D.I.M.M. entrevistó a Javier Cohenar manager de Marketing Intelligence en PepsicoFoods Colombia quien presentó en Esomar Main Fest 2018 en Buenos Aires: PepFlix, una plataforma de analytics creada in house que combina y analiza data propia(ventas, auditorías de mercado, perfiles de clientes para recomendar productos a impulsar en el canal tradicional colombiano.
D.I.M.M.: Javier, ¿cómo fue que surgió la idea de crear esta plataforma para la fuerza de ventas en este canal, justamente algo tan innovador como es la aplicación de IA (1) y ML (2) en un canal tradicional como los mom and pops (3)?
J.C.: Varias fuentes que lo originan: la primera, fue en una entrevista de trabajo en la cual me preguntaron justamente esto: qué se me ocurría a mí que podía proponer para mejorar las ventas en el canal tradicional, usando IA.Esa pregunta que no pude responder quedó flotando en mi cabeza….
D.I.M.M.: Es cierto, parece al menos complicado pensar en un desarrollo automatizado para un canal tradicional. El interés suponemos tiene que ver con que este canal maneja un alto volumen de ventas, ¿es así?
J.C. En Colombia este canal representa el 80 % de las ventas totales en la categoría.Una de las complicaciones del canal es que el vendedor debe ejecutar en sólo 5 o 10 minutos por cliente. ¿Cómo lograr esto en tan poco tiempo? Yo creo que la respuesta, en parte, está en utilizar mejor los datos que tenemos.
D.I.M.M.: Perfecto. la tercera pata, ¿cuál sería?
J. C.: El contexto de Pepsico: debido a cambios en los hábitos de los consumidores había que identificar el balance correcto entre los productos que me hacen la mayoría de la venta (pero no crecen tanto) y aquellos (más pequeños) pero que traen el crecimiento. No es obvio cuántos recursos asignar a un grupo u otro.Ese es el otro problema que da origen a PEPFlix.
D.I.M.M.: Esta herramienta. ¿la desarrollaron internamente por decisión propia o porque les resultó difícil encontrar partners con quien trabajar? Me refiero a agencias de research o inteligencia de negocio…
J.C.: La realidad es que en PepsiCo existe know-how en términos de analytics y nos resultaba natural pensar en hacer algo internamente. Además cuando pensamos en posibles partners no nos resultaba obvio con quién trabajar: quienes trabajan con IA no conocen el negocio y viceversa.
D.I.M.M.: Y en términos metodológicos, ¿con qué tipo de métricas trabajaron?
J.C.: Sabíamos que no queríamos trabajar con métricas que nos dieran promedios, sino que necesitábamos conocer los extremos, los casos de mejor performance y los de peor performance. Más importante aún que el modelo es la manera en que íbamos a hacer que los resultados del mismo resultaran creíbles y accionables a la fuerza de ventas y al gerente de la unidad.
D.I.M.M.: ¡Claro! Imaginamos que por la naturaleza del canal, y el tipo de relación cliente - proveedor aceptar trabajar con una plataforma automatizada puede generar resistencia…
J.C.: El principal hallazgo en ese sentido, más allá del modelo en sí, fue el de darnos cuenta lo importante que era la forma en que nosotros íbamos a transmitir esos resultados, para lograr que se sumen a la propuesta. Trabajamos entonces con el modelo de Mejor performance vs. Peor performance mostrando casos concretos de clientes con buena performance, qué surtido tenían, planograma, descuentos, etc. para así incentivarlos a trabajar sobre los clientes de peor performance, promoviendo la mentalidad de mejora continua.
D.I.M.M.: ¡Interesante! Recordamos los ejemplos concretos que contaste en la presentación: aquel cliente que llevaba en su auto elementos de limpieza para mejorar la vidriera del comerciante; o aquel vendedor que recordaba a una vendedora por los chistes. Al momento de decidir la compra seguramente se acuerden de ellos. Al final del día son estas acciones, esta empatía que se genera entre ellos, lo que construye el vínculo y ayuda en la mejora de la performance, si además la misma es orientada en función de las necesidades del negocio, tal como indica el modelo.
J.C.: Es así. Obviamente, como todo modelo automatizado, es falible, no es perfecto; no conocemos los datos de la competencia y por todo esto el modelo tiene un sesgo. Para asegurarnos de que nuestras decisiones son acertadas, complementamos los resultados del modelo con información cualitativa que logramos mediante entrevistas en profundidady que nos ayudan a entender los por qué detrás de cada dato o información del modelo, de manera iterativa.
D.I.M.M.: Por lo que contás el experimento está resultando exitoso, y prontamente lo tendrán online, de manera de poder proveer a la fuerza de ventas con argumentos, casos concretos, en tiempo real. ¿Piensan exportar este modelo a otras unidades similares en otros países?
J.C.: Sí, es la idea. Y además de Colombia, otros países han manifestado interés dentro del sistema PepsiCo.
D.I.M.M.: Para la industria del research esto puede ser una oportunidad para desarrollar plataformas específicas para el canal.
J.C.: Totalmente. La realidad es que hasta ahora trabajábamos con metodologías de shopper importadas de países desarrollados, más orientados a las grandes superficies, y esto es una oportunidad para poner el foco en este canal que representante un volumen de ventas importante en muchos países de nuestra región.
D.I.M.M.: ¡Muchas gracias Javier! Un interesante caso donde la tecnología aporta datos importantes para el crecimiento del negocio a la vez que reivindica y fortalece el vínculo de los vendedores con sus clientes; esa habilidad de los vendedores de generar relaciones empáticas con sus clientes, las cuales nunca podrá ser reemplazadas por una máquina o un algoritmo.
(1) Inteligencia Artificial
(2) Machine Learning
(3) es un término coloquial para un comercio pequeño, independiente o de propiedad familiar; en este caso sería el canal tradicional
Javier Cohenar es Sr. Manager of Market Intelligence en PepsiCo Foods Colombia, Unidad Comercial Andina. Es creador y socio fundador de la app topKitchen
