Uno de los pilares de la Experiencia del Cliente, y quizás el más importante, es la gestión del recorrido (journey management), es decir, la capacidad de garantizar al cliente una experiencia no fragmentada; un “viaje” coherente, fluido e hiperpersonalizado a través de los distintos puntos de contacto. En este contexto, se necesita una estrategia que analice los datos en tiempo real, proporcione insights accionables e indique con precisión dónde intervenir. En los últimos años, las empresas italianas han desarrollado una sensibilidad creciente hacia este tema: una investigación del Observatorio Omnichannel de Experiencia del Cliente del Politécnico de Milán muestra, de hecho, cómo el uso del CRM – Customer Relationship Management, para recopilar datos del consumidor, ha pasado del 69% en 2023 al 83% en 2024. Al mismo tiempo, sin embargo, tecnologías avanzadas como el Data Lake han tenido un crecimiento modesto, pasando del 33% al 38%.
Hoy, es necesario dar un salto de calidad: una estrategia eficaz para el Omnichannel requiere un enfoque sistémico: recopilación de datos estructurados y no estructurados; análisis predictivos; y, finalmente, el uso del aprendizaje automático.
De hecho, para mantenerse al nivel de las expectativas de los consumidores, las empresas deben invertir en tecnologías avanzadas. Esto es especialmente importante porque, mientras la calidad de la Experiencia del Cliente tiende a mantenerse estable, el llamado “efecto Amazon” tiende a influir negativamente en su percepción.
Esta tendencia está documentada por Forrester, que señala cómo el Índice de Experiencia del Cliente ha disminuido del 72% en 2021 al 69% en 2024.
Experiencia Omnichannel: errores que se deben evitar
Entre las causas del problema puede estar la falta de plena conciencia sobre la diferencia entre multicanalidad y omnicanalidad. Mientras que la multiplicidad de canales (multicanalidad) para llegar a los clientes es ya una realidad consolidada (con la presencia, por ejemplo, de tiendas físicas, sitios de eCommerce, asistentes virtuales, etc.), la experiencia que vive el cliente al pasar de un punto de contacto a otro no está suficientemente gestionada. Sin embargo, precisamente la capacidad de escuchar al cliente es una de las claves para garantizar una buena Experiencia del Cliente, como lo documenta la investigación de Customer Think. La escucha es, por ejemplo, la estrategia de éxito de Pandora: escuchar a los clientes, personalizar la experiencia e implementar una verdadera estrategia Omnichannel.
Experiencia Omnichannel: la paradoja de los datos
Pero ¿qué se necesita realmente para optimizar la Experiencia del Cliente y definir una estrategia Omnichannel? La respuesta está en los datos: se requieren datos de primera mano, en streaming, como lo documenta Navy Federal Credit Union. Pero no solo eso: la enorme cantidad de datos en tiempo real debe combinarse, en muchos casos, con otras fuentes (archivos históricos, datos de redes sociales, datos de puntos de venta, información de producción o de la cadena de suministro, etc.). Esto conduce a la paradoja de la información: cuanto más aumentan las fuentes disponibles, mayor es el riesgo de no comprender la situación actual. Las empresas se enfrentan, de hecho, a la crítica situación del desbordamiento de datos, que amenaza con invalidar tanto los análisis sobre la Experiencia del Cliente como la implementación de estrategias Omnichannel. Estas dos fuerzas opuestas deben encontrar un punto de equilibrio. Es necesario definir una estrategia de gestión de datos con objetivos claros y tecnologías habilitadoras, que proteja a la empresa del llamado Information Overload Paradox.
Una estrategia de datos eficaz
¿Cuánta y qué tipo de información se necesita para tomar decisiones informadas? ¿Con qué nivel de detalle? De estas preguntas dependen las decisiones sobre tecnologías y organización para la recopilación de datos. El punto de partida, imprescindible, es la construcción de un Data Lake, o mejor aún, de un moderno Data Lakehouse. La información se organiza en una arquitectura de tres niveles (Medallion Architecture), para la adquisición, limpieza y finalización de los datos. Entre las tecnologías de referencia se encuentran, por ejemplo, AWS S3, Azure Data Lake Storage, Apache Spark, Apache Delta Lake y Apache Hudi. Sobre esta base, se construyen los mecanismos que permiten encontrar el mejor compromiso entre la información que se debe recopilar y las decisiones que se deben tomar:
-
Triage de datos basado en Inteligencia Artificial. Las herramientas de Inteligencia Artificial presentes en las plataformas Data Lakehouse pueden actuar como filtros e identificar la información relevante para la toma de decisiones, descartando aquella que genera entropía: solo la información más significativa llega a los responsables de la toma de decisiones, con un ahorro de tiempo (y recursos) necesarios para la organización y el análisis de los datos.
-
Dashboards adaptativas. Son paneles diseñados ad hoc para los directivos, concebidos según el tipo y el nivel de decisión que se debe tomar. Esto implica un mapeo previo de los papeles dentro de la organización y del nivel de detalle necesario para cada uno. Ante una misma iniciativa empresarial o área geográfica, por ejemplo, el CEO podría estar interesado en la facturación, el margen de beneficio o el rendimiento de las unidades de negocio, mientras que el departamento de Marketing se enfocaría en el ROI de una campaña publicitaria o en el engagement en redes sociales.
-
Métricas compuestas. Combinan múltiples fuentes de datos para generar un único indicador sintético. El resultado es una visión más completa, sin sobrecarga de información (el llamado “paradigma de la sobreinformación”). Sin embargo, la definición de métricas compuestas requiere identificar las áreas clave del negocio, determinar las fuentes de datos relevantes y desarrollar métodos o modelos para perfeccionar cada métrica. Una métrica compuesta relacionada con el bienestar del cliente podría ser, por ejemplo, la combinación del historial de compras, la frecuencia de contacto con el servicio de atención al cliente y el sentimiento detectado en redes sociales.
-
Síntesis automáticas. El aprendizaje automático y el NLP – Natural Language Processing permiten generar textos de síntesis, fáciles de comprender, a partir de grandes volúmenes de información: resúmenes textuales de informes, síntesis visuales de datos numéricos, con resaltado de desviaciones significativas, etc. El tiempo de lectura y la consiguiente toma de decisiones pueden reducirse considerablemente.
Como se ha visto en los casos de Pandora y Navy Federal Credit Union ya mencionados, una estrategia de datos óptima, respaldada por tecnologías avanzadas de aprendizaje automático, permite implementar un enfoque Omnichannel en los servicios al cliente. En otras palabras, permite a los responsables del negocio tomar decisiones informadas y oportunas, basadas en datos reales del customer journey.
Y esto es cada vez más importante, ya que la experiencia, cuanto más personalizada, lo es todo.
Una investigación del Observatorio Omnichannel de Experiencia del Cliente del Politécnico de Milán, relativa a la experiencia vivida por el consumidor, muestra un dato contundente: el 57 % de los consumidores que tienen una experiencia negativa no volverán a comprar esa marca. Pero no solo eso: el 38 % lo comenta con amigos y familiares, y el 30 % escribe una reseña negativa. Los datos, por tanto, son claros: el cuidado de la Experiencia del Cliente y una estrategia Omnichannel son un imperativo. Las empresas deben realizar inversiones estratégicas y dotarse de una infraestructura tecnológica para la gestión de datos, que respalde una gestión óptima del journey management.
