Toma de Decisiones Estratégicas Basadas en Datos para Negocios

Tomar decisiones informadas en un caso de negocio requiere mucho más que mirar datos aislados. Se trata de adoptar una perspectiva estratégica y global, donde cada variable se analiza en función de su impacto real sobre la personalización y la rentabilidad. A lo largo de este recorrido se abordan los puntos clave para construir un algoritmo de Next Best Action (NBA), evaluar su viabilidad y lanzar un producto mínimo viable sin comprometer la reputación ni la privacidad de los clientes.

¿Por qué pensar en nuevos datos y no quedarse con el promedio?

Uno de los errores más comunes es sesgar las decisiones hacia datos promedio: edad promedio, género mayoritario o comportamientos generalizados. El objetivo real es construir un algoritmo personalizado para cada cliente, no uno basado en promedios [0:22]. Cuando se piensa en nuevos datos, hay que imaginar qué información podría recolectar la organización y hasta dónde puede profundizar. En el caso de un banco, por ejemplo, se pueden incorporar variables como:

• Número de hijos del cliente.
• Nivel de estudios alcanzado.
• Ubicación de residencia.

Toda esta información enriquece las recomendaciones de productos y permite ofrecer soluciones que realmente se ajusten a cada perfil [1:02].

¿Qué KPI medir para validar el algoritmo NBA?

Un KPI o indicador clave de rendimiento muy relevante es la cantidad de productos que compra un usuario ya expuesto al algoritmo de NBA. Se busca verificar si el cliente está comprando más, si diversifica su portafolio de productos y si estos difieren de los que adquiría antes [1:22]. Otro indicador valioso es monitorear si disminuyen las bajas en las newsletters, lo cual refleja que la comunicación es más pertinente.

¿Cuándo elegir NBA con inteligencia artificial?

Cuando la organización cuenta con un presupuesto elevado y recursos sólidos, la opción de NBA con inteligencia artificial resulta la más rentable. En el ejemplo analizado, un banco con ingresos de 100 millones de dólares al año puede destinar un millón al desarrollo del producto, con un retorno estimado de 15 millones anuales [2:05]. Esto se valida también con la metodología de valor esperado: NBA por reglas arroja un valor de 0,04 (0,08 × 0,50), mientras que NBA con inteligencia artificial alcanza 0,075 (0,15 × 0,50), confirmando una rentabilidad esperada superior [3:05].

¿Cómo debe construirse el producto mínimo viable?

El MVP (Minimum Viable Product) debe cumplir varias condiciones antes de salir al mercado [2:32]:

• Ausencia de sesgos: los sesgos pueden generar denuncias y destruir la reputación de la marca.
• Calidad de datos: aplica el principio garbage in, garbage out; datos incorrectos producen resultados incorrectos.
• Viabilidad técnica: comprobar que el algoritmo funcione correctamente.
• Canales de comunicación alineados: SMS, redes sociales, notificaciones push, newsletters y llamadas deben estar integrados a la estrategia NBA.
• Consentimiento del cliente: contar con autorización explícita para evitar problemas de privacidad y confidencialidad.

No se recomienda lanzar el MVP a toda la cartera de clientes. Lo ideal es comenzar de forma paulatina, por ejemplo con un 10 % de los usuarios [3:00].

Para sostener este proyecto se necesita un equipo completo: analistas, ingenieros, científicos de datos, expertos en marketing, en negocio y un equipo legal que respalde los formularios de consentimiento y las reglas de tratamiento de datos [3:55]. El liderazgo del proyecto debería recaer en el director de marketing, ya que el foco está en mejorar la comunicación, monitorear productos y medir el impacto en la satisfacción del cliente prácticamente en tiempo real [5:02].

¿Cómo asociar la satisfacción del cliente con una variable medible?

Mediante un gráfico de scatterplot se puede visualizar la correlación entre variables. La hipótesis planteada es que a mayor número de días como cliente del banco, mayor nivel de satisfacción [4:35]. Un cliente que permanece años dentro de la base es, con alta probabilidad, un cliente satisfecho.

¿Qué cambia cuando el algoritmo se aplica a familias?

Cuando NBA pasa de individuos a bloques familiares, los productos recomendados deben adaptarse [5:40]. Se distinguen dos tipos de familia:

• Familia horizontal: parejas a las que se les podrían ofrecer préstamos para viajes.
• Familia vertical descendente: familias con hijos, donde un préstamo para estudios resulta pertinente.
• Familia vertical ascendente: familias que conviven con los padres, donde un seguro de vida cobra mayor sentido.

Conocer la edad y composición de la unidad familiar permite pensar de manera mucho más estratégica en las recomendaciones [6:20].

En el segundo caso de negocio, llamado Sanamente, se aborda la diferencia entre causalidad y correlación [7:05]. Si una persona reduce su tiempo de socialización de doscientos a cincuenta minutos semanales, el efecto causal innegable es que tiene más tiempo personal. Sin embargo, la correlación sugiere que, en términos agregados, menos horas de socialización se asocian con menor satisfacción, porque ambas variables se mueven en la misma dirección [7:50].

Un punto crítico es anticipar potenciales casos de riesgo de suicidio antes de lanzar el producto [8:18]. La recomendación es crear alertas para el usuario y mostrarle opciones de asesoría psiquiátrica, sin traspasar la línea de notificar a familiares o contactos. Se trata de una acción estratégica que protege de forma integral la salud de los usuarios.

Con todos estos pasos —desde el planteamiento del caso, el desarrollo, la implementación, la medición y la evaluación— ya cuentas con las herramientas para implementar decisiones estratégicas con pensamiento crítico. ¿Qué otras variables o KPI agregarías a estos casos? Comparte tus ideas en los comentarios.