“La analítica está en constante evolución. A medida que los conjuntos de datos se hacen más grandes y complejos, solo la Inteligencia Artificial (IA), las vistas materializadas y los lenguajes de codificación más sofisticados podrán extraer información de ellos. En Next-Level Moves, nos adentramos en las formas en que la analítica avanzada está allanando el camino para la próxima oleada de innovación”.
La historia contada por su principal protagonista
Mark Hopkins, CIO de Skullcandy, nos expone en este post el camino recorrido por Skullcandy en su estrategia de análisis predictivo y de sentimiento, y cómo este proceso está permitiendo a Skullcandy avanzar en sus decisiones y su orientación a los datos.
El camino de Skullcandy hacia la analítica avanzada comenzó cuando nuestro equipo de desarrollo de productos se atrevió a plantearse tres grandes preguntas:
Cómo podemos anticipar las barreras y los errores de diseño
¿Y si pudiéramos predecir, en etapas tempranas de diseño, las posibles tasas de devolución de los nuevos productos antes de su lanzamiento?
Cómo podemos escuchar de forma activa al cliente (VoC)
¿Qué pasaría si pudiéramos utilizar información en base a las opiniones y reclamaciones de garantía para comprender los factores impulsores (positivos), los factores inhibidores (negativos) y el sentimiento general para mejorar las decisiones de diseño de nuevos productos?
Cómo podemos mejorar la eficiencia y la experiencia del cliente
¿Y si pudiéramos utilizar estos datos para concentrar nuestros recursos y ofrecer mejores productos?
A menudo comparo esos primeros días del lanzamiento de nuevos productos con un niño que se sitúa en el borde de una pista de skate y se prepara para lanzarse por primera vez. Sabe que no va a ser un camino de rosas, pero en algún momento hay que lanzarse y empezar. Sabíamos que nuestro viaje con el análisis predictivo y el análisis de sentimiento iba a ser una progresión gradual que, con el tiempo, nos ayudaría a comprender y atender mejor a nuestros clientes. Sabíamos que acabaríamos con algunos golpes y magulladuras, pero para ganar ventaja teníamos que dar ese primer salto de fe.
Somos clientes de Sisense desde hace mucho tiempo, y sabíamos que teníamos entre manos una plataforma analítica abierta que sería la columna vertebral de esta próxima frontera analítica para Skullcandy.
He aquí cómo comenzamos a responder a las preguntas que nuestro equipo de producto de Skullcandy se atrevió a plantear.
Predecir las tasas de devolución de nuevos productos
La primera pieza del rompecabezas era intentar visualizar el futuro, así que recurrimos a BigSquid junto con Sisense para que nos ayudaran con el trabajo pesado. Lo que más nos interesaba era averiguar si era posible predecir la tasa de devolución de un nuevo producto basándonos en las tasas de devolución históricas de productos con características similares.
Si una compañía carece de un equipo de ciencia de datos, la integración de BigSquid con su herramienta de BI de plataforma abierta es una poderosa manera de lograr la potencia de la ciencia de datos, manteniendo la facilidad de uso que el usuario medio de negocios requiere. Alimentamos Kraken (el motor de análisis predictivo de BigSquid) con información sobre costes históricos de garantía, reclamaciones, previsiones, atributos históricos de los productos y atributos de los nuevos productos en la hoja de ruta. A continuación, ejecutamos el motor de aprendizaje automático y modelado predictivo de Kraken para obtener los resultados.
Tras unos cuantos intentos fallidos y un gran aprendizaje iterativo con el equipo de BigSquid, obtuvimos un sólido modelo de datos predictivo de los costes de garantía para periodos futuros. Ese resultado predictivo se introdujo en Sisense para que pudiéramos profundizar, explorar y utilizar estas predicciones para tomar decisiones basadas en datos, plantear nuevas preguntas y comprender nuestros factores de coste. Para nuestro equipo de desarrollo de productos, este tipo de información es una mina de oro para explorar oportunidades de influir en los costes de garantía de nuevos productos antes incluso de que salgan al mercado.
Guiando el desarrollo de nuevos productos
Con nuestros modelos de datos predictivos diciéndonos lo que podría ocurrir en el futuro con nuestros productos, nuestro siguiente paso fue utilizar modelos de análisis de sentimiento para conocer lo que los clientes están diciendo y sintiendo en este momento. Una vez más, con nuestro BI alojado en Sisense, podíamos integrar nuestros datos de texto y sentimiento utilizando algunas técnicas diferentes. Nuestros socios de BigSquid sugirieron utilizar Python y sus bibliotecas de procesamiento de lenguaje natural para comprender de qué hablan los clientes, y Sisense nos ayudó a utilizar AWS Comprehend para comprender qué opinan nuestros clientes sobre nuestros productos.
Con esta infraestructura tecnológica de datos integrada, pudimos introducir textos de reseñas de clientes y reclamaciones de garantía para que lo procesara un motor Python NLP con el fin de extraer temas clave. También podíamos introducir los mismos datos en Amazon Comprehend para medir el sentimiento detrás de los temas y qué productos estaban más asociados con determinados sentimientos. Por último, podíamos volver a cargar este sólido análisis de sentimiento en Sisense, convirtiendo lo que antes era un ejercicio de “buscar una aguja en un pajar” en una experiencia de datos muy atractiva que proporcionaba análisis muy específicos para nuestros usuarios de negocio.
Mientras que antes teníamos que examinar datos dispares y aislados, ahora podemos correlacionar el flujo de opiniones negativas con las reseñas que mencionan un defecto en el lado izquierdo de unos auriculares. Y podemos ir un paso más allá para poner un valor (en dólares) a ese sentimiento negativo, conectando esas opiniones negativas sobre un producto con las reclamaciones de garantía del mismo producto. Nuestros diseñadores e ingenieros podrían prestar más atención al diseño e ingeniería similares antes de lanzarlos al mercado. Y pudimos visualizar fácilmente cómo una corrección podría afectar a nuestra previsión de reclamaciones de garantía. Experiencia de datos en un círculo completo: ¡conseguida!.
Llevando el análisis al siguiente nivel
Si estás considerando una inversión similar en la estrategia de datos de tu empresa, hay algunas lecciones que hemos aprendido en el camino:
Es necesario estar abierto a los falsos comienzos con el modelado de datos
Como en cualquier otro proyecto de datos, no estará claro al instante cómo debe ser tu modelo de datos. E incorporar los modelos predictivos a la combinación significa que estás conectando puntos de datos del pasado, del presente y del “futuro” para construir un modelo que proporcione información procesable. Será iterativo, por tanto, hay que ser paciente.
Haz que los datos sean fáciles de añadir y modificar
Para nuestro equipo de datos en Skullcandy, eso significaba utilizar una vista fácil de manipular en SQL como nuestra principal fuente de datos. Esto permitió a nuestro equipo cambiar fácilmente el código y modificar la vista a medida que continuábamos construyendo e iterando.
Puede que no te guste lo que veas
Es divertido explorar los factores impulsores y perderse en las críticas positivas. Una de las sorpresas que nuestro motor de PNL identificó en las reseñas de un producto fue el predominio de la frase “para mi hijo”. Fue divertido pensar por qué podía ser así. Pero también nos topamos con críticas muy duras. No tan divertidas de leer, pero cuando inviertes en análisis avanzados, a veces eso es exactamente lo que buscas. Tu objetivo es identificar lo que no funciona para tus clientes, de modo que los futuros productos puedan ofrecerles lo que quieren y necesitan.
En Skullcandy, nos complace compartir que “entrar de lleno” en el reto del análisis predictivo y de sentimiento merecieron la pena todas las incertidumbres iniciales. Hemos respondido a algunas de nuestras preguntas más acuciantes, hemos obtenido nuevas perspectivas que no habíamos considerado en un principio y este proyecto nos ha ayudado a demostrar, de forma concreta a la empresa, lo que se puede conseguir con el análisis avanzado. Como resultado, hemos progresado y seguimos firmes en nuestro camino como empresa basada en datos.
¿Listo para dar el salto a esta nueva generación de inteligencia empresarial? Hablemos, te mostraremos cómo es posible hacerlo realidad viendo Sisense en acción.
Sobre el autor
Mark Hopkins es el CIO de Skullcandy, y dirige los equipos globales de TI, Digital y Atención al Cliente. Durante su mandato, Mark ha dirigido la transformación digital de Skullcandy y su equipo ha conseguido aumentar los ingresos y la presencia en los ecosistemas digitales, ha evolucionado hasta convertirse en una organización de atención al cliente de primera clase y ha hecho posible el crecimiento con soluciones de sistemas innovadores. El equipo de Mark se adapta constantemente a los retos de un negocio en rápida evolución y los afronta utilizando tecnologías en la nube, análisis en tiempo real, almacenamiento de datos y virtualización.
Written by Sisense Team, Abril 25, 2023
Translation by Parapentex Studios, 2025