A sección Resultados presenta as principais achegas do estudo de forma clara, concisa e lóxica. Este apartado deberá resumir obxectivamente os resultados da investigación, acompañados, se fose necesario, de análises estatísticas, figuras, táboas e gráficos para mellorar a comprensión e a validez das conclusións.
4.1. Como a analítica de datos e a intelixencia artificial están a transformar as prácticas do márketing aplicado aos negocios?
As investigacións dan conta da profunda transformación que sofre o márketing nos negocios, a cal se fundamenta en diversos factores, entre os que se destacan a exacerbación da competencia empresarial e o xurdimento de novas tecnoloxías que implican o desenvolvemento de procesos de transformación dixital provenientes da dixitalización mesma da sociedade (Malchyk et al., 2022). Todo isto non só transforma o proceso e permite a adopción destas novas tecnoloxías, como a intelixencia artificial, senón que estas, á súa vez, parecen propiciar un redeseño na estrutura mesma das organizacións dedicadas a esta actividade (Wamba-Taguimdje et al., 2020).
Evidénciase a existencia de dous elementos claves sobre os cales xira esta transformación: por unha banda, o cliente e, por outra, a eficiencia nos procesos. Este último elemento claramente pode enmarcarse no que se coñece como o proceso de mellora continua, tan popular no ámbito da enxeñería. Esta procura da eficiencia propicia, entón, a simplificación e a aceleración dos procesos en aseguradoras (Eckert et al., 2022), o aumento na eficacia das canles de distribución grazas á implementación de medicións que contrastan o investimento cos beneficios producidos (Kulkov, 2021), o aforro de tempo nas actividades propias do márketing, o aumento nas capacidades de toma de decisións no tecido empresarial (Palanivelu & Vasanthi, 2020 e Nuccio & Bertacchini, 2022) e, finalmente, claridade ao redor da eficiencia do investimento publicitario a través da súa medición (Doanh et al. 2023).
Agora ben, a eficiencia solápase co que é o elemento principal sobre o cal xira esta transformación: o cliente. As investigacións que o sosteñen son abundantes e, á súa vez, poden catalogarse en dúas grandes áreas: por unha banda, aquelas centradas en comprender o comportamento do consumidor e, por outra, aquelas focalizadas en desenvolver novos mecanismos para sorprendelo.
Algúns dos estudos centrados no comportamento do cliente utilizan técnicas tradicionais como enquisas, entrevistas ou grupos focais. Con todo, a analítica de datos e o big data gañan terreo entre investigadores académicos e, especialmente, na industria mesma, grazas ao aumento das capacidades das novas tecnoloxías que as soportan (Nasiopoulos et al., 2015) pois permiten estudar, entre outros tópicos, pegadas dixitais (Dremel et al., 2020) e cestas de compra (Almaslamani et al., 2020).
Entre os estudos que centran a mirada no comportamento do consumidor, destaca o de Nesterenko et al. (2023), que describe con claridade como o márketing se foi transformando para adaptarse a estes cambios, os cales provocan unha notable diminución da efectividade dos enfoques tradicionais masivos. Por exemplo, a súa pescuda determina que os consumidores entre 18 e 34 anos son notablemente sensibles á publicidade en liña e ao márketing directo, mentres presentan certa apatía ás mensaxes en valos ou ás promocións no punto de compra. Aínda que estes dous últimos medios funcionan relativamente ben para os consumidores maiores, o traballo recalca que os valos cada vez perden máis importancia e efectividade na mercadotecnia. Por outra banda, constata que as campañas en redes sociais son especialmente efectivas e populares, porque poden segmentar facilmente diversos públicos, e a interacción, hoxe día, é moi ben recibida por usuarios e empresas.
Por outra banda, cada vez é máis común acudir á análise dos datos fornecidos por artigos conectados través da Internet das cousas –IoT–. Así, por exemplo, o estudo de Dremel et al. (2020) describe como as maiores empresas automotrices do mundo están acudindo a rastrexar en tempo real os datos ofrecidos polos vehículos, o cal posibilita ofrecerlle ao usuario mantementos preventivos ou melloras no seu vehículo.
En definitiva, os exercicios de segmentación de clientes, a predición dos seus comportamentos e o desenvolvemento de prognósticos de mercado resultan ser elementos notablemente atractivos do uso da analítica de datos e da intelixencia artificial no márketing, adicionais aos que se enmarcarían no proceso de mellora continua. Por todo isto, abundan os artigos onde os investigadores propoñen, avalían e contrastan novas metodoloxías para facer estas segmentacións e predicións, especialmente nas revistas académicas das áreas tecnolóxicas. Os traballos de Fernández-Rovira et al. (2021) e Kulkov (2021) abordan os prognósticos de mercado e mesmo Kulkov (2021) descobre que nas empresas farmacéuticas europeas esta é a función máis demandada nas ferramentas de intelixencia artificial por arte dos CEO destas compañías.
Tal e como se afirmou liñas arriba, o esforzo académico e empresarial para comprender o comportamento do cliente ou consumidor compleméntase co que busca desenvolver novos mecanismos para sorprendelo. Atopamos iniciativas de varios tipos, pero destacan aquelas enmarcadas no CRM, tal e como pode apreciarse nos traballos de Dremel et al. (2020), Verma et al. (2021), Almaslamani et al. (2020), Hu e Basiglio (2023) ou Nuccio e Bertacchini (2022), por só citar uns poucos exemplos.
A investigación de Manser et al. (2021) céntrase nas plataformas automatizadas coas que os usuarios de bancos poden acceder aos seus servizos. No estudo destácase que os consumidores abordados valoran máis que a interacción se faga con seres humanos que con dispositivos electrónicos sustentados na intelixencia artificial. Con todo, no sector da moda, a investigación de Silva e Bonetti (2021) chegou á conclusión de que existe certa propensión das persoas a interactuar con avatares ou seres humanos dixitais, a condición de que estes teñan un aspecto realista. Así mesmo, descubriuse que a forma de interacción preferida é a través da voz e, contrario ao que podería esperarse, a propensión a esta interacción está máis influída pola rexión xeográfica onde se atope o consumidor que pola idade.
As iniciativas para facer que as interfaces ou dispositivos sustentados por intelixencia artificial sexan máis accesibles aos consumidores son relativamente abundantes. Por exemplo, Le e Li (2023), no seu estudo sobre os chatbots, exploraron cales son as interfaces que permiten unha mellor interacción cos clientes e que, a longo prazo, melloran a lealdade destes coa marca. Os descubrimentos de Verma et al. (2021) coinciden cos avances de Le e Li (2023), pois sosteñen que os avances no procesamento da linguaxe natural a través da IA melloran a experiencia co cliente.
Nun sentido similar, Caruelle et al. (2022) indagan na computación afectiva e retratan os avances que se fan coa IA, a cal cada vez pode comprender mellor as emocións humanas. Así as cousas, cun adecuado adestramento estes dispositivos poden ser máis efectivos á hora de establecer unha relación cos consumidores e tamén como apoio ao persoal de atención ao cliente.
Finalmente, en canto ao uso da analítica de datos e das ferramentas de intelixencia artificial centradas en fortalecer a relación cos clientes, cómpre destacar a posibilidade de desenvolver novos produtos (Medhat & Bayomy, 2023) e personalizar a pauta publicitaria. Por unha banda, Nuccio e Bertacchini (2022) sosteñen que a analítica está a transformar o negocio no ámbito cultural, pois propicia novas accións como a creación de subscricións, a fidelización de clientes ou o envío de publicidade dixital, onde isto último se fai de maneira cada vez máis personalizada (Doanh et al., 2023).
Pola súa banda, Chintalapati e Pandey (2022) sosteñen que a análise de sentimentos gaña cada vez máis interese no ámbito do márketing dixital, pois iso permite, á súa vez, comprender como construír fortes vínculos emocionais entre persoas e máquinas.
Agora ben, aínda que é notable o avance destas ferramentas, existen fortes barreiras para a súa implementación masiva e con éxito no ámbito empresarial. Por iso, diversas investigacións sobre o tema fixan a súa mirada en grandes empresas ou sectores industriais xa consolidados como, por exemplo, os traballos de Hu e Basiglio (2023) e o de Al-Shawakfa e Alsghaier (2018) que estudan, por unha banda, o impacto da analítica de datos no sector automotriz e, por outra, o impacto das campañas publicitarias en redes sociais desenvolvidas por Southwest, Ford Motors e Pepsi a través da analítica de datos.
Así e todo, cando se indaga este asunto en empresas pequenas, evidéncianse dificultades de diversos tipos, aínda que destaca a falta de recursos, como suxiren Dam et al. (2019) e Eckert et al. (2022). No sector farmacéutico, Kulkov (2021) chega á conclusión de que as empresas pequenas corren maiores riscos no momento en que involucran a intelixencia artificial nos procesos de innovación, que inclúen as áreas de márketing.
Os traballos de Xie e Hei (2022) e de Chamboko-Mpotaringa e Tichaawa (2021) centran a súa mirada no ámbito do turismo realizado por pequenas empresas. Ambas as investigacións chegan a conclusións similares en canto a este tema, aínda que os primeiros advirten que, cando existe apoio gobernamental, a adopción destas novas tecnoloxías se usa case exclusivamente para recompilar datos dos clientes, mais non para desenvolver estratexias de márketing. Pola súa parte, os últimos observan que a xestión en redes sociais e o uso de chatbots son as principais iniciativas asumidas cando a adopción da IA e das novas tecnoloxías non é moi pronunciada.
Finalmente, diversos autores propoñen escenarios desde a prospectiva. Nalbant e Aydin (2023) suxiren que un dos grandes avances se vai situar na profunda relación que se establecerá entre a IA e a ciencia de datos, o que desembocará nunha maior satisfacción na experiencia do cliente. A investigación de mercados aumentará a súa precisión, pois a calidade dos datos mellorará grazas á posibilidade de integralos de maneira máis adecuada entre as diferentes fontes de información. Así, non só aumentará a demanda por parte dos científicos de datos, senón polos profesionais do márketing que dominen este campo, pois o manexo de datos será unha vantaxe competitiva (Hair et al. 2018). Non é casualidade, entón, que Vărzaru et al. (2022) sosteñan que os profesionais da mercadotecnia deberán ter desenvolvidas as súas habilidades analíticas, de resolución de problemas e de comunicación con stakeholders internos e externos, pois elas serán determinantes nun mundo onde se eliminarán as tarefas repetitivas.
Tobaccowala e Jon (2018), pola súa banda, destacan os cambios que está a experimentar a industria publicitaria e advirten que o aumento nas capacidades empresariais para obter os datos do cliente e desenvolver estratexias de márketing apoiadas nestes datos desembocará na perda de valor do axente publicitario. A iso súmase que a relación que unha empresa constrúe co seu cliente xa non se centra exclusivamente no discurso publicitario senón no coñecemento do cliente, o que permite entregar mellores produtos no momento preciso.
4.2 Como a analítica de datos, por medio das técnicas de aprendizaxe de máquina, da minería de datos e do <italic>big data</italic>, está a ser utilizada para desenvolver segmentacións de clientes e segmentacións de consumidores no márketing?
A posibilidade de obter, almacenar e procesar grandes volumes de datos, grazas á popularización das actividades en liña, foi un dos factores que impulsou de maneira determinante a segmentación de mercados con novas ferramentas analíticas (Patankar et al., 2021). Isto permite aumentar o rendemento nos negocios e producir así maiores ingresos (Kaur et al., 2020). Entre estas actividades en liña, pódese destacar o auxe do comercio electrónico, o cal impulsou ás empresas a adoptar estas novas tecnoloxías co obxectivo de desenvolver segmentacións de consumidores moito máis precisas (Awate & Sharma, 2023).
Tal e como se desprende da pregunta anterior, a popularidade de ferramentas informáticas como big data, machine learning e data analyticis susténtase na súa capacidade de manexar grandes volumes de datos e con eles posibilitar predicións nos comportamentos a través de procedementos xa ben coñecidos, como regresións lineais ou loxísticas. Con todo, a diferenza cos métodos tradicionais radica, precisamente, nas grandes cantidades de datos que estas ferramentas manexan. Por este motivo, Nilashi et al. (2021) sosteñen que canto máis grande sexa o conxunto de datos para analizar mellor se poderán segmentar os clientes e predicir as súas preferencias. Desta maneira, os datos que se obteñen e procesan proveñen das bases de datos de compañías ou ben daqueles que se poden solicitar por Internet.
Cómpre destacar os traballos realizados sobre o modelo de Recencia, Frecuencia e Valor, coñecido como RFM polas súas siglas en inglés, o cal categoriza os clientes de acordo coa súa importancia para o negocio, determinada polo recente que foi a súa última compra, a frecuencia con que adquire produtos e polo valor total ao que ascenden as súas compras. Este modelo é considerado como unha das ferramentas máis útiles para os exercicios de segmentación, pois permite determinar con claridade como é o comportamento do consumidor, en termos de compra, tanto en actividades en liña como en tendas físicas.
Sobre este particular, destacan, por exemplo, os traballos de Zhang et al. (2020), quen propoñen mellorar as puntuacións do modelo RFM para facelo máis eficiente e para que permita predicir os comportamentos de compra dos clientes. Pola súa banda, Ho et al. (2023) combinan este modelo con variables demográficas, transformando o modelo en RFMD e mellorando as posibilidades de orientar a estratexia de márketing. Isto lógrase a través da aplicación dos algoritmos K-mexas e K-Prototype. Smaili e Hachimi (2023) tamén propoñen un modelo RFM-D, pero desta vez non engaden variables demográficas senón unha variable de comportamento chamada “Diversidade”, a cal fai alusión á variedade de produtos adquiridos polo cliente. Os autores sosteñen que esta aposta permite predicir o comportamento do cliente dunha maneira máis precisa.
Doutra banda , os traballos de De Marco et al. (2021), Rachman et al. (2021) e Mensouri et al. (2022) seguen camiños similares, pois tamén propoñen algunhas melloras ao modelo RFM combinándoo con novas variables ou tentando mellorar as maneiras en que este é aplicado a través da experimentación con diversos tipos de algoritmos.
Tamén se afirma con relativa frecuencia que a segmentación a través da analítica contribúe a descubrir cales son os segmentos que máis ingresos poden xerarlles ás empresas e, adicionalmente, a poder predicir quen están en risco de perderse. O valor de vida do cliente –CLV, polas súas siglas en inglés– é o indicador a través do cal se mide esta característica que permite, en última instancia, enfocar os esforzos de márketing nos clientes máis importantes para a compañía. De Marco et al. (2021) resaltan, por exemplo, que a empresa debe construír unha sólida relación cos seus clientes e que a segmentación desenvolvida a través das ferramentas de intelixencia artificial lles facilíta o traballo aos xerentes, pois estes poden enfocar máis facilmente a planificación das estratexias de márketing. No mesmo sentido, Alghamdi (2023) sostén que a análise de datos tamén permite comprender mellor a satisfacción do cliente, o que optimiza a toma de decisións e conduce á formulación de estratexias máis efectivas centradas nos clientes.
O traballo de Kaur et al. (2020) estuda como as novas tecnoloxías impulsarán os negocios nas tendas de comercio polo miúdo nun futuro próximo e, por suposto, indaga polo uso do big data nas prácticas de segmentación. Neste punto as autoras advirten que a análise de redes sociais gañará importancia no márketing, pois sobre estes datos é posible realizar exercicios de segmentación, ademais de desenvolver a análise de sentimentos e o rastrexo de tendencias. Así mesmo, e segundo o expresado, será posible reducir as taxas de abandono dos clientes a través do modelo CLV e, ao tempo, ofrecerlles produtos personalizados.
O traballo de Kaur et al. (2020) relaciónase co de Nilashi et al. (2021) porque ambos coinciden en afirmar que, hoxe en día, os consumidores confían máis nas opinións desinteresadas doutros usuarios da Internet que no que enuncian as campañas publicitarias. Por esta razón, o boca a boca dixital (e-WOM, polas súas siglas en inglés) cobra unha forza relevante que pode xogar a favor ou en contra das empresas. Desta maneira, Nilashi et al. (2021) estudan como este fenómeno lles afecta aos hoteis ecolóxicos na plataforma TripAdvisor e, con base nisto, desenvolven un modelo híbrido de algoritmos para facer segmentacións máis precisas.
En relación co anterior, é posible apreciar que, xunto ás recensións en liña, os patróns de navegación en sitios web se converteron nunha importante fonte de información para facer exercicios de segmentación. Esta información obtense a través de diversas metodoloxías, entre as que están o web scraping ou os mecanismos de interface de programación de aplicacións –API, polas súas siglas en inglés–. Sobre isto, podemos resaltar os traballos de Ahani et al. (2019) e de Alghamdi (2023), que fan exercicios de segmentación en hoteis e restaurantes a través das recensións en TripAdvisor.
Joung e Kim (2023) céntranse en consumidores con necesidades insatisfeitas para, posteriormente, determinar como os diferentes segmentos de consumidor valoran as múltiples características dos produtos; todo isto co fin de que as segmentacións permitan idear novos conceptos de produtos que teñan implicacións directas para os xerentes de deseño e de desenvolvemento de produtos.
En síntese, pode apreciarse que case a totalidade das investigacións que indagan na maneira en que a mercadotecnia aplica a análise de datos céntranse en desenvolver ou mellorar modelos e metodoloxías concretas. Por iso, non é estraño que a maioría dos estudos sexan publicados en revistas que se enmarcan nas áreas da enxeñería e da ciencia de datos ou big data. Abonda con comprobar que, dos 32 artigos analizados, 23 pertencen a estas áreas. Con todo, iso non quere dicir que os artigos publicados en revistas doutras disciplinas acudan a propostas diferentes.
Finalmente, hai que destacar que moi poucas das investigacións se dedicaron a analizar, a través de estudos de caso, como as organizacións están a incorporar as novas prácticas fundamentadas na analítica de datos e como iso vai en aumento das capacidades empresariais.
4.3 Cales son as variables máis relevantes para segmentar clientes e consumidores no ámbito dos negocios?
Coincidindo cos postulados de Kotler e Keller (2012), diversos autores sosteñen que as catro variables primordiais para desenvolver segmentacións de clientes ou consumidores son demográficas, xeográficas, psicográficas e comportamentais (Awate & Sharma, 2023; Pitka & Bucko, 2023).
A revisión sistemática da literatura claramente evidenciou que as variables demográficas e comportamentais son as máis usadas para desenvolver segmentacións de consumidor con analítica de datos e big data, destacando especialmente esta última ferramenta, pois sobre ela desenvólvese o modelo RFM, o cal parece seguir sendo o máis popular para utilizar na segmentación. Abbasimehr e Bahrini (2022), Barus et al. (2023), Carrasco et al. (2019), Martínez et al. (2021), Rizkyanto e Gaol (2023), Stormi et al. (2020), Zhang et al. (2020) e Zhao et al. (2021) son os autores que desenvolveron as súas iniciativas de segmentación con este modelo. Con todo, algúns deles centran os seus traballos en propoñer melloras desde a perspectiva estatística e informática.
Por outra banda, Ho et al. (2023) e Khodabandehlou (2019) adaptaron o modelo RFM agregándolle outros elementos de análise como, por exemplo, no primeiro caso, combinándoo con variables demográficas e transformándoo no modelo RFMD; no segundo caso, incluíndo a “lonxitude”, é dicir, o tempo que un cliente estivo activo desde a primeira compra, medindo así a súa lealdade; E todo isto co obxectivo de mellorar o exercicio de segmentación. Aínda así, as variables sobre as que se desenvolven estas propostas son, fundamentalmente, as comportamentais.
Esta variable tamén resulta ser primordial nos traballos realizados por Alt e Ibolya (2021), Cui e Jin (2023), Dalla Pozza et al. (2018), Fernández-Durán e Gregorio-Domínguez (2021) e Vijayalakshmi et al. (2020). Neste caso, a “lonxitude” é utilizada con especial acuidade a través de big data pola facilidade de obtela a través das transaccións en sitios web que acoden ao procesamento analítico en liña ‒OLAP‒ e aí destaca especialmente o sector financeiro, pola súa intensidade en acudir a este tipo de análise.
Adicionalmente, considérase chave a variable comportamental pois, a partir dela, se poden facer predicións de comportamento a través do big data e da ciencia de datos. Por iso, varios dos traballos aquí apuntados enfócanse en facer segmentacións co obxectivo último de poder predicir os comportamentos dos devanditos segmentos.
Pola súa banda, as variables psicográficas tamén poden ser usadas na analítica de datos; con todo, estas deben ser obtidas mediante ferramentas tradicionais como as enquisas ou os grupos focais, principalmente. Aínda que a literatura non o especifica, pode inferirse que iso se debe á dificultade das ferramentas automatizadas actuais para obter esta información e, se cadra, á resistencia dos clientes para entregala facilmente.
Por esta razón, os traballos que acoden á variable psicográfica, como os de Asante-Addo e Weible (2020), Bauerová et al. (2023), Bringye et al. (2021), Bryła (2021), Gaitán e Pérez (2021), Hartoyo et al. (2023), Jaeger et al. (2019), Jaiswal et al. (2021), Janda et al. (2021), Kovács et al. (2021), Larson e Farac (2019), Maciejewski et al. (2019), Meyerding et al. (2019), Miranda-da Lama et al. (2019), Ngoh e Groening (2022), Nitzko e Gertheiss (2023), Pavlić et al. (2020), Ropuszynska-Surma e Weglarz (2018), Schaefer et al. (2018), Schneider e Zielke (2020) e Wannemuehler et al. (2023), ineludiblemente tiveron que recorrer a enquisas, entrevistas ou, mesmo, á análise etnográfica para obter datos enmarcados nesta variable.
Hai certo consenso en considerar que as variables condutuais están determinadas polas psicográficas. Así e todo, non todas as investigacións aquí rastrexadas chegan á mesma conclusión. Con respecto a esta cuestión, na cal o estilo de vida e os valores determinan as condutas de comportamento ou de compra dos clientes, é posible concluír que depende da categoría e que non en todos os casos esta relación se mostra claramente, tal e como xa o advertiran Gajanova et al. (2019).
A propósito deste estudo, as autoras indagan na relación entre as variables psicográficas e demográficas coa lealdade de marca. O estudo, realizado cos clientes dunha empresa dedicada ao B2C de telecomunicacións na República Eslovaca, chega á conclusión de que os clientes máis leais coa marca se poden segmentar claramente desde a perspectiva psicográfica. Hai unha dependencia estatística entre os segmentos desenvolvidos pola empresa e o nivel de fidelidade de marca, polo que esta pode desenvolver con máis efectividade as súas estratexias de CRM nos diferentes segmentos establecidos.
Schaefer et al. (2018), no seu traballo sobre a segmentación dos consumidores de viño en Polonia, conclúen que o comportamento exploratorio dos clientes para consumir novos tipos de viño está condicionado non polas variables demográficas senón polas psicográficas. Así, en Polonia, as persoas que teñen un forte desexo pola creatividade, a diversión e as emocións nas súas vidas están motivadas para explorar o consumo de novos viños.
A unha conclusión similar chegan Larson e Farac (2019) ao estudar a segmentación de clientes nos produtos ecolóxicos nos Estados Unidos. Os autores sosteñen que moitos estudos que indagan no mesmo tema centran a súa mirada sobre as variables demográficas, con todo, a súa investigación conclúe que esta variable é insuficiente para explicar as actitudes e o comportamento dos compradores. Pola contra, determinaron que a preferencia por este tipo de produtos está relacionada coa variable psicográfica, é dicir, polos seus valores e estilo de vida.
De maneira análoga, Schneider e Zielke (2020) conclúen que as variables psicográficas e demográficas incidían no comportamento estudado, o showrooming, que consiste en buscar e comprobar as calidades dun produto nunha tenda física para, posteriormente, adquirilo a través de transaccións en liña.
A pesar do anterior, Jaeger e Roigard et al. (2019) chegan a unha conclusión non coincidente. No seu estudo do comportamento alimentario e, máis exactamente, da disposición dos individuos a considerar apropiado comer certo tipo de alimentos en determinadas franxas horarias, descobren que as variables psicográficas non explican determinados comportamentos.
Finalmente, as variables xeográficas cobran relevancia nos estudos daqueles negocios afastados das canles dixitais, é dicir, daqueles que teñen canles de distribución físicos como venda de comerciantes polo miúdo ou banca, aínda que ningún estudo destaca a importancia desta variable.
En conclusión, a maioría dos estudos de analítica de datos salientan como máis relevante a variable comportamental.