Analítica avanzada: 4 casos de uso más relevantes del 2020 en India

Compartir

4 casos de uso de analítica avanzada en India - 2020

Compartir

La pandemia en curso ha cambiado nuestras experiencias para siempre, como empleados, ciudadanos y clientes, por lo que el futuro no será el mismo. Hubo muchos cambios en los últimos meses en las preferencias de los consumidores y, posteriormente, en el funcionamiento comercial. Las empresas están presenciando patrones de compra de los consumidores alterados, lo que los impulsa a reevaluar cómo pueden brindar una experiencia de cliente relevante para respaldar la continuidad del negocio.

Presentamos una lista de algunos casos de uso de Advanced Analytics que han sido relevantes para el año 2020. La lista incluye una nota detallada sobre el proyecto en términos de problemas comerciales resueltos, cómo fue usada la Ciencia de Datos y el impacto que creó para la empresa y los equipos de Analytics en su conjunto.

Puedes leer también: ¿Cómo el UX puede ayudar en los negocios?

Proyecto 1: Análisis del sentimiento del cliente para crear productos centrados en el cliente por Ugam, una empresa de Merkle

“Trabajar en este proyecto dio a conocer un extenso caso de uso de PNL y también comprendió cómo se puede realizar el análisis de la opinión del cliente para brindarles la mejor experiencia. Trabajamos en un equipo excelente para darle vida a este caso de uso ”, dijo un científico de datos en Ugam que trabajó en el proyecto.

- Problema empresarial resuelto: ayudar a un minorista omnicanal líder de EE. UU. A hacer crecer su negocio de marca blanca y competir mejor en una gran cantidad de categorías.

- Por qué es relevante ahora: el auge de lo digital está cambiando el comportamiento del consumidor. Además, la dura competencia y las presiones de los márgenes en una gran cantidad de categorías han agravado la necesidad de comprender mejor las necesidades de los consumidores.

- Enfoque y tecnologías aprovechadas: Utilizando una combinación de algoritmos de aprendizaje automático y experiencia humana, Ugam analizó los sentimientos de los clientes en varias fuentes de datos. Estas fuentes de datos incluyen reseñas de productos en el sitio web del minorista, de sitios web de la competencia, datos de ventas internos, etc. Luego, aprovechando el procesamiento del lenguaje natural (NLP), los científicos de datos de Ugam extrajeron frases de palabras clave de las reseñas de los clientes, las agruparon en temas y las clasificaron como sentimientos positivos o negativos de los clientes. Luego se validaron estos resultados, sobre la base de lo cual se le proporcionaron al minorista recomendaciones específicas como mejorar la efectividad operativa, agregar componentes de mejor calidad, asegurar una fácil instalación, etc. para los productos en demanda. Estas recomendaciones ayudaron a mejorar la calidad general del producto y a tomar decisiones informadas sobre su marketing.

- Impacto: Un marco fácil de usar que identifica una lista de deseos del cliente de atributos de producto para crear productos centrados en el cliente. Además, el minorista se benefició de una disminución significativa en las tasas de devolución de productos.

Proyecto 2: Next Best Action (NBA) para clasificar los tres productos principales a nivel de cliente de un conjunto de una gran cantidad de productos y servicios financieros de HDFC Bank

“Los datos salvan el día en HDFC Bank. Comprendemos a nuestra audiencia anteriormente, pero 2020 es diferente. Para adaptarnos al cambio, creamos capas de arbitraje adicionales sobre las propensiones individuales, para orquestar la retroalimentación capturada en los puntos de contacto del cliente y, en consecuencia, recomendar los productos correctos en orden de importancia ”, dijo Sahil Aneja, científico de datos de HDFC Bank.

- Problema empresarial resuelto: además de las propensiones a nivel de producto que HDFC Bank ya tenía, el objetivo era identificar el orden de importancia para los productos a nivel de cliente que orquesta no solo las propensiones, sino también la intención capturada a través de respuestas de campaña, huellas digitales y web. 

- Por qué es relevante ahora: la pandemia ha impuesto restricciones tanto en el lado de la demanda como en el de la oferta. La necesidad de ser relevante durante estos tiempos no se puede enfatizar lo suficiente. A medida de que se reduce el tamaño de la oportunidad, aumenta la necesidad de datos para agudizar el mercado objetivo. Esto corta en ambos sentidos, incluidos los clientes para los que la oferta será relevante y excluyendo aquellos en los que será irrelevante y, lo que es más importante, refinando la canasta de ofertas identificando el orden de importancia.

- Enfoque y tecnologías aprovechadas: Se utilizaron puntuaciones de propensión anteriores para varios productos en función de las transacciones y la demografía del cliente para la venta cruzada. Para esto, se superpuso la huella digital y se tomaron comentarios de varios canales para identificar la intención a nivel del cliente. Además, emplearon un marco prescriptivo para empoderar a los canales de primera línea con información sobre el comportamiento del cliente y las posibles intervenciones. El modelo NBA se desarrolló aprovechando tecnologías de código abierto como Python y PostgreSQL. También utilizaron plataformas de análisis avanzadas basadas en inteligencia artificial para manejar big data, programación en lenguaje natural (NLP) para escuchar comentarios textuales, algoritmos de aprendizaje automático para recomendaciones más precisas, entre otros.

- Impacto entregado: esta es la primera solución de su tipo en el espacio bancario indio. Con esto, la comunicación no relevante se redujo al 30%, al tiempo que se logró un aumento significativo en las tasas de participación.

Te puede interesar: ¿Por qué convertirse en una organización basada en datos?

Proyecto 3: Modelo equitativo de atribución multitáctil para la distribución de ingresos de Ugam, una empresa de Merkle

“La experiencia de trabajar en conjunto con los equipos de análisis y negocios de una institución financiera tan grande fue extremadamente gratificante. Destilar un escenario complejo en una solución elegante presentó oportunidades de aprendizaje, especialmente en las áreas de optimización de consultas y construcción de algoritmos”, dijo un científico de datos de Ugam.

- Problema empresarial resuelto: ayudar a un banco Fortune 500 a medir y comprender la contribución de varios canales a su ROI de marketing entrante.

- Por qué es relevante ahora: varias empresas están aprovechando el marketing omnicanal para impulsar experiencias de cliente excelentes y sin problemas, incluso más durante el COVID-19. Al hacerlo, es necesario validar y optimizar el marketing mix midiendo la contribución general de cada canal, creatividades, etc. al ROI.

- Enfoque y tecnologías aprovechadas: Ugam aprovechó Python para la ingestión, limpieza, preparación y procesamiento de datos. Además, se basó en Apache Hive en Cloudera Distributed Hadoop (CDH) y Microsoft Power BI para el almacenamiento y la visualización de datos, respectivamente. Después de la preparación de los datos, la secuencia táctil para cada cliente convertido se procesó utilizando un modelo de MTA basado en el valor de Shapley. Esto permitió una comparación del rendimiento del canal de prueba y control en términos de tasa de respuesta, ingresos por respondedor e ingresos incrementales obtenidos. La compañía también construyó un tablero para transmitir los hallazgos de manera efectiva, luego de lo cual el proceso se configuró para la entrega automatizada con una cadencia mensual.

- Impacto: creó conocimientos precisos y automatizados sobre la verdadera contribución y el rendimiento de los diversos canales y tácticas de marketing, lo que permitió el ajuste en vuelo para obtener resultados óptimos.

Proyecto 4: Proyección de COVID-19 - Evaluación de riesgos de los empleados por Genpact

“COVID-19 ha destrozado todos los modelos de pronóstico. Nadie podrá crear pronósticos perfectos en este momento. Pero las empresas que incorporen señales externas en su modelado y aprovechen el poder de la inteligencia artificial definitivamente saldrán adelante”, dijo Sanjay Sehgal, líder de consultoría de la línea comercial comercial de EE. UU., KPMG LLP.

- Problema comercial resuelto: generación de pronósticos precisos para ayudar a sostener las operaciones comerciales tras la pandemia de COVID-19.

- Por qué es relevante ahora: en la segunda mitad de 2020, las empresas deben centrarse en identificar formas de mejorar la eficiencia de sus operaciones de producción y distribución. Una parte importante de este proceso consiste en garantizar la seguridad de los trabajadores y empleados. Es posible que las empresas deban identificar estrategias como la reducción de los horarios de los turnos, la disminución del ritmo de las operaciones o la dedicación de la fuerza laboral a una sola línea de operaciones, para ayudar a gestionar la crisis.

- Enfoque y tecnologías aprovechadas: incluyó tres pasos principales: crear el modelo SIDR (Susceptible-Infected-Dead-Recovered) usando TensorFlow, cuantificar las intervenciones y minimizar los errores mediante el aprendizaje automático. Genpact aprovechó un modelo epidemiológico para construir la progresión real de las enfermedades infecciosas para cada ubicación de fabricación. Además, el impacto de las medidas de intervención como el bloqueo y el distanciamiento social se acomodó dinámicamente en el edificio del modelo. Aprovecharon los datos existentes del cliente junto con datos de fuentes de datos externas, datos de tendencias globales e indicadores de plomo para proporcionar mejores recomendaciones de inteligencia empresarial basadas en pronósticos.

- Impacto entregado: la solución permitió al cliente realizar una evaluación rápida de su estado comercial actual junto con las capacidades de planificación de escenarios y previsión. El cliente pudo generar proyecciones del sitio de fabricación para casos y muertes, junto con el impacto de varias estrategias, como reducir la producción / cerrar las instalaciones. Según los pronósticos, el cliente implementó las estrategias de seguridad adecuadas para cada ubicación de fabricación y fue testigo de una disminución constante en el número de nuevos casos que surgieron dentro de la empresa.

Estos casos de uso sugieren que el análisis de datos está desempeñando un papel crucial para que las empresas superen los desafíos que les impide la adquisición de clientes, la creación de productos centrados en el cliente y la aceleración de la transformación digital. Incluso después de que el impacto de la COVID-19 se ralentice, veremos que más y más organizaciones se dirigen hacia la analítica avanzada y la ciencia de datos para lograr transformaciones comerciales. ¡Sé parte de ese grupo que lleva a sus empresas a la empleabilidad de analítica avanzanda para proponer soluciones basadas en data! Sé parte de la próxima edición del Programa Especializado en Advanced Analytics & AI, conoce más aquí.

 

* El artículo es una adaptación de la nota “Most Relevant Advanced Analytics And Data Science Use Cases In 2020” de Srishti Deoras. Noviembre 2020.

Publicado el: 
15 de Febrero