PRIMERA PARTE Modelo: Mkt-AI Canvas

Introducción

El modelo Mkt-AI-Canvas©1, plantea una estructura de análisis que busca facilitar la generación de aproximaciones formales para trabajar de manera organizada y conexa en el estudio de casos de marketing con aplicabilidad a los temas de Inteligencia Artificial. En el siguiente grafo, es posible apreciar la estructura del modelo, el cual está compuesto por 6 etapas vinculadas al campo del marketing y negocios y luego por 7 etapas vinculadas al campo de la IA, las cuales son descritas detalladamente en las páginas siguientes.

La primera etapa del modelo, denominada “análisis de la situación” plantea la realización de un examen profundo tanto de los factores micro y macro ambientales que se encuentran subyacentes a la problemática de un caso de marketing. La segunda etapa, enfatiza en la búsqueda de los determinantes existentes en la problemática del caso de estudio, en tanto que la tercera etapa revisa y evalúa los cursos de acción alternativos que procuran resolver el problema identificado. La cuarta etapa del modelo, aceptando una -o más de una- de las alternativas propuestas, colabora en la formulación de la recomendación respecto de los cursos de acción pertinentes para resolver el problema central planteado por el caso de estudio. Esta cuarta etapa finaliza, con la pregunta ¿es posible apoyar la estrategia de resolución del problema, utilizando herramientas de Inteligencia

Artificial?

La respuesta a la pregunta anterior no es trivial, por lo cual se torna relevante intentar un análisis preliminar de costo-beneficios, que permita una primera aproximación al tema. En tal sentido, la quinta etapa del modelo se focaliza en explorar cuales serían los beneficios esperables que podría permitir el desarrollo de una solución de IA al problema planteado, en tanto que la sexta etapa, evalúa los potenciales retos que podría imponer dicha posibilidad. En el eventual caso, de que el análisis anterior ofrezca beneficios potenciales y retos razonablemente abordables, podríamos entonces, pensar en efectuar el abordaje de las etapas siguientes del modelo, la cual considera siete cuestionamientos, pertinente al campo de la IA que engarzan de manera natural con la reflexión de las etapas anteriores.

Si bien, esta estructura metodológica suele ser muyútil para el estudiante o directivo que se encuentra familiarizado con el método de casos, para el principiante, puede representar más de algún problema. En consecuencia, se pretende por medio del modelo Mkt-AI-Canvas©, así como por las listas de verificación que acompañan al modelo, poder ayudar al estudiante a alcanzar la familiaridad y expertise requerido para llevar a cabo un adecuado ejercicio de análisis de casos y resolución de problemas en el campo del marketing e IA. A continuación, se describen las etapas contenidas en el modelo Mkt-AI-Canvas©.

Etapas del modelo Mkt-AI-Canvas©

Las distintas etapas que comprende el modelo Mkt-AI-Canvas© son las siguientes:

(1) Analizar y registrar la situación actual

La estructura propuesta por la metodología Mkt-AI-Canvas©, se inicia con la revisión y análisis de la situación actual a la cual es referida la experiencia de caso. Si bien, esta se encuentra vinculada con la experiencia particular de una compañía al interior de un mercado e industria, esto no significa tener que elaborar una historia delafirma, sinorelacionarlosaspectosymaterias relevantes delos distintos contextos del caso. Este acercamiento es útil para obtener un mejor control de la situación, así como para descubrir problemas reales y potenciales insertos en el contexto del caso. Los 4 aspectos que en esta etapa es pertinente revisar son: El medio, la industria, el negocio y la estrategia.

[El medio]: Los distintos contextos que son sometidos a revisión es esta sección, son el contexto económico, el social, el político, el legal, tecnológico, etc. Cualquiera de estos contextos puede ser fuente de amenazas o de oportunidades para las distintas firmas que operan en un mercado en particular.

[La industria]: En esta segunda sección es pertinente realizar un análisis de la industria en la cual opera la firma. Una estructura de análisis provista por Michael Porter incluye la revisión y análisis de las cinco fuerzas participantes que se encuentran presentes en la dinámica competitiva de un sector industrial. Las cinco áreas consideradas en dicho análisis corresponden a los competidores existentes, los competidores potenciales, los productos sustitutos, los proveedores y los compradores o clientes. El peso relativo que finalmente adquieren las distintas fuerzas consideradas, puede amenazar la rentabilidad potencial de la industria y por lo tanto, de las firmas que en ella participan.

[Lafirma]:Laterceraseccióninvolucraelanálisisdelafirma,nosóloencomparaciónconlaindustria y los promedios de la industria, sino también, internamente, en términos de datos cuantitativos y cualitativos. Los temas claves de preocupación en esta etapa vienen dados por aspectos tales como objetivos, restricciones, filosofía de dirección, condición financiera, estructura y cultura organizacional de la firma, etc.

[La estrategia]: La cuarta sección busca analizar la consistencia existente entre la estrategia de marketing, la estrategia corporativa y los objetivos de la firma. Cada elemento de la mezcla de marketing es revisado en profundidad de igual forma que los aspectos estratégicos y operativos son contrastados con las metas de la firma y los objetivos del departamento de marketing. Un capítulo aparte considera la revisión de los aspectos relativos a la estrategia de marketing internacional de la firma.

Al realizar el proceso de análisis de la situación actual -de cualquier caso de estudio-, se deben examinar los datos en forma cuidadosa conel findelograr extraerlos aspectosrelevantes yesenciales de su contenido. Muchos casos contienen información no siempre relevante. El trabajo del analista consiste en descartar esa información para obtener una visión más clara respecto de la verdadera situación que envuelve al caso. Mientras procede el análisis, se debe vigilar cada fase a fin de determinar:(1)lossíntomasdel problema; (2)lacausadelosproblemasy(3)losefectosopotenciales efectos que se pueden generar a partir de los problemas identificados. Los síntomas de los problemas son indicadores de un problema, pero no representan el problema en sí. Por ejemplo, un síntoma de un problema puede ser el descenso en las ventas que experimenta una empresa en un territorio en particular. Sin embargo, la causa de este descenso puede ser generado porque el equipo de ventas asignado a dicho territorio desconoce las características y costumbres culturales del comercio en la zona o carece de contactos locales.

¡Qué significa "análisis" de un caso?

Una crítica común respecto de casos preparados dice algo como esto: “Se repitió el material del caso, pero no se analizó". Sin embargo, al mismo tiempo, es difícil definir exactamente qué se quiere decir con esto. Para disminuir la dispersión del punto, señalaremos que el análisis de un caso supone la revisión inteligente de la información dispuesta en el material de dicho caso de estudio. Esto implica realizarunprocesodeanálisiscuantitativoycualitativodelainformación,que permitalacoexistencia de una etapa de síntesis, otra de generalizaciones y otra de implicancias.

Material del caso -Ejemplo-

“La alta tasa de crecimiento en las ventas de pizzas congeladas ha atraído –en el último tiempo- a un gran número de fabricantes de estos productos. Empresas como, Dr. Oetker, Di Giorno, Buitoni, La Crianza, Pizza Pizza e incluso la gran cadena de supermercados Walmart han ingresado en este segmento de negocio a través del desarrollo de nuevos y variados tipos de productos”.

“El competidor que más participación de mercado registra, es la marca, La Crianza, con un 8% del mercado, en tanto que el resto de los participantes no supera el 4% en forma individual.”

Síntesis: El mercado de pizza congelada es altamente competitivo y fragmentado.

Generalizaciones: En mercados tales como éste, los intentos por ganar participación de mercado por medio de la fijación de precios menores o utilizando gran publicidad no son muy útiles, ya que es posible que sus competidores repliquen rápidamente disminuyendo su efectividad.

Repercusiones o implicancias: Bajar los precios o gastar recursos en publicidad pueden no ser estrategias muy efectivas en este caso. Quizás aumentar el espacio de refrigeradores en los negocios minoristas y de retail podría ser más efectivo -esto se podría obtener a través de descuentos comerciales- o de igual forma desarrollar un producto distinto, claramente diferenciado, así como aumentar en forma importante la cobertura geográfica del mercado podrían ser estrategias más adecuadas para obtener mayor participación de mercado.

Notar que, en el ejemplo anterior, ninguno de los tres pasos del análisis incluyó la repetición del material del caso. Por el contrario, la reflexión apuntó a extraer el significado de la información proporcionada adecuándola a los principios del marketing.

La información relevante del análisis situacional está ahora formalizada y registrada. La siguiente etapa corresponde a la identificación del problema -o set de problemas- que enfrenta la compañía en el caso de estudio.

Un acercamiento útil para identificar el núcleo del problema -o set de problemas-, es proporcionado por el análisis FODA. Este se refiere a la identificación de fortalezas, debilidades, oportunidades y amenazas que enfrenta una compañía.

Posibles fortalezas internas:

Nivel adecuado de recursos financieros

Prestigio en la industria

Liderazgo en el mercado

Estrategias funcionales bien concebidas

Acceso a economías a escala

Tecnología propia

Ventaja en costos

Adecuado nivel de comunicación externa

Habilidades en la innovación de productos

Dirección superior experimentada

Curvas de experiencia

Capacidad de fabricación

Capacidad de comercialización

Habilidades tecnológicas superiores, etc.

Posibles debilidades internas:

Falta de dirección estratégica clara

Instalaciones obsoletas

Rentabilidad histórica menor

Falta de profundidad y talento directivo

Pérdida de habilidades claves o competencias

Estrategias funcionales confusas

Problemas internos de operación

Lentitud en investigación y desarrollo

Mix de productos insuficiente

Débil imagen de mercado

Débil red de distribución

Débiles habilidades en marketing

Capacidad financiera insuficiente

Estructura de costos más alta que la competencia, etc.

Posibles oportunidades externas:

Ingreso a nuevos segmentos de mercado

Expansión de líneas de productos

Diversificación de productos relacionados

Decreciente poder de negociación de clientes y/o proveedores

Posibilidades de integración vertical regresiva o progresiva

Cambio en hábitos de consumo en favor de la oferta de la compañía

Crecimiento dinámico del mercado, etc.

Posibles amenazas externas:

Ingreso de competidores con estructura de costos menores

Presencia de productos sustitutos

Crecimiento rezagado del mercado

Cambios adversos en términos de intercambio y políticas comerciales

Requerimientos regulatorios costosos

Depresiones externas

Creciente poder de negociación de clientes y/o proveedores

Cambio en hábitos de consumo en desmedro de la oferta de la compañía

Cambios demográficos adversos, etc.

(2) Identificar los problemas y el núcleo de sus elementos

Si bien, encontrar y registrar problemas, así como el núcleo de sus elementos puede ser dificultoso, después de un análisis cuidadoso, los problemas primarios y secundarios deberían quedar explícitamente establecidos y listados en orden de importancia. Es común para los estudiantes que leen un caso por primera vez verlo como una descripción situacional en la cual no existen problemas. Sin embargo, un análisis cuidadoso debería revelar los síntomas que conducen al reconocimiento del problema. Una lista de verificación para analizar los problemas y sus elementos centrales puede ser la siguiente:

¿Cuál es el problema principal ycuáles son los problemas secundarios del caso?, ¿Qué limites existen en estos problemas centrales?, ¿Quécantidaddepruebas están basadas enlos hechos, enlas opiniones o en las suposiciones?, ¿Qué síntomas sugieren los problemas identificados?, ¿Cómo están relacionados los problemas, son independientes o provienen de una génesis común?, ¿Cuáles son las ramificaciones que pueden tener estos problemas en el corto, mediano y largo plazo?, etc.

(3)

Esta etapa se preocupa de responder la siguiente pregunta:

¿Quésepuedehacerpararesolver elproblemaoelset deproblemasidentificadosenlaetapaanterior? Generalmente, se dispone de una cantidad de cursos de acción alternativos que podrían ayudar potencialmente a aplacar la condición del problema. Un número razonable de alternativas con las cuales trabajar son de tres a siete. Otro acercamiento es el de generar tantas alternativas como sean posibles y luego reducir la lista hasta un número con el que se pueda trabajar. El uso de una lógica maciza y razonable es muy importante en esta etapa. Es crítico evitar alternativas que pudieran inicialmente mitigar el problema, pero que posteriormente crean un problema más profundo o recurren a un mayor volumen de recursos para su eliminación. Después de generar una lista de alternativas, la siguiente tarea es evaluarlas en términos de costos y beneficios.

En función del análisis ya realizado, lo que corresponde ahora es seleccionar la alternativa que solucione en mejor forma el problema -o el set de problemas-. Ningún análisis está completo sin una decisión orientada a la acción y sin un plan para implementarla. La siguiente es una lista de verificación para esta etapa: ¿Qué se debe hacer para implementar la alternativa?, ¿Dónde y cuándo se implementará la alternativa?, ¿Cuál es el resultado estimado una vez implementada la alternativa?, ¿Cómo se medirá el éxito o fracaso de la alternativa?

Esta cuarta etapa finaliza, con la pregunta ¿es posible apoyar la estrategia de resolución del problema, utilizando herramientas de Inteligencia Artificial?

Para responder esta pregunta, lo primero que debemos hacer es preguntarnos, ¿tenemos datos?, ¿qué tipo de datos tenemos? y ¿qué tipo de datos necesitamos?

Responder estas tres preguntas es fundamental y previo a la fase quinta y sexta. La imposibilidad de contar con datos apropiados restringe fuertemente la posibilidad de avanzar en dirección de soluciones de IA.

Un ejemplo de implementación de una solución de IA, podría ser el desarrollo de un modelo predictivo que colabore en la Reducción del Éxodo de Clientes (REC). Esto permitiría a una empresa poder identificar de manera anticipada los segmentos de clientes que tienen una mayor probabilidad de darse de baja y abandonar la cartera. De esta manera, el mayor beneficio esperable a partir de esta solución, sería, la de poder predecir la probabilidad de “fuga” de los clientes. Otros beneficiosesperables- derivados de esta solución, se relacionan con la posibilidad de colaborar en la identificación del valor de cada cliente (Customer Lifitime Value), asignar los recursos de Marketing yCustomerServicedemaneradiferenciada,aumentarlasatisfaccióngeneraldelosclientes,estimular el proceso de ventas de la empresa y fortalecer la imagen de esta en el mercado.

(6) Registrar retos esperables de la implementación de soluciones de IA

Los retos asociados a la implementación de soluciones de IA, normalmente tienen que ver con la existencia de restricciones internas o externas que podrían afectar la implementación de soluciones de IA, como por ejemplo el acceso a datos, la falta de controles a la privacidad de los datos, la falta de personal idóneo, la ausencia de compromiso gerencial, etc.

Una lista de verificación para formular y evaluar cursos de acción alternativos que considere soluciones de Inteligencia Artificial podría ser la siguiente:

¿Qué posibles soluciones de IA existen para resolver los problemas de la firma?, ¿Qué límites existen en las posibles alternativas de IA, en cuanto a competencia, recursos, preferencia directiva, responsabilidad social, restricciones legales?, ¿Qué alternativas están actualmente disponibles para la firma, y qué conceptos de marketing están involucrados?, ¿Son razonables las alternativas de IA señaladas, dada la situación de la firma, son lógicas, son consistentes las alternativas con las metas del programa de marketing, son consistentes con los objetivos de la firma?, ¿Cuáles son a priori, los costos, los beneficios, las ventajas y las desventajas de cada alternativa de IA?, ¿Cuál es la alternativa de IA que mejor resuelve el problema y minimiza la creación de nuevos problemas dado el set de restricciones identificadas?, etc.

Una vez analizadas las primeras 6 etapas del modelo y con la certeza de que la empresa se podría beneficiar apartir del desarrollodealguna solucióndeIA, loqueprocedees analizar -bajo el esquema de las siguientes 7 etapas del modelo-, la factibilidad operativa y financiera de la solución de IA, que fue identificada.

Un aspecto central, previo a ingresar en las siguientes etapas, dice relación con la necesidad de asegurar la existencia de los datos, así como la calidad de estos. En razón de este aspecto, la limpieza y preparación de datos es uno de los pasos críticos y de mayor consumo de tiempo en cualquier proyecto de Inteligencia Artificial.

(7) Identificar

Cual Es La Pregunta De Negocio

En esta etapa, la primera de las siete referidas al tema de IA, se pretende poner en contexto, cuál es el problema específico al cual deseamos encontrarle una respuesta a partir de los datos que dispone la empresa. Por ejemplo, la pregunta específica podría ser ¿Cuáles clientes dejarán la empresa el próximo mes? o ¿Qué pacientes quedarán satisfechos después de recibir nuestro servicio?, etc.

(8) Identificar cual es la métrica relevante

En esta etapa, -muy vinculada a la anterior-, se busca identificar cual es la métrica de marketing elegible para construir un modelo predictivo. Manteniendo el ejemplo anterior, una métrica elegible para la pregunta, ¿cuáles clientes dejarán la empresa el próximo mes?, podría ser el churn-rate. Es importante señalar, que una adecuada selección de esta, requiere de cierto nivel de experiencia y entrenamiento, ya que no cualquier métrica tendrá la capacidad de ofrecer las respuestas requeridas por la pregunta de negocio. Existen muchas empresas “midiendo puntillosamente bien, lo que no es importante medir”

(9) Identificar lo que necesitamos hacer con los datos

En la novena etapa, es fundamental intentar con exactitud lo que necesitamos hacer con los datos. Por ejemplo, podría interesarnos poder predecir entre dos categorías, -manteniendo el ejemplo anteriorsi un cliente específico abandonará o no, nuestra empresa el próximo mes. O talvez, nos podría interesar poder predecir entre varias categorías, por ejemplo, si un paciente evaluará los servicios hospitalarios recibidos, dentro de un rango bajo, medio o alto. O talvez nos interesará poder predecir, cuál debiera ser el precio de una propiedad específica ubicada en el radio urbano norte, de la ciudad, etc.

(10) Identificar el modelo predictivo a utilizar

En esta etapa, debemos intentar traducir la necesidad que hemos identificado en la fase anterior, relacionándola con los distintos modelos predictivos que permite la IA. Por ejemplo, si lo que necesitamos es saber si un cliente específico abandonará o no nuestra empresa el próximo mes, entonces el modelo predictivo a utilizar será el “modelo de clasificación entre dos clases”. Por otra parte, si lo que deseamos es poder predecir, cuál debiera ser el precio de una propiedad específica en el radio urbano norte de la ciudad, entonces el modelo predictivo a utilizar será el “modelo de regresión”, etc.

(11) Identificar los algoritmos a utilizar

Una vez seleccionado el modelo predictivo a utilizar, estaremos en condiciones de identificar los algoritmos que a priori nos resulten más adecuados para efectos de entrenar y testear el modelo. En tal sentido, cabe señalar que si estamos trabajando sobre alguna plataforma del tipo AIaaS (Artificial Intelligence as a Service) o SaaS (Software as a Service) como, por ejemplo, Azure de Microsoft, AWS, Watson de IBM, Google, Knime, Keras, TensorFlow, etc. será posible disponer de una cantidad importante de algoritmos -previamente configurados- para utilizar en el proceso de entrenamiento y testeo de nuestro modelo predictivo.

(12) Evaluar el desempeño del modelo predictivo

Una vezentrenados ytesteados los algoritmos que fueron seleccionados enla etapaanterior, debemos evaluarlos, con el fin de seleccionar al que ofrezca el mejor desempeño para construir nuestro modelo predictivo. En tal sentido, el uso de las métricas de accuracy, presicion, recal y F1 score, entre otras, serán de gran utilidad para poder distinguir y escoger entre estos.

(13) Identificar el ROI de la solución de IA

Si bien, el desempeño operativo y técnico de las herramientas de Inteligencia Artificial puede resultar indiscutible, resulta muy necesario poder evaluar el rendimiento de una solución de IA, desde una perspectiva financiera y no financiera. En tal sentido, una forma de evaluar la rentabilidad de las soluciones de IA, es a través del uso de métricas de resultado -de marketing y financieras- que consideren el impacto de las acciones de IA. De igual manera, se torna relevante poder evaluar aspectos de orden estratégico, que pueden verse claramente influidos con soluciones de IA, como, por ejemplo, la integración de nuevas capacidades, que quedarán instaladas en la empresa a partir de laexperienciadeIA.Lasmétricaspertinentesparaefectuaresteprocesodeevaluaciónson: Marketing ROI, Net marketing Contribution y Net Profit, respectivamente (ver recuadro).

Notar que para efectos del desarrollo de un proyecto de IA, con acento en marketing, la forma de clasificar los costos que de este deriven, es por la vía de incorporarlos en la partida de “egresos de marketing, ventas y marketing intelligence”. Por otra parte, el beneficio de las acciones de IA se vinculan con la contribución que estos proyectos pueden generar a la estrategia de la organización. En definitiva, el estímulo que las estrategias y acciones de IA puedan generar en el Net Marketing Contribution (NMC) debieran tener una traducción en estímulos a la demanda (DDA), incrementos en la participación de mercado (MS), incrementos en los ingresos que puedan generar los clientes (CLV), aumentos en la penetración de los clientes (SOW), incrementos en el nivel de satisfacción de los clientes (CS), disminución en la deserción de los clientes (Churn), disminución en los costos de adquisición de nuevos clientes (CAC), etc. Todos estos beneficios, que tributan en favor del uso de las herramientas de IA, deben no solo ser ubicados en el centro de la estrategia de negocio, sino además deben ser monitoreados y evaluados de manera permanente.

Consideraciones finales

Algunas consideraciones que son necesarias de tener en cuenta al momento de analizar un caso son las siguientes:

1. Definir inadecuadamente el problema: Error muy común es el de intentar definir un curso de acción antes de haber definido claramente el problema.

2. Búsqueda de la respuesta: Notar que en marketing la única tautología plausible es que “no existen tautologías”. En el análisis de un caso no existen soluciones inequívocas. Se debe tener en cuenta que el objeto de los estudios de caso es aprender por medio del debate y la exploración. No existe siempre una respuesta oficial o correcta para el caso. Más bien existen varias soluciones y alternativas.

3. No existe suficiente información: Al igual que en la vida real, pocas veces un consultor o un ejecutivo posee la información necesaria para efectuar una toma de decisiones, por lo tanto, el proceso de formulación de supuestos “razonables” cobra lógica al instante de diseñar soluciones posibles para el problema planteado.

4. Uso de generalidades: Al analizar casos, se necesitan recomendaciones específicas y no generales. Una sugerencia de bajar el precio es una generalidad, sin embargo, una sugerencia de bajar el precio en un 15% bajo el promedio de mercado es específica.

5. Reducida visión de análisis: Aunque a menudo se etiquetan los casos como un tipo específico quepresentaunproblemaúnicodeltipo“fijacióndeprecios”o“mixdeproductos”o“canales de distribución”, etc. en ningún caso esto significa que se deba ignorar las otras variables de marketing por cuanto éstas podrían estar igualmente comprometidas en el núcleo del problema.

6. Realismo: Extremo cuidado se debe tener en la proposición de soluciones reales para una compañía. Por ejemplo, sugerir invertir altos montos de recursos en publicidad a una firma con estrecha rentabilidad y falta de liquidez puede no ser del todo razonable.

7. Investigar el mercado: Siempre será mejor tener más y mejor calidad de información para decidir. En este sentido plantear la idea de que, “hay que investigar el mercado” sin duda puede ayudar, sin embargo, es bueno recordar que dicho proceso puede suponer costos relevantes que deben ser administrados con precaución. La recomendación general es no perder de vista la relación de costo vs. beneficio como en cualquier proceso de asignación de recursos.

8. Repetición del material del caso: Muy frecuente es el hecho de que los analistas insistan en reproducir la información que ya está disponible al momento de plantear soluciones. Lo anterior se torna innecesario, por cuanto el instructor y los otros analistas están de sobra familiarizados con el material y contenidos del caso.

9. Anticipación de conclusiones: En el análisis de un caso, el analista puede definir a priori, su propia estrategia, sin embargo, es recomendable efectuar al menos una segunda lectura del caso con el fin de identificar la información que realmente es relevante y puede aportar para su análisis.

10. Aprendizaje: Finalmente debo señalar, que el proceso de aprendizaje para transformarse en un experto en resolución de casos de marketing, más aún, con vinculación al campo de la Inteligencia Artificial, no es distinto al proceso de aprendizaje que debe experimentar un novato en cualquier otro campo de estudio. Lo anterior supone trabajar con cierta disciplina, constancia y por sobre todo con entusiasmo.

Lienzo de trabajo del modelo Mkt-AI-Canvas©:

Referencias:

Liberman, S. (2011). “Marketing estratégico, casos latinoamericanos”. Santiago: Ed. LCA.

Liberman, S. (2015). “Marketing Metrics and Frameworks”, Santiago: Ediciones Fins Terrae, Liberman, S. (2020). “Machine Learning Aplicado a Negocios, Ciencia y Tecnología”. Columbia, WiC-Ediciones Digitales