con nuestros clientes.
En Open3s ponemos a su disposición todas estas técnicas cuando son necesarias para ayudarle a mejorar sus servicios y optimizar las ventas, así como para mejorar la relación con sus clientes. ¿Quiere saber más? ¡Contacte con nosotros!
