Cómo las empresas fintech consiguen una elevada rentabilidad de la inversión aprovechando los datos

Contar con una base sólida de datos integrados es esencial para potenciar el retorno de la inversión en las iniciativas de marketing del sector fintech. Crédito: Getty Images

Stephen Williams, director ejecutivo de Marketing Evolution, explica por qué los datos unificados representan un elemento crucial que falta para las empresas fintech que aspiran a ampliar sus iniciativas de inteligencia artificial y, al mismo tiempo, lograr mejoras cuantificables en el rendimiento.

Williams opera en la encrucijada de dos grandes fuerzas que están transformando el sector de los servicios financieros: el rápido avance de las tecnologías de IA y la creciente complejidad de las estrategias de marketing basadas en datos dentro de entornos regulados.

Tras haber pasado de ser ingeniero a director ejecutivo de Marketing Evolution, su experiencia profesional en el desarrollo de infraestructuras modernas de marketing da forma a su enfoque para ayudar a las empresas fintech a comprender mejor las métricas de rendimiento en un panorama sectorial cada vez más fragmentado.

En esencia, Marketing Evolution se centra en ayudar a las organizaciones a transformar los datos brutos de marketing en información útil. El «Marketing Performance Substrate» de la empresa consolida fuentes de datos dispares en un marco unificado para obtener información de marketing. Suplanta las lagunas de datos, incorpora capacidades de análisis causal y actualiza continuamente los datos de rendimiento para crear un sistema de registro fiable que puedan utilizar tanto los equipos humanos como los sistemas de IA.

A medida que los modelos de IA se estandarizan cada vez más, Williams sostiene que el verdadero factor diferenciador para las empresas fintech no reside en la sofisticación de esos modelos en sí mismos, sino en la solidez de su infraestructura de datos subyacente. Esta distinción es especialmente importante en el sector fintech, donde los estrictos requisitos de privacidad, gobernanza y cumplimiento normativo imponen restricciones significativas al uso que se puede hacer de los datos. Además, los recorridos de los clientes —desde la apertura de una cuenta hasta la obtención de crédito— suelen ser no lineales e implican múltiples canales, partes interesadas y puntos de contacto a lo largo de períodos prolongados.

Stephen Williams, director ejecutivo de Marketing Evolution

Al anonimizar los datos y reconstruir los recorridos de los clientes mediante métodos probabilísticos, Marketing Evolution permite a las entidades financieras obtener una visión más clara y conforme a la normativa de cómo las iniciativas de marketing impulsan los resultados empresariales, aportando una transparencia muy necesaria a uno de los retos de medición más complejos del sector.

Aquí, Williams explica por qué los datos —en lugar de los modelos de IA— se están convirtiendo en el factor clave que determina el éxito de las iniciativas de inteligencia artificial y describe cómo las empresas fintech pueden salvar la brecha entre los objetivos estratégicos y la ejecución real.

Si el avance del marketing supera al desarrollo de las infraestructuras, ¿qué repercusiones tienen estas disparidades en los directores de marketing (CMO) de los servicios financieros regulados?

Comencemos por examinar los retos más generales a los que se enfrentan las organizaciones hoy en día: en todos los sectores y puestos, existe una presión creciente para aprovechar la inteligencia artificial con el fin de trabajar de forma más eficiente, reducir costes y descubrir nuevas fuentes de valor. Sin embargo, esta presión es especialmente intensa para los directores de marketing, ya que sus responsabilidades han evolucionado significativamente con el tiempo.

Hoy en día, los directores de marketing no solo son responsables de la gestión de la marca, sino también de impulsar los ingresos y el rendimiento general del negocio. Al mismo tiempo, se espera de ellos que adopten rápidamente soluciones de inteligencia artificial, demuestren un claro retorno de la inversión y tomen decisiones en sistemas y fuentes de datos cada vez más fragmentados.

En el sector de los servicios financieros regulados, este reto se vuelve aún más formidable debido a los largos recorridos de los clientes, la implicación de múltiples partes interesadas, los estrictos requisitos de cumplimiento normativo y las importantes limitaciones en materia de datos.

Crear un entorno unificado que refleje con precisión las operaciones empresariales es lo que, en última instancia, permite aplicaciones significativas de la inteligencia artificial. Una vez que existe esa base, las organizaciones pueden superponer modelos de empresas como OpenAI, Anthropic, Google y otras sobre estos datos consolidados para obtener valor de las fuentes de información existentes.

Yo lo describo así: todas las empresas —especialmente las del sector de los servicios financieros— poseen enormes cantidades de datos valiosos. Pero antes de que esos datos puedan generar valor, deben organizarse, depurarse, estructurarse y contextualizarse.

Otra cuestión que entra en juego es la creencia generalizada entre muchas organizaciones de que el mayor riesgo radica en quedarse atrás en la adopción de la IA, más que en cometer errores en su implementación. Esta mentalidad genera una presión inmensa para actuar con rapidez, incluso cuando la infraestructura de datos subyacente aún no se ha establecido por completo.

Aunque la inteligencia artificial pueda aportar algunos beneficios iniciales, las organizaciones verán cómo los rendimientos van disminuyendo si carecen de la infraestructura adecuada para respaldar su uso.

Un entorno de datos unificado constituye la base esencial para aplicaciones significativas de la inteligencia artificial. Crédito: Getty Images

¿Cuánto les está costando a los profesionales del marketing en el sector bancario y de seguros la «brecha intermedia» en sus esfuerzos de atribución?

Los costes asociados son considerables, aunque pueden mitigarse. Al fin y al cabo, los profesionales del marketing solo optimizan lo que son capaces de medir. Como resultado, a menudo invierten en exceso en áreas que no pueden atribuirse adecuadamente —en particular, las actividades de marca en fases iniciales y las iniciativas de marketing en la parte superior del embudo que tienen lugar mucho antes de que se produzca cualquier conversión—.

Este reto es especialmente pronunciado en los servicios financieros, donde las conversiones suelen gestionarlas intermediarios como corredores, sucursales, asesores, plataformas u otras partes interesadas situadas más abajo en la cadena. Aunque el marketing pueda impulsar la demanda, la transacción real suele registrarse en otra parte del sistema.

En consecuencia, las prácticas de atribución tienden a dar el mérito a quienes están más cerca de la transacción, en lugar de a quienes originaron la demanda. Se trata de un problema de medición de larga data que se agrava en sectores donde los recorridos de los clientes son más largos, más fragmentados y se distribuyen entre múltiples partes interesadas.

«Hoy en día, los directores de marketing no solo son responsables de la marca, sino también de los ingresos y el rendimiento», Stephen Williams, director ejecutivo de Marketing Evolution

Para abordar este problema, es necesario integrar toda la información relevante en un conjunto de datos unificado que refleje con precisión las operaciones empresariales. Una vez que se puedan reconstruir estos recorridos del cliente, los profesionales del marketing podrán empezar a comprender cómo las inversiones en marca, la exposición mediática y las relaciones con los intermediarios influyen en los resultados de conversión posteriores.

Por ejemplo, hemos colaborado con una de las mayores compañías de seguros de propiedad de Estados Unidos. Esta empresa ha realizado importantes inversiones a nivel de marca nacional y ha obtenido buenos resultados gracias a esos esfuerzos. Sin embargo, históricamente le ha costado vincular estas iniciativas de marca con el rendimiento real en la fase de contratación de pólizas, donde los agentes locales también invierten recursos de marketing y, en última instancia, cierran las ventas.

La relación entre las agencias y las aseguradoras es absolutamente fundamental, ya que desempeña un papel clave en el proceso de conversión. Lo que hicimos para ayudar a esta empresa fue poner de manifiesto el impacto de su gasto en la marca a nivel nacional en esas conversiones posteriores.

Ahora, cuando invierten en iniciativas como grandes patrocinios deportivos o campañas publicitarias a nivel nacional, pueden hacer un seguimiento de cómo esa inversión fluye a través del sistema y contribuye a conversiones cuantificables a nivel de los agentes locales, ya sea en Memphis (Tennessee) o en cualquier otro lugar del país.

¿Por qué la inteligencia artificial tiende a amplificar los datos de baja calidad en lugar de mejorarlos dentro de los sistemas de marketing?

Este problema no se limita a las plataformas de marketing; la inteligencia artificial agravará la mala calidad de los datos en todos los ámbitos.

Por muy avanzados que puedan parecer los sistemas de inteligencia artificial, en última instancia dependen de la calidad y la estructura de los datos subyacentes para generar información precisa. Y los datos de marketing, en particular, suelen ser de muy baja calidad.

Una de las principales razones es que los datos de marketing proceden de múltiples fuentes diferentes. No existe una única fuente de datos de marketing: proceden de plataformas como Google Analytics, Meta, Nielsen, la publicidad exterior de Lamar y docenas de otros proveedores. Todas estas fuentes producen datos con formatos y características distintos.

Además, la granularidad y la exhaustividad de estos datos varían significativamente. También deben integrarse con los datos propios, que a su vez difieren para cada anunciante —incluidas las listas de correo electrónico, los registros de correo directo, los datos de conversión, la información sobre el tráfico web y mucho más—.

Como resultado, al analizar los datos de marketing en su conjunto, no nos encontramos con un único conjunto de datos cohesionado y listo para su uso. En su lugar, existen numerosos conjuntos de datos fragmentados que, a menudo, son incompletos y escasos en determinadas áreas. Algunos de estos conjuntos de datos abarcan el ámbito nacional, otros las regiones de códigos postales y otros, las áreas DMA.

Históricamente, esto ha obligado a los ingenieros de datos a dedicar una cantidad considerable de tiempo a desarrollar sistemas personalizados, escribir consultas o crear scripts en Python para procesar los datos de forma puntual con el fin de realizar análisis específicos.

Sin embargo, si esos datos pueden estructurarse de manera uniforme, corrigiendo las inconsistencias en la granularidad, e integrarse entre sistemas aislados, la situación cambia radicalmente.

Podemos derribar esas barreras estructurales, unificar fuentes de datos dispares bajo un único marco y presentar información procedente de canales como Amazon Ads junto con Google, Meta, CTV, la televisión lineal y la publicidad exterior, todo ello utilizando formatos y estructuras coherentes. Esto permite realizar comparaciones significativas, en lugar de comparar manzanas con naranjas o manzanas con sandías.

Aunque las organizaciones ya cuentan con sistemas de registro para los clientes en las plataformas de datos de clientes (CDP), para los contenidos en los sistemas de gestión de activos digitales (DAM) y para la ejecución de campañas en las plataformas de actividades de marketing (MAP), no existe un sistema equivalente para el seguimiento del rendimiento de marketing. Esto es precisamente lo que Marketing Evolution se ha propuesto abordar.

Los datos existen, las herramientas están disponibles, las capacidades de análisis están presentes y la inteligencia artificial puede proporcionar información precisa sobre la dinámica del mercado y las operaciones empresariales, en lugar de amplificar señales engañosas.

En última instancia, debemos mantener un enfoque centrado en los datos a la hora de desarrollar modelos, realizar análisis y utilizar la inteligencia artificial. Los modelos seguirán evolucionando rápidamente, cambiando con frecuencia a lo largo del tiempo.

Se trata, fundamentalmente, de un problema relacionado con la infraestructura de datos, no con el diseño de los modelos. Todo se reduce a establecer la infraestructura de datos adecuada, introducir los datos apropiados en dicha infraestructura y contextualizarlos de acuerdo con el funcionamiento de la empresa.

Si la capa de datos no se implementa correctamente, los directores de marketing se verán obligados a lidiar con información inexacta durante años, mientras que los directores financieros se enfrentarán a patrones de gasto inexplicables. Es fundamental conseguir que esta capa de datos funcione correctamente lo antes posible.

Stephen Williams, director ejecutivo de Marketing Evolution

Dado que el 71 % de los líderes cree que su empresa está preparada para la IA y solo el 37 % lo está realmente, ¿en qué consiste exactamente esa brecha de preparación?

Creo que muchos líderes empresariales —incluido yo mismo en su momento— se basan en un criterio sencillo: si se utilizan herramientas de inteligencia artificial, debe considerarse que la organización está preparada para la IA. Pero esto rara vez es así.

Cuando examinamos las condiciones reales necesarias para implementar con éxito la inteligencia artificial o las plantillas de agentes —como la estructura de los datos, su limpieza, la integración, la accesibilidad y la gobernanza—, esta suposición se desmorona rápidamente.

Llevamos a cabo un estudio para comprender mejor esta brecha mediante una encuesta a altos ejecutivos de marketing —entre ellos, directores de marketing, vicepresidentes, directores y altos directivos— y descubrimos que el 71 % de ellos creía estar preparado para la IA.

Sin embargo, al evaluar si se cumplían realmente los requisitos básicos de datos para una verdadera preparación para la IA, solo el 37 % satisfacía esos estándares.

Esto representa una brecha considerable. Aún más llamativo es el hecho de que solo el 3 % de los líderes encuestados informara de mejoras constantes en el rendimiento de la inteligencia artificial.

En realidad, muchas organizaciones tocan techo muy rápidamente en sus iniciativas de inteligencia artificial porque carecen de una base de datos sólida. Cuando los sistemas de inteligencia artificial se ven obligados a conciliar sistemas fragmentados, fuentes de datos inconexas y estructuras incoherentes, la complejidad del problema aumenta drásticamente, lo que da lugar a resultados más débiles, conclusiones erróneas y errores más frecuentes.

Las organizaciones que cumplen los requisitos básicos de datos para estar preparadas para la IA logran unos resultados de rendimiento aproximadamente el doble de sólidos en comparación con aquellas que carecen de dicha base. Es esencial contar con una capa de datos adecuada para extraer valor real de la inteligencia artificial, especialmente ahora que estas tecnologías se están encareciendo y las organizaciones ya no pueden permitirse experimentar indefinidamente a bajo coste.

Cifras clave de Marketing Evolution

• El 71 % de los altos directivos de marketing cree que su empresa está preparada para la IA
• Solo el 37 % de los responsables de marketing cumple las condiciones básicas en materia de datos necesarias para estar preparados para la IA
• Apenas el 3 % de los responsables de marketing afirma observar mejoras constantes en el rendimiento gracias a la IA

¿Cómo aborda un sustrato de rendimiento de marketing las necesidades de unificación de datos para la inteligencia artificial?

Una plataforma de rendimiento de marketing —o un sistema de registro diseñado específicamente para el seguimiento del rendimiento de marketing— resuelve este problema porque es intrínsecamente inteligente. Puede recuperar datos que faltan, completar de forma sintética las lagunas observacionales y reconstruir los recorridos de los consumidores, algo que no sería posible si los datos permanecieran almacenados en almacenes estáticos o lagos de datos. De este modo, extrae información significativa de los datos antes de que estos pasen a modelos posteriores más complejos.

Incluso antes de esta etapa, los datos se han alineado con una ontología empresarial que refleja la estructura de la organización. Se asignan a esquemas, taxonomías y contextos empresariales adecuados, lo que garantiza que las convenciones de nomenclatura coincidan con la forma en que la empresa se refiere internamente a sus activos creativos, canales de medios, campañas y clientes. Esta coherencia se mantiene en todos los conjuntos de datos subyacentes.

Al unificar tanto la estructura de los datos como los recorridos de los consumidores, abrimos numerosas oportunidades nuevas para las aplicaciones de inteligencia artificial en áreas como el descubrimiento, el análisis y la toma de decisiones.

No es una exageración: una vez que la inteligencia artificial opera sobre la base de una comprensión verdaderamente unificada y contextualizada de las operaciones empresariales, el potencial se vuelve casi ilimitado.

Las organizaciones que cuentan con bases de datos preparadas para la IA obtienen resultados de inteligencia artificial hasta dos veces mejores. Crédito: Getty Images

¿Qué consejo darías a las organizaciones que están pasando de una medición retrospectiva a una inteligencia proactiva y orientada al futuro?

Se trata, sin duda, de una transición desafiante que requiere un cambio significativo de perspectiva. Hasta hace poco, la medición del marketing era retrospectiva: se ejecutaban las campañas, se esperaban los resultados y luego se analizaban a posteriori. Pero ahora disponemos de los datos y las herramientas necesarios para simular resultados potenciales antes de emprender cualquier acción.

Esto cambia por completo el papel de la inteligencia de marketing. En lugar de limitarse a medir los resultados una vez que se producen, las organizaciones pueden empezar a modelar los resultados probables con antelación, utilizando datos de meses, trimestres o años anteriores para predecir lo que es probable que suceda a continuación. Esto permite a los profesionales del marketing mitigar riesgos, tomar decisiones más rápidas y fundamentadas, y defender dichas decisiones con pruebas basadas en datos.

«Por muy sensible que pueda parecer la IA, sigue dependiendo fundamentalmente de la calidad y la estructura de los datos subyacentes», Stephen Williams, director ejecutivo de Marketing Evolution

Además, proporciona una visibilidad mucho más completa de todo el embudo de conversión. Para ilustrar este concepto, pensemos en cómo funciona la visión humana. La mayoría de la gente da por sentado que lo que vemos no es más que el procesamiento, por parte de la corteza visual, de la luz que entra en nuestros ojos. En realidad, el cerebro ejecuta constantemente un modelo predictivo basado en experiencias sensoriales pasadas para anticipar lo que va a ver.

Este modelo predictivo, moldeado por toda una vida de datos sensoriales estructurados, predice continuamente el mundo que nos rodea. La información visual entrante actualiza este modelo, pero gran parte de lo que percibimos es, en realidad, la predicción del cerebro de lo que está a punto de ocurrir.

Así es como gestionamos tareas como atrapar una pelota de béisbol o reaccionar rápidamente ante un coche que frena de repente delante de nosotros: no nos limitamos a responder en tiempo real a los estímulos sensoriales sin procesar, sino que actuamos basándonos en predicciones fundamentadas en datos y experiencias previas.

Creo que el marketing avanza en una dirección muy similar.

Las organizaciones con una sólida base de datos no solo podrán explicar los resultados pasados, sino también predecir y simular resultados futuros.

Stephen Williams, director ejecutivo de Marketing Evolution, ha basado su carrera en el desarrollo de los sistemas que impulsan el marketing moderno

¿Qué consejo darías a una marca que afirma: «Estoy trabajando con un socio de MMM. ¿Qué pasos debo dar a partir de aquí?»

Si ya colaboras con un socio de MMM, ese es un excelente punto de partida, ya que ya dispones de información histórica sobre el rendimiento de los medios. Se puede partir de este conocimiento para crear una capa de inteligencia más predictiva. Tu actual colaboración con el socio de MMM puede seguir respaldando el sistema mientras realizas la transición hacia enfoques de toma de decisiones más adaptativos.

Sin embargo, el siguiente paso requiere invertir en la mejora de su infraestructura de datos subyacente para dar cabida a fuentes de datos más detalladas e integradas.

También implica evolucionar hacia metodologías y modelos de medición que puedan responder con mayor rapidez a las condiciones cambiantes del mercado, a los patrones de gasto en medios en constante evolución y a los cambios en el comportamiento de los consumidores, en comparación con las soluciones tradicionales de MMM.

Piensa en el impacto de acontecimientos como la COVID-19, durante los cuales el comportamiento de los consumidores cambió drásticamente de un mes a otro. Los sistemas MMM acabaron por adaptarse a estos cambios, pero a menudo después de que ya se hubieran producido.

Una capa de inteligencia más dinámica —que funcione semanalmente o incluso a diario— puede seguir el ritmo de los acontecimientos empresariales en tiempo real, identificar las tendencias cambiantes a medida que se producen y ayudar a las organizaciones a responder más rápido y con mayor confianza.

Esto representa el cambio más amplio que se está produciendo en el sector. Históricamente, la pila de martech consistía en sistemas independientes, como plataformas de datos de clientes, sistemas CRM, plataformas de gestión de activos digitales, plataformas de actividades de marketing y herramientas de medición, cada uno de los cuales desempeñaba funciones operativas distintas. Sin embargo, cada vez más, las organizaciones necesitan una capa de inteligencia integrada que conecte estos sistemas y haga que los datos sean accesibles para aplicaciones de inteligencia artificial, simulaciones, optimización y toma de decisiones. Esta es la dirección hacia la que se encamina el sector.

¿Cómo deberían abordar las marcas la creación de su pila de martech hoy en día?

En mi opinión, una pila de martech moderna debería comenzar con una evaluación de las fuentes de datos y los sistemas existentes —ya sean plataformas de datos de clientes, sistemas CRM, DSP o cualquier otra herramienta relevante— para garantizar que estos sistemas puedan trabajar juntos en lugar de funcionar de forma aislada.

Tradicionalmente, la pila de martech se ha considerado una estructura en capas. Sin embargo, cada vez se asemeja más a un modelo de «rueda y radios», con una capa central de datos e inteligencia que proporciona apoyo a la toma de decisiones en toda la organización.

Este núcleo central interactúa de forma bidireccional con sistemas como las plataformas de datos de clientes (CDP): extrae datos de ellas y, al mismo tiempo, les proporciona información para mejorar la comprensión del comportamiento de los clientes y la dinámica general del ecosistema.

En cuanto a la medición, nos encontramos ahora en una era en la que los procesos de medición pueden seguir el ritmo de la velocidad a la que se generan los datos. Ya no necesitamos depender exclusivamente de soluciones de MMM. Aunque los modelos MMM siguen teniendo su lugar, especialmente para analizar tendencias a largo plazo, los profesionales del marketing necesitan capacidades de toma de decisiones rápidas —a veces incluso a diario—, lo que requiere sistemas de medición más ágiles.

Por lo tanto, la pila de tecnología de marketing moderna debería centrarse en una capa de datos unificada que permita una medición, optimización, simulación y toma de decisiones rápidas, al tiempo que mantiene una integración perfecta con otros sistemas de toda la organización.