La automatización es una tendencia clave en inbound marketing. Dada la cantidad de tráfico y de datos que manejamos hoy en día, es muy importante contar con procesos automatizados que nos ayuden a gestionarlo todo y a no dejar escapar ninguna oportunidad.
Pero los procesos pueden llegar a ser muy complejos, y las herramientas de automatización tradicionales se quedan cortas. Aquí es donde entran en juego el machine learning y la inteligencia artificial, así que vamos a ver cómo podemos emplearlos para organizar mejor tus workflows.
Un workflow es una serie de pasos a seguir para gestionar un proyecto o para lanzar una campaña de marketing. El workflow define la secuencia de pasos que se llevan a cabo para realizar la tarea.
Usar workflows nos ayuda a organizar las diferentes tareas del marketing inbound: revisiones, aprobaciones, seguimiento de resultados, cambios de prioridades... Para verlo con más claridad, vamos a repasar 5 workflows muy comunes en el día a día del marketing y los pasos que los componen.
Identificar el buyer persona y los objetivos de los anuncios.
Definir el presupuesto y el ámbito de la campaña.
Investigar las palabras clave más relevantes para el buyer persona.
Crear las landing page y revisarlas.
Configurar la campaña en Google Ads u otras herramientas.
Redactar las creatividades de los anuncios.
Diseñar tests A/B de diferentes elementos del anuncio.
Programar el lanzamiento de la campaña.
Medir y analizar los resultados.
Identificar el buyer persona y los objetivos del contenido.
Decidir el tono, formatos y mensajes clave.
Planificar el calendario editorial.
Asignar contenidos a los miembros del equipo.
Redactar (o grabar, diseñar, editar...) los contenidos.
Revisar los contenidos (idealmente esta tarea debe hacerla una persona diferente al creador original).
Programar la difusión del contenido en redes sociales y otros canales de la empresa.
Publicar el contenido.
Distribuir el contenido.
Gestionar las reacciones al contenido.
Medir y analizar los resultados.
Republicar el contenido y/o incorporarlo a estrategias de content curation.
Identificar el buyer persona y los objetivos de los emails
Incorporar contactos a la base de datos de email de la empresa.
Planificar el contenido y el diseño de los emails.
Crear workflows en la herramienta de email.
Redactar los emails.
Planificar tests A/B de diferentes elementos de los emails.
Programar los emails.
Analizar los resultados y aplicar los aprendizajes en futuras campañas.
Realizar una auditoría de la presencia en medios online de la marca.
Establecer la audiencia y los objetivos.
Identificar a influencers y medios que encajen con el perfil de la campaña.
Definir los mensajes clave.
Redactar la nota de prensa u otros contenidos a promocionar.
Enviar los contenidos.
Hacer un seguimiento de los envíos.
Medir y analizar los resultados.
Identificar la audiencia y los objetivos en redes sociales.
Definir la estrategia de social ads y publicaciones orgánicas.
Crear una planificación de contenidos y publicaciones alineada con el plan de marketing de contenidos.
Programar y lanzar las publicaciones.
Monitorizar las reacciones y responder a los comentarios de la audiencia.
Medir y analizar los resultados.
Como puedes ver, incluso los ejemplos más sencillos tienen múltiples pasos y requieren la intervención de diferentes personas. Si a esto le añadimos la necesidad de procesar una gran cantidad de datos entrantes, la tarea excede rápidamente las capacidades manuales del equipo de marketing.
Desde hace años existen soluciones de automatización de marketing más o menos complejas, desde gestores de correo electrónico hasta CRM para gestionar contactos. Estas herramientas facilitan las tareas del equipo de marketing y permiten gestionar mayores cantidades de contactos y datos.
Pero a medida que las posibilidades del entorno digital se incrementan, los workflows se vuelven cada vez más complicados y la cantidad de elementos a manejar sigue creciendo. Para poder escalar de cara al futuro, es necesario plantearse introducir herramientas de machine learning e inteligencia artificial en el inbound marketing.
Automatizar procesos es difícil porque muchos workflows requieren intervención humana. El motivo de ello es que utilizan lo que se conoce como "datos no estructurados".
Los datos no estructurados son aquellos que no pueden introducirse fácilmente en una base de datos, ya que no encajan con formatos o secuencias específicos. Al no tener una estructura fácilmente identificable, son más difíciles de buscar, gestionar y analizar.
Por ejemplo, una lista de canciones, cantantes y géneros musicales podría considerarse como datos estructurados, pero las canciones en sí serían datos no estructurados. Otros ejemplos muy comunes en inbound marketing serían los emails, las presentaciones, los textos o las imágenes.
Trabajar con datos no estructurados es un reto a la hora de automatizar el inbound marketing, ya que no pueden integrarse en los sistemas de información preexistentes y por tanto, las soluciones de automatización tradicionales no pueden procesarlos.
Para superar este obstáculo, la respuesta está en incorporar machine learning a los procesos no estructurados, para añadir un elemento cognitivo que ayude a dar sentido a la información. Esto se lleva a cabo mediante tecnologías como:
Visión computarizada. Esta tecnología identifica, clasifica y procesa imágenes u objetos en imágenes y vídeos. Por ejemplo, puede utilizarse para identificar enfermedades en fotografías, clasificar archivos adjuntos en PDF u organizar el inventario de una tienda online.
Procesamiento de lenguaje natural. Sirve para entender, categorizar o priorizar textos. Por ejemplo, puede utilizarse para crear chatbots, priorizar las solicitudes de atención al cliente o hacer análisis de opiniones.
Reconocimiento óptico de caracteres. Esta tecnología es capaz de reconocer caracteres de imprenta o escritos a mano dentro de imágenes digitales de documentos. Se usa para extraer información.
Procesamiento de sonido. Sirve para identificar, clasificar y procesar archivos de audio o sonidos ambientales. Por ejemplo, podemos usarlo para etiquetar música, buscar canciones o implementar controles por voz.
Estas tecnologías, por tanto, nos sirven para crear y entrenar modelos de machine learning que nos ayudan a descifrar automáticamente nuestros datos no estructurados e incorporarlos a nuestros procesos.
En función de la situación de tu empresa, existen diferentes soluciones para incorporar la automatización cognitiva y poder interpretar datos no estructurados. No es necesario replantear toda la estructura de tu empresa de arriba a abajo, sino que puedes buscar la herramienta que se adapte a ti. Estas son seis opciones:
Herramientas de autoservicio. Las plataformas de automatización cognitiva de workflows de autoservicio te capacitan para gestionar procesos con múltiples fases que utilizan datos no estructurados. Se trata de soluciones low-code que permiten crear workflows personalizados con algoritmos de machine learning a través de una interfaz fácil de usar. Comparadas con otras soluciones de automatización, las herramientas de autoservicio tienen un coste asequible. Y junto a su facilidad de uso, esto permite que puedas hacer experimentos e implementar los resultados rápidamente.
Soluciones de aprendizaje automático (AutoML). Estas plataformas te permiten crear modelos de aprendizaje automático desde cero, con pocos o ningún conocimiento de programación. Son muy útiles para dar estructura a los datos no estructurados, pero no cuentan con herramientas de creación de workflows, por lo que no sirven para automatizar procesos de principio a fin.
Soluciones de automatización con inteligencia artificial especializadas. Estas herramientas están centradas en un sector en concreto. Esto hace que puedan gestionar procesos complejos con datos no estructurados, pero su área de aplicación es limitada. Otro aspecto a tener en cuenta es que suelen tener precios elevados debido al alto coste de preparar los datos necesarios para entrenar a los algoritmos.
RPA inteligente. La automatización robótica de procesos (RPA) clásica tiene algunas limitaciones a la hora de procesar datos no estructurados. Pero a medida que se desarrollan nuevas tecnologías de machine learning, las soluciones de RPA tradicionales están incorporando funcionalidades de inteligencia artificial para mejorar la automatización de procesos. Este tipo de solución es especialmente adecuada para medianas y grandes empresas que cuentan con desarrolladores especializados en RPA.
Consultorías de IA. Las empresas de gran tamaño y que tengan que automatizar procesos complejos con datos no estructurados pueden recurrir a consultorías de IA especializadas que les ayuden a buscar la mejor solución. Normalmente, este tipo de consultores desarrollan soluciones de automatización inteligente a medida o sugieren los proveedores que se adaptan mejor a las necesidades específicas del cliente.
Expertos en inteligencia artificial en plantilla. Por último, la solución definitiva para los casos más complejos es incorporar la automatización inteligente de workflows dentro de la propia plantilla de la empresa. Es probable que las empresas con grandes departamentos de tecnología dispongan de los recursos necesarios para gestionar la automatización inteligente "in-house", quizás contratando a programadores adicionales o reasignando roles dentro del equipo. Esto permite diseñar soluciones realmente complejas y personalizadas, pero el problema está en encontrar y contratar a personas lo suficientemente capacitadas para ello.