ESTADO DEL ARTE 14 ¿Qué técnicas de IA manejamos en la actualidad? Actualmente, la IA engloba una gran variedad de soluciones, y se puede de nir como un proceso diseñado para replicar operacio- nes que se consideran propias de la inteligencia humana. Machine learning, es una disciplina dentro de la IA que crea sistemas que aprenden automáticamente. Este término de machine learning ha ido evolucionando mucho, desde la capacidad de automatizar un conjunto de tareas repetitivas en base a unas características, hasta el día de hoy, en el que la propia máquina puede ser la que seleccione las características idóneas para automatizar una tarea ( gura 9). En un nivel por debajo, encontramos el deep learning como téc- nica concreta del machine learning, que permite el aprendizaje profundo mediante modelos informáticos similares a las redes neu- ronales del cerebro humano y que por tanto adquiere ese mismo nombre. Lo que hace esta técnica diferencial es que, a diferencia de otras técnicas de machine learning, los algoritmos desarrollados permiten que el ordenador aprenda a partir de los datos, por lo que es el propio algoritmo el que determina las reglas de comporta- miento en función de las conclusiones obtenidas sin la necesidad de establecer reglas de comportamiento que repliquen al ser humano ante situaciones concretas. La aplicación del deep learning permite interpretar lo que nos rodea a través del reconocimiento de imágenes o el análisis del lenguaje natural. Estas funcionalidades se conocen como servicios cognitivos y es la vertiente más enfocada a replicar las habilidades sensitivas de los seres humanos, lo cual las hace imprescindibles en el campo del Customer Experience. Las posibilidades de aplicación de esta tecnología cognitiva son muy extensas. La Asociación para el Desarrollo de la Experiencia de cliente identi ca que un 64% de las empresas tienen implantado un programa de voz (VoC) de cliente desde hace más de un año en el sector auto. Estos progra- mas están enfocados a escuchar al cliente, identi cando fortalezas y debilidades del servicio. Se busca obtener información de la expe- riencia que ha tenido el cliente en base a sus interacciones con la empresa a través de cualquiera de sus canales, como RRSS, emails, grabaciones de llamadas del Contact Center, vídeos de seguridad, etc. Los servicios cognitivos permitirían ampli car la e ciencia de estos programas en la medida que los datos no estructurados puedan ser analizados e interpretados por algoritmos de reconoci- miento de lenguaje o de reconocimiento de imágenes. Ante esta situación, el mercado de IA se encuentra en movimiento y los gigantes tecnológicos apuestan fuerte por estas tecnologías que pueden dar respuesta a las nuevas exigencias del cliente. Las empresas que lideran el desarrollo de estas tecnologías ofrecen todo tipo de soluciones de IA (chatbots, asistentes virtuales, algo- ritmos de machine learning...) y además, ofrecen la posibilidad de asociar otros productos como el CRM para ampli car la potencia de las soluciones en una estrategia conjunta y vinculada. ¿Cómo pueden ayudar las técnicas de machine learning a la experiencia de cliente? Dentro de todas las áreas de una empresa, la anticipación de deter- minados escenarios futuros puede ser muy enriquecedora para la toma de decisiones; pero en el caso del trato con el cliente, los modelos predictivos permiten adelantarse a los acontecimientos y poder generar una relación de con anza con los clientes, personali- zando las interacciones con ellos y anticipándose a sus necesidades. Los casos de uso de predictive analytics son utilizados cada vez con más frecuencia, tanto desde el sector privado como público. Analizando las fases del ciclo de vida del cliente, se pueden encon- trar diversas soluciones de aplicación directa para cada área, no siendo éstas excluyentes entre sí. Si nos jamos en el proceso de venta, los modelos de recomendación de productos adicionales (cross-selling) o los modelos predictivos de demanda son solucio- nes muy utilizadas entre las empresas internacionales y españolas. Es el caso de la plataforma e commerce ‘JJ Food Service’, que utiliza machine learning para anticipar el contenido de los pedidos online y telefónicos de los clientes. De esta manera, se reduce el tiempo de compra del cliente gracias a la predicción de lo que necesitan en cada momento. Esta solución también aprovecha para impulsar el cross-selling, puesto que los clientes no ven tan solo una lista de compra predictiva, sino también recomendaciones o sugerencias para añadir a su pedido, que se estima representan el 5% del carrito de la compra. El sistema revisa el pedido justo antes de pagar para ver si la combinación de artículos indica una posible necesidad de otros productos. Por otro lado, si nos járamos en el último eslabón de la cadena de relación con el cliente, la delización, resaltarían otros casos de uso como el Customer Lifetime Value, que tiene como n establecer un valor para cada uno los clientes a lo largo de su relación con nues- tra marca, y plani car una ‘siguiente mejor acción’ (NBA) para cada cliente, en función de su situación contextual particular y de las estrategias de crecimiento de valor de nidas. Prácticamente todos los casos de uso que aplican al cliente y que están dentro del ciclo de vida del mismo, tienen algo en común y es que parten de los datos que nos permiten conocer y diferenciar Figura 9. Evolución del Machine Learning.