Con los datos se miente y mucho. Vivimos en una era de mucha manipulación de datos mal utilizados. Pero algunos datos bien usados, algunos insights, pueden cambiar un negocio o hasta la vida. Va un ejemplo: Entre 80% y 90% de los fumadores nunca van a tener cáncer de pulmón. Pero... Entre 80% y 90% de las personas que tienen cáncer de pulmón son fumadores. Mismos datos, distintos insights, distinta conclusión… La mayor preocupación de los últimos años para las empresas argentinas es cómo aumentar la rentabilidad en un mercado que está en transformación por las reglas de juego, condiciones macroeconómicas, cambios tecnológicos y de hábitos de consumo. ¿Cómo enfrentan las empresas ese problema? Generalmente con el instinto y la agudeza para los negocios de los líderes. Pero pocas veces se logra aprovechar a tiempo la información clave que se esconde en sus propios datos. Muchos porque no los tienen. Otros, paradójicamente, porque tienen demasiados. Y todos, porque encontrar la magia en los datos no es una habilidad innata: no todos saben, quieren o tienen el tiempo para hacer ese análisis. Lo interesante es que cuando aparece la inteligencia artificial bien aplicada como herramienta analítica lo que cambia no es solo la eficiencia sino también muchas veces la lógica del negocio. Como en el ejemplo de los fumadores. Y ahí aparecen verdades incómodas. En general, las compañías operan con supuestos bastante intuitivos: • Si bajás precios, vendés más. • Si un vendedor vende poco, es malo. • Si un cliente no es premium, no vale tanto. • Si querés mejorar rentabilidad, tenés que recortar costos (muchas veces, gente). La inteligencia artificial permite medir más detalladamente esos supuestos y verificar si realmente son ciertos dentro de un caso concreto. Y cuando los validás con datos reales, a veces se caen bastante rápido. Algunos ejemplos: 1. Bancos: los clientes “mal clasificados” Los bancos tienen una obsesión: crecer en clientes premium. Más tarjetas black, más margen, más rentabilidad. Pero hay un punto ciego. Una persona que es un cliente premium en un banco, muy frecuentemente es un cliente del segmento masivo en otro banco. Y los bancos, en su gran mayoría, tratan a los clientes por el margen que les dejan y no por el margen que les podrían dejar. Caso concreto: un cliente deposita un sueldo en un banco A y es tratado como básico porque los ingresos que deposita ahí son bajos. Recibe promociones para ingresos bajos acordes a esa categoría. Pero ese mismo cliente tiene un emprendimiento muy rentable y todas sus finanzas personales las maneja en otro banco B con comportamiento premium. Si el banco A lo trata siempre como básico, nunca va a escalar ni va a adquirir paquetes más altos. Con modelos de inteligencia artificial cruzando datos internos con información del Banco Central, se detectó algo clave: por cada cliente premium, el banco tenía en su lista de clientes activos 2 más que eran de bajo valor en el banco pero eran premium en otros. Ahí cambió todo: • Se identificó un grupo chico pero muy valioso. • Se les ofreció tarjeta Black por un año, con ciertas condiciones. • Se armó un equipo específico para tratarlos bien y captar sus necesidades. La inteligencia artificial sirvió para aumentar rentabilidad sin despidos y sin recortes. Solo aplicando mejor segmentación. 2. Retail: los vendedores “mal evaluados” Una cadena de ropa tenía otro problema clásico: caída de márgenes y presión por precios. Para aumentar las ventas estaban convencidos que si podían convertir a los vendedores promedio en mejores vendedores podrían hacer una gran diferencia. Ellos sabían que había algunos que “tomaban pedidos” y otros que generaban ventas extra; pero no sabían cuál era cuál. Sabían que algunos facturaban más que otros, pero no estaba claro si era por capacidad propia, porque trabajaban más horas o porque estaban en sucursales más fáciles. Hasta ese momento, la empresa evaluaba a los vendedores por facturación y capacitaban muy intensamente para promover el up y cross-sell (que cuando compraste una zapatilla te vendan la media, por ejemplo). Pero estaban reconociendo bien a los mejores vendedores? Era el upsell/cross sell el diferenciador entre los distintos “niveles de vendedor”? La IA nos permitió mirar las cosas por lo que son: Se descontó el efecto del local para analizar mejor; no es lo mismo vender en un shopping top que un lunes en un local flojo. Se ajustó por día, promociones y tráfico. Se midió productividad real: ventas por hora y capacidad de convertir gente que solo miraba. El Resultado no era lo esperado: Entre los mejores vendedores y los vendedores “promedio” no había ninguna diferencia en items por ticket (up/cross sell) ni en ticket promedio. La diferencia principal, y muy marcademente, era la cantidad de pedidos por hora que lograban hacer. Los mejores vendedores no eran los que más ítems metían: eran los que convertían mejor. El análisis completo de las ventas además permitió detectar otro problema: los vendedores estaban mal distribuidos. Había vendedores muy buenos en locales difíciles, desaprovechados. Otros buenos estaban en locales fáciles, inflando números. Reordenando equipos, el mejor vendedor pasó a vender el doble que el promedio. Después vino la otra pregunta clave: ¿Cuántos vendedores tiene que haber en cada local? Si hay pocos vendedores en un local, no dan abasto. Y si pones 7 vendedores en un local chico, se achanchan. Con modelos predictivos se detectaron desbalances concretos (ejemplo: 15 vendedores donde el óptimo era 11). El impacto: mejora de margen entre 8% y 16% según el local. Sin echar gente. Solo asignándola mejor. Una empresa de reventas de productos vivía ajustando precios y promociones todo el tiempo. Subían y bajaban según la demanda… o lo que creían que era la demanda. El supuesto clásico: si bajás el precio, aumenta el volumen. La realidad fue otra. Por el tipo de productos que vendían, el 97% de los usuarios no cambiaba su comportamiento aunque bajaras el precio. ¿Por qué? Porque la gente no está comparando cinco apps al mismo tiempo. Compra donde ya está. Solo el 3% cambiaba según precio. A partir de los datos, llegamos a una conclusión operativa: • No es necesario regalar margen a todos. • Conviene segmentar los descuentos. • Hay que ajustar precios solo donde impacta. El resultado fue directo: aumento de facturación del 9%. Y otro aprendizaje contraintuitivo: Cuando se hacen promociones, a veces se vende menos. Al segmentar es posible ver cuáles valen la pena y cuáles no. Los datos siempre estuvieron. En la mayoría de los casos, se debería tener a un equipo completo de personas especializadas analizando uno por uno los ítems que se quiere relevar. La inteligencia artificial acelera el proceso. Y le permite a cada compañía tener acceso completo a sus datos y analizarlos en segundos. La IA permite ver “más allá de lo evidente” y detectar insights a los que hasta ahora no se podía llegar. Por supuesto, para eso hay que hacer las preguntas correctas.