Las investigaciones dan cuenta de la profunda transformación que sufre el márketing en los negocios, la cual se fundamenta en diversos factores, entre los que se destacan la exacerbación de la competencia empresarial y el surgimiento de nuevas tecnologías que conllevan al desarrollo de procesos de transformación digital provenientes de la digitalización misma de la sociedad (Malchyk et al., 2022). Todo esto no solo transforma el proceso y permite la adopción de estas nuevas tecnologías, como la inteligencia artificial, sino que estas, a su vez, parecen propiciar un rediseño en la estructura misma de las organizaciones dedicadas a esta actividad (Wamba-Taguimdje et al., 2020).

Se evidencia la existencia de dos elementos claves sobre los cuales gira esta transformación: por una parte, el cliente y, por otra, la eficiencia en los procesos. Esta última claramente puede enmarcarse en lo que se conoce como el proceso de mejora continua, tan popular en el ámbito de la ingeniería. Esta búsqueda de la eficiencia propicia, entonces, la simplificación y la aceleración de los procesos en aseguradoras (Eckert et al., 2022), el aumento en la eficacia de los canales de distribución gracias a la implementación de mediciones que contrastan la inversión con los beneficios producidos (Kulkov, 2021), el ahorro de tiempo en las actividades propias del márketing, el aumento en las capacidades de toma de decisiones en el tejido empresarial (Palanivelu & Vasanthi, 2020; Nuccio & Bertacchini, 2022) y, finalmente, claridad en torno a la eficiencia de la inversión publicitaria a través de su medición (Doanh et al. 2023).

Ahora bien, la eficiencia se solapa con el que es el elemento principal sobre el cual gira esta transformación: el cliente. Las investigaciones que lo sostienen son abundantes y, a su vez, pueden catalogarse en dos grandes áreas: por una parte, aquellas centradas en comprender el comportamiento del consumidor y, por otra, aquellas focalizadas en desarrollar nuevos mecanismos para sorprenderlo.

Algunos de los estudios centrados en el comportamiento del cliente, utilizan técnicas tradicionales como encuestas, entrevistas o grupos focales. Sin embargo, la analítica de datos y el big data ganan terreno entre investigadores académicos y, especialmente, en la industria misma, gracias al aumento de las capacidades de las nuevas tecnologías que las soportan (Nasiopoulos et al. 2015) pues permiten estudiar, entre otros tópicos, huellas digitales (Dremel et al., 2020) y cestas de compra (Almaslamani et al., 2020).

Entre los estudios que centran la mirada en el comportamiento del consumidor, destaca el de Nesterenko et al. (2023), que describe con claridad como el márketing se ha venido transformando para adaptarse a estos cambios, los cuales provocan una notable disminución de la efectividad de los enfoques tradicionales masivos. Por ejemplo, su pesquisa determina que los consumidores entre 18 y 34 años son notablemente sensibles a la publicidad en línea y al márketing directo, mientras presentan cierta apatía a los mensajes en vallas o promociones en el punto de compra. Aunque estos dos últimos medios funcionan relativamente bien para los consumidores mayores, el trabajo recalca que las vallas pierden cada vez más importancia y efectividad en el márketing. Por otra parte, constata que las campañas en redes sociales son especialmente efectivas y populares, porque pueden segmentar fácilmente diversos públicos, y la interacción, hoy en día, es muy bien recibida por usuarios y empresas.

Por otra parte, cada vez es más común acudir al análisis de los datos arrojados por artículos conectados través del internet de las cosas –IoT–. Así, por ejemplo, el estudio de Dremel et al. (2020) describe cómo las mayores empresas automotrices del mundo están acudiendo a rastrear en tiempo real los datos ofrecidos por los vehículos, lo cual posibilita ofrecerle al usuario mantenimientos preventivos o mejoras en su vehículo.

En definitiva, los ejercicios de segmentación de clientes, la predicción de sus comportamientos y el desarrollo de pronósticos de mercado resultan ser elementos notablemente atractivos del uso de la analítica de datos y la inteligencia artificial en el márketing, adicionales a los que se enmarcarían en el proceso de mejora continua. Por todo esto, abundan los artículos donde los investigadores proponen, evalúan y contrastan nuevas metodologías para hacer estas segmentaciones y predicciones, especialmente en las revistas académicas de las áreas tecnológicas. Los trabajos de Fernández-Rovira et al. (2021) y Kulkov (2021), abordan los pronósticos de mercado e, incluso Kulkov (2021) descubre que en las empresas farmacéuticas europeas esta es la función más demanda para las herramientas de inteligencia artificial por arte de los CEO de estas compañías.

Tal y como se afirmó líneas arriba, el esfuerzo académico y empresarial para comprender el comportamiento del cliente o consumidor, se complementa con el que busca desarrollar nuevos mecanismos para sorprenderlo. Encontramos iniciativas de varios tipos, pero destacan las enmarcadas en el CRM, tal y como puede apreciarse en los trabajos de Dremel et al. (2020), Verma et al. (2021), Almaslamani et al. (2020), Hu y Basiglio (2023) o Nuccio y Bertacchini (2022), por solo citar unos pocos ejemplos.

La investigación de Manser et al. (2021) se centra en las plataformas automatizadas con que los usuarios de bancos pueden acceder a sus servicios. En su estudio se destaca que los consumidores abordados valoran más que la interacción se haga con seres humanos que con dispositivos electrónicos sustentados en la inteligencia artificial. Sin embargo, en el sector de la moda, la investigación de Silva y Bonetti (2021) llegó a la conclusión de que existe cierta propensión de las personas a interactuar con avatares o seres humanos digitales, siempre y cuando estos tengan un aspecto realista. Así mismo, se descubrió que la forma de interacción preferida es a través de la voz y, contrario a lo que podría esperarse, la propensión a esta interacción está más influida por la región geográfica en donde se instala el consumidor que por la edad.

Las iniciativas para hacer que las interfases o dispositivos sustentados por inteligencia artificial sean más accesibles a los consumidores son relativamente abundantes. Por ejemplo, Lee y Li (2023), en su estudio sobre los chatbots, exploraron cuáles son las interfaces que permiten una mejor interacción con los clientes y que, a la larga, mejoran la lealtad de estos con la marca. Los descubrimientos de Verma et al. (2021) coinciden con los avances de Lee y Li (2023), pues sostienen que los avances en el procesamiento del lenguaje natural a través de la IA mejoran la experiencia con el cliente.

En un sentido similar, Caruelle et al. (2022), indagan en la computación afectiva y retratan los avances que se hacen con la IA, la cual cada vez puede comprender mejor las emociones humanas. Así las cosas, con un adecuado entrenamiento estos pueden ser más efectivos a la hora de establecer una relación con los consumidores y también como apoyo al personal de atención al cliente.

Finalmente, en cuanto al uso de la analítica de datos y de las herramientas de inteligencia artificial centradas en fortalecer la relación con los clientes, cabe destacar la posibilidad de desarrollar nuevos productos (Medhat & Bayomy, 2023) y personalizar la pauta publicitaria. Por una parte, Nuccio y Bertacchini (2022) sostienen que la analítica está transformando el negocio en el ámbito cultural, pues esta propicia nuevas acciones como la creación de membresías, la fidelización de clientes o el envío de publicidad digital, donde esto último se hace de manera cada vez más personalizada (Doanh et al., 2023).

Por su parte, Chintalapati y Pandey (2022) sostienen que el análisis de sentimientos gana cada vez más interés en el ámbito del marketing digital, pues ello permite, a su vez, comprender cómo construir fuertes vínculos emocionales entre personas y máquinas.

Ahora bien, si bien es notable el avance de estas herramientas, existen fuertes barreras para su implementación masiva y con éxito en el ámbito empresarial. Por ello, diversas investigaciones sobre el tema fijan su mirada en grandes empresas o sectores industriales ya consolidados como, por ejemplo, los trabajos de Hu y Basiglio (2023) y el de Al-Shawakfa y Alsghaier (2018), que estudian, por una parte, el impacto de la analítica de datos en el sector automotriz y por otra, el impacto de las campañas publicitarias en redes sociales desarrolladas por Southwest, Ford Motors y Pepsi, a través de la analítica de datos.

Sin embargo, cuando se indaga por este asunto en empresas pequeñas, se evidencian dificultades de diversos tipos, aunque se destaca la falta de recursos como sugieren Dam et al. (2019) y Eckert et al. (2022). En el sector farmacéutico, Kulkov (2021) llega a la conclusión de que las empresas pequeñas corren mayores riesgos en el momento en que involucran la inteligencia artificial en los procesos de innovación, que incluyen las áreas de márketing.

Los trabajos de Xie y He (2022) y de Chamboko-Mpotaringa y Tichaawa (2021) centran su mirada en el ámbito del turismo realizado por pequeñas empresas. Ambas investigaciones llegan a conclusiones similares en cuanto a este tema, aunque los primeros advierten que cuando existe apoyo gubernamental, la adopción de estas nuevas tecnologías se usa casi exclusivamente para recopilar datos de los clientes, mas no para desarrollar estrategias de márketing. Por su parte, los últimos observan que la gestión en redes sociales y el uso de chatbots son las principales iniciativas asumidas cuando la adopción de la IA y de las nuevas tecnologías no es muy pronunciada.

Finalmente, diversos autores proponen escenarios desde la prospectiva. Nalbant y Aydin (2023) sugieren que uno de los grandes avances se situará en la profunda relación que se establecerá entre la IA y la ciencia de datos, lo que desembocará en una mayor satisfacción en la experiencia de cliente. La investigación de mercados aumentará su precisión pues la calidad de los datos mejorará gracias a la posibilidad de integrarlos de manera más adecuada entre las diferentes fuentes de información. Así, no solo aumentará la demanda por científicos de datos, sino por los profesionales del márketing que dominen este campo, pues el manejo de datos será una ventaja competitiva (Hair et al. 2018). No es casualidad entonces que Vărzaru et al. (2022) sostengan que los profesionales del márketing deberán tener desarrolladas sus habilidades analíticas, de resolución de problemas y de comunicación con stakeholders internos y externos, pues ellas son determinantes en un mundo en donde se eliminarán las tareas repetitivas.

Tobaccowala y Jon (2018), por su parte, destacan los cambios que experimenta la industria publicitaria y advierten que el aumento en las capacidades empresariales para obtener los datos del cliente y desarrollar estrategias de marketing apoyadas en estos datos, desemboca en la pérdida de valor del agente publicitario. Ello se suma a que la relación que una empresa construye con su cliente ya no se centra exclusivamente en el discurso publicitario, sino en el conocimiento del cliente que permite entregar mejores productos en el momento preciso.

La posibilidad de obtener, almacenar y procesar grandes volúmenes de datos, gracias a la popularización de las actividades en línea, ha sido uno de los factores que ha impulsado de manera determinante la segmentación de mercados con nuevas herramientas analíticas (Patankar et al., 2021). Esto permite aumentar el rendimiento en los negocios y producir así mayores ingresos (Kaur et al., 2020). Entre estas actividades en línea, se destaca el auge del comercio electrónico, el cual ha impulsado a las empresas a adoptar estas nuevas tecnologías con el objetivo de desarrollar segmentaciones de consumidor mucho más precisas (Awate & Sharma, 2023).

Tal y como se desprende de la pregunta anterior, la popularidad de herramientas informáticas como big data, machine learning y data analyticis se sustenta en su capacidad de manejar grandes volúmenes de datos y con ellos posibilitar predicciones en los comportamientos a través de procedimientos ya bien conocidos como regresiones lineales o logísticas. Sin embargo, la diferencia entre los métodos tradicionales radica, precisamente, en las grandes cantidades de datos que maneja. Por este motivo, Nilashi et al. (2021) sostienen que entre más grande sea el conjunto de datos para analizar mejor se pueden segmentar a los clientes y predecir sus preferencias. De esta manera, los datos que se obtienen y procesan provienen de las bases de datos de compañías o de aquellos que se pueden recabar en internet.

Se destacan los trabajos realizados sobre el modelo de Recencia, Frecuencia y Valor, conocido como RFM por sus siglas en inglés, el cual categoriza a los clientes de acuerdo con su importancia para el negocio, determinado por lo reciente que fue su última compra, la frecuencia con que adquiere productos y el valor total al que ascienden sus compras. Dicho modelo es considerado como una de las herramientas más útiles para los ejercicios de segmentación, pues permite determinar con claridad cómo es el comportamiento del consumidor, en términos de compra, tanto en actividades en línea como en tiendas físicas.

Sobre el particular, destacan, por ejemplo, los trabajos de Zhang et al. (2020), quienes proponen mejorar las puntuaciones del modelo RFM, para hacerlo más eficiente y que permita predecir los comportamientos de compra de los clientes. Por su parte, Ho et al. (2023), combinan este modelo con variables demográficas, transformando el modelo en RFMD mejorando las posibilidades de orientar la estrategia de márketing. Ello se logra a través de la aplicación de los algoritmos K-meas y K-Prototype. Smaili y Hachimi (2023), también proponen un modelo RFM-D, pero esta vez no adicionan variables demográficas, sino una de comportamiento llamada “Diversidad”, la cual hace alusión a la variedad de productos adquiridos por el cliente. Los autores sostienen que dicha apuesta permite predecir el comportamiento del cliente de una manera más precisa.

Por otro lado, los trabajos de De Marco et al. (2021), Rachman et al. (2021) y Mensouri et al. (2022), siguen caminos similares pues también proponen algunas mejoras al modelo RFM combinándolo con nuevas variables o intentando mejorar las maneras en que este es aplicado a través de la experimentación con diversos tipos de algoritmos.

También se afirma con relativa frecuencia que la segmentación a través de la analítica contribuye a descubrir cuáles son los segmentos que más ingresos pueden generarle a las empresas y, adicionalmente, se puede predecir quiénes están en riesgo de perderse. El Valor de vida del cliente, –CLV, por sus siglas en inglés– es el indicador a través del cual se mide esta característica que permite, en última instancia, enfocar los esfuerzos de márketing en los clientes más importantes para la compañía. De Marco et al. (2021) resaltan, por ejemplo, que la empresa debe construir una sólida relación con sus clientes y la segmentación desarrollada a través de las herramientas de inteligencia artificial les facilitan el trabajo a los gerentes, pues estos se pueden enfocar más fácilmente en la planificación de las estrategias de marketing. En el mismo sentido, Alghamdi (2023) sostiene que, el análisis de datos también permite comprender mejor la satisfacción del cliente, lo que optimiza la toma de decisiones, conduciendo al planteamiento de estrategias más efectivas centradas en los clientes.

El trabajo de Kaur et al. (2020) estudia cómo las nuevas tecnologías impulsarán los negocios en las tiendas minoristas en un futuro cercano y, por supuesto, indaga por el uso del big data en las prácticas de segmentación. En este punto las autoras advierten que el análisis de redes sociales ganará importancia en el márketing, pues sobre estos datos es posible realizar ejercicios de segmentación, además de desarrollar análisis de sentimientos y rastreo de tendencias. Así mismo, y según lo expresado, será posible reducir las tasas de abandono de los clientes a través del modelo CLV y, al mismo tiempo, ofrecer también productos personalizados.

El trabajo de Kaur et al. (2020) se relaciona con el de Nilashi et al. (2021) porque ambos coinciden en afirmar que, hoy día, los consumidores confían más en las opiniones desinteresadas de otros usuarios de internet, que en lo que enuncian las campañas publicitarias. Por esta razón, el boca a boca digital (e-WOM, por sus siglas en inglés), cobra una fuerza relevante que juega a favor o en contra de las empresas. De esta manera, Nilashi et al. (2021) estudian cómo este fenómeno afecta a los hoteles ecológicos en la plataforma TripAdvisor y, con base en esto, desarrollan un modelo híbrido de algoritmos para hacer segmentaciones más precisas.

En relación con lo anterior, es posible apreciar que, adicional a las reseñas en línea, los patrones de navegación en sitios web se han convertido en una importante fuente de información para hacer ejercicios de segmentación. Esta información se obtiene a través de diversas metodologías entre las que se cuentan el web scraping o los mecanismos de Interfaz de programación de Aplicaciones –API, por sus siglas en inglés–. Sobre esto podemos resaltar los trabajos de Ahani et al. (2019) y Alghamdi (2023) quienes hacen ejercicios de segmentación en hoteles y restaurantes a través de las reseñas en TripAdvisor.

Joung y Kim (2023) se centran en consumidores con necesidades insatisfechas para, posteriormente, determinar cómo los diferentes segmentos de consumidor valoran las múltiples características de los productos. Todo ello con el fin de que las segmentaciones les permitan idear nuevos conceptos de productos que tienen implicaciones directas para los gerentes de diseño y de desarrollo de productos.

En síntesis, puede apreciarse, que casi la totalidad de las investigaciones que indagan por la manera en que el márketing aplica el análisis de data se centran en desarrollar o mejorar modelos y metodologías concretas. Por ello, no es extraño que la mayoría de los estudios sean publicados en revistas que se enmarcan en las áreas de la ingeniería, la ciencia de datos o big data. Basta con comprobar que, de los 32 artículos analizados, 23 pertenecen a estas áreas. Sin embargo, ello no quiere decir que los artículos publicados en revistas de otras disciplinas acudan a propuestas diferentes.

Finalmente, hay que destacar que muy pocas de las investigaciones se han dedicado a rastrear, a través de estudios de caso, cómo las organizaciones están incorporando las nuevas prácticas fundamentadas en la analítica de datos y como ello va en aumento de las capacidades empresariales.

Coincidiendo con los postulados de Kotler y Keller (2012), diversos autores sostienen que las cuatro variables primordiales para desarrollar segmentaciones de clientes o consumidores son demográficas, geográficas, psicográficas y comportamentales (Awate & Sharma, 2023; Pitka & Bucko, 2023).

La revisión sistemática de la literatura claramente evidenció que las variables demográficas y comportamentales son las más usadas para desarrollar segmentaciones de consumidor con analítica de datos y big data, destacando especialmente en esta última herramienta, pues sobre ella se ha desarrollado el modelo RFM, el cual pareciera seguir siendo el más popular para utilizar en la segmentación. Abbasimehr y Bahrini (2022), Barus et al. (2023), Carrasco et al. (2019), Martínez et al. (2021), Rizkyanto y Gaol (2023), Stormi et al. (2020), Zhang et al. (2020) y Zhao et al. (2021) son los autores que han desarrollado sus iniciativas de segmentación con este modelo. Sin embargo, algunos de ellos centran sus trabajos en proponer mejoras desde la perspectiva estadística e informática.

Por otra parte, Ho et al. (2023) y Khodabandehlou (2019) han adaptado el modelo RFM agregándole otros elementos de análisis como, por ejemplo, en el primer caso, combinándolo con variables demográficas y transformándolo en el modelo RFMD. En el segundo caso, incluyendo la “longitud”, es decir, el tiempo que un cliente ha estado activo desde la primera compra, midiendo así su lealtad. Todo ello, con el objetivo de mejorar el ejercicio de segmentación. Aun así, las variables sobre las cuales se desarrollan estas propuestas son, fundamentalmente, las comportamentales.

Esta variable también resulta ser primordial en los trabajos realizados por Alt y Ibolya (2021), Cui y Jin (2023), Dalla Pozza et al. (2018), Fernández-Durán y Gregorio-Domínguez (2021) y Vijayalakshmi et al. (2020). En este caso, la “longitud” es utilizada con especial acuidad a través de big data por su facilidad de obtención a través de las transacciones en sitios web que acuden al procesamiento analítico en línea OLAP– y allí se destaca especialmente el sector financiero por su intensidad para acudir a este tipo de análisis.

Adicionalmente, se considera clave la variable comportamental porque, a partir de esta, se pueden hacer predicciones de comportamiento a través del big data y la ciencia de datos. Por ello, varios de los trabajos aquí reseñados se enfocan en hacer segmentaciones con el objetivo último de poder predecir los comportamientos de dichos segmentos.

Por su parte, las variables psicográficas también pueden ser usadas en la analítica de datos, sin embargo, estas deben ser obtenidas mediante herramientas tradicionales como las encuestas o los grupos focales, principalmente. Si bien la literatura no lo especifica, puede inferirse que ello se debe a la dificultad de las herramientas automatizadas actuales para obtener esta información y, quizá, la resistencia de los clientes a entregarla fácilmente.

Por ello, los trabajos que acuden a la variable psicográfica como los de Asante-Addo y Weible (2020), Bauerová et al. (2023), Bringye et al. (2021), Bryła (2021), Gaitán y Pérez (2021), Hartoyo et al. (2023), Jaeger et al. (2019), Jaiswal et al. (2021), Janda et al. (2021), Kovács et al. (2021), Larson y Farac (2019), Maciejewski et al. (2019), Meyerding et al. (2019), Miranda-de la Lama et al. (2019), Ngoh y Groening (2022), Nitzko y Gertheiss (2023), Pavlić et al. (2020), Ropuszynska-Surma y Weglarz (2018), Schaefer et al. (2018), Schneider y Zielke (2020) y Wannemuehler et al. (2023), ineludiblemente tuvieron que recurrir a encuestas, entrevistas o, incluso, el análisis etnográfico para obtener datos enmarcados en esta variable.

Hay cierto consenso en considerar que las variables conductuales están determinadas por las psicográficas. Sin embargo, no todas las investigaciones aquí rastreadas llegan a la misma conclusión. Con respecto a esta cuestión en la cual el estilo de vida y los valores determinan las conductas de comportamiento o compra de los clientes, es posible concluir que depende de la categoría y que no en todos los casos esta relación se evidencia claramente, tal y como ya lo habían advertido Gajanova et al. (2019).

A propósito de este estudio, las autoras indagan por la relación entre las variables psicográficas y demográficas con la lealtad de marca. Su estudio, realizado con los clientes de una empresa dedicada al B2C de telecomunicaciones en la República Eslovaca, llega a la conclusión de que los clientes más leales con la marca se pueden segmentar claramente desde la perspectiva psicográfica. Hay una dependencia estadística entre los segmentos desarrollados por la empresa y el nivel de fidelidad de marca, por lo que esta puede desarrollar con más efectividad sus estrategias de CRM en los diferentes segmentos establecidos.

Schaefer et al. (2018), en su trabajo sobre la segmentación de los consumidores de vino en Polonia, concluyen que el comportamiento exploratorio de los clientes para consumir nuevos tipos de vino está condicionado no por las variables demográficas, sino por las psicográficas. Así, en Polonia, las personas que tienen un fuerte deseo por la creatividad, la diversión y las emociones en sus vidas están motivadas para explorar el consumo de nuevos vinos.

A una conclusión similar llegan Larson y Farac (2019) al estudiar la segmentación de clientes en los productos ecológicos en Estados Unidos. Los autores sostienen que muchos estudios que indagan en el mismo tema centran su mirada sobre las variables demográficas, sin embargo, su investigación concluye que esta variable es insuficiente para explicar las actitudes y el comportamiento de los compradores. Por el contrario, han determinado que la preferencia por este tipo de productos está relacionada con la variable psicográfica, es decir, por sus valores y estilo de vida.

De manera análoga, Schneider y Zielke (2020) concluyen que las variables psicográficas y demográficas incidían en el comportamiento estudiado: el Showrooming, el cual consiste en buscar y comprobar las cualidades de un producto en una tienda física para, posteriormente, adquirirlo a través de transacciones en línea.

Pese a lo anterior, Jaeger y Roigard et al. (2019) llegan a una conclusión no coincidente. En su estudio del comportamiento alimentario y, más exactamente, la disposición de los individuos a considerar apropiado comer cierto tipo de alimentos en determinadas franjas horarias, descubren que las variables psicográficas no explican determinados comportamientos.

Finalmente, las variables geográficas cobran relevancia en los estudios de aquellos negocios alejados a los canales digitales. Es decir, de aquellos que tienen canales de distribución físicos como venta de minoristas o banca, aunque ningún estudio destaca la relevancia de esta variable.

En conclusión, la mayoría de los estudios de analítica de datos enfatizan la variable comportamental como la más relevante.