A

continuación, describimos tres limitaciones organizacionales que surgen cuando los equipos ejecutivos tienen dificultades para dejar atrás el pasado. También ofrecemos ejemplos de cómo puede utilizar la IA para renovar las prácticas de su organización con miras a un futuro más competitivo, así como para presentar argumentos objetivos a favor del cambio.

1. Indicadores de rendimiento que distorsionan las prioridades

Aferrarse a indicadores obsoletos lleva a las empresas a asignar mal sus recursos, recompensar los comportamientos inadecuados y perder de vista los factores de desempeño actuales que realmente impulsan el éxito organizacional.

Tomemos el caso de una cadena minorista nacional del Reino Unido que estudiamos (a la que llamaremos Whitford & Co.). Se trata de una cooperativa de consumo propiedad de sus socios, conocida principalmente por sus tiendas de alimentos. Sus ventas se estaban estancando, los márgenes se reducían y la pérdida de clientes iba en aumento. Por costumbre, el personal seguía aferrándose a KPIs heredados con los que ya estaban familiarizados.

Cómo ayudó la IA: Iniciativa de revisión de indicadores

Uno de los principales obstáculos en un programa de “desaprendizaje organizacional” es la complejidad. Para identificar cuáles de sus indicadores heredados seguían siendo relevantes y cuáles ya no, Whitford & Co implementó dos plataformas de análisis impulsadas por IA para hacer lo que los analistas humanos no podían: analizar simultáneamente datos de transacciones de clientes, registros de interacciones digitales y datos operativos.

La IA procesó miles de puntos de datos y reveló que muchos de los indicadores más destacados no tenían una correlación sólida con la retención de clientes ni con la rentabilidad del negocio.

En un periodo de tres meses, la división minorista eliminó con éxito siete de sus 12 KPIs heredados, incluidos la conversión de ventas en tienda y las tasas de relación entre el número de clientes y consultas. En su lugar, la empresa adoptó indicadores relacionados con el comportamiento, como las tasas de finalización de recorridos multicanal y las puntuaciones de esfuerzo del cliente.

2. Identidades empresariales que confunden al mercado

Las identidades corporativas y el posicionamiento de marca que en algún momento fueron activos pueden convertirse en pasivos. Pensemos en la empresa estadounidense de software que estudiamos (a la que llamaremos FengSys). Esta compañía desarrolla plataformas de integración y análisis de datos para clientes del sector público y privado. A principios de la década de 2010, construyó su marca en torno al lema “los datos son lo primero”.

Sin embargo, con el tiempo, las expectativas de los clientes cambiaron. Ya no les impresionaba el concepto de “los datos son lo primero. Daban por sentado que la capacidad de trabajar con datos ya debía existir y ahora buscaban socios capaces de demostrar resultados de negocio: decisiones más rápidas, menor riesgo operativo y un retorno medible de la inversión en tecnología.

Cómo ayudó la IA: Depuración lingüística estratégica

El problema de “desaprendizaje organizacional” de FengSys requería que la IA reconociera primero los patrones, específicamente el laberinto oculto de contradicciones incrustadas en miles de documentos que ningún revisor humano podría detectar de forma confiable, dentro del presupuesto y a gran escala.

Dado que el personal interno estaba demasiado involucrado con la historia de la empresa como para percibir claramente las inconsistencias, la compañía trabajó con una consultora externa especializada. Esta firma implementó un modelo basado en GPT-4 configurado específicamente con la propia biblioteca documental de la empresa, para analizar miles de páginas de presentaciones comerciales, propuestas y comunicaciones con clientes.

¿El resultado? Como explicó Leonor, vicepresidenta de marketing: “Esto nos dio una visión objetiva y basada en la evidencia del problema, una que ningún defensor interno podía cuestionar ni desviar.”

3. Mitos sobre los clientes que distorsionan la estrategia

Una firma global de servicios financieros que estudiamos (a la que llamaremos SuboBank) seguía aferrándose a la creencia de que “los clientes mayores evitan la banca móvil”.

Aunque los datos externos sugerían que los jubilados ahora constituyen uno de los grupos de usuarios de aplicaciones móviles con mayor crecimiento, la idea de que eran rezagados tecnológicos era difícil de abandonar. SuboBank operaba bajo una única suposición profundamente arraigada que nunca había sido contrastada de forma sistemática con el comportamiento real de los clientes.

Cómo ayudó la IA: Desmentir mitos mediante evidencia conductual

Para desentrañar esta creencia arraigada, la dirección configuró IBM Watson Analytics para integrar y cruzar simultáneamente tres flujos de datos en tiempo real: 1) registros de comportamiento dentro de la aplicación, que rastreaban cómo los clientes de todas las edades utilizaban realmente la plataforma móvil de SuboBank; 2) datos sobre la opinión de los clientes extraídos de interacciones con el servicio de atención al cliente, respuestas a encuestas y registros de quejas; y 3) datos demográficos externos sobre las tendencias de adopción móvil entre clientes de 60 años o más.

Cada vez que el comportamiento real contradecía lo que asumía la documentación interna, el sistema lo señalaba. A medida que los gerentes y líderes sénior revisaban los reportes de comportamiento generados por la IA, tomaban sus propias decisiones sobre qué cambios de diseño debían priorizarse.

L

as pruebas A/B son el estándar de oro de la experimentación. Su objetivo es ayudar a las empresas a tomar decisiones más rápidas, mejores y basadas en datos. Pero, con demasiada frecuencia, ocurre lo contrario. La reunión comienza con optimismo: una nueva idea de precios, diseño publicitario o pantalla de registro entra en una prueba A/B. Tras semanas de espera, los analistas regresan con valores p, umbrales de confianza del 95% y una conclusión ya conocida: “Deberíamos esperar a tener más datos. Aún no tenemos suficiente evidencia y no es estadísticamente significativa”.

Esperar a tener “suficientes datos” se siente seguro, pero consume tiempo, participación y crecimiento. Hay una razón para ello: los métodos estadísticos comunes recompensan la inacción.

En lugar de juzgar si un resultado es lo suficientemente significativo, los equipos deberían evaluar qué decisión minimiza la pérdida en el peor escenario. Esta guía surge de un marco de decisión denominado “arrepiento minimax asintótico” (AMMR).

El AMMR muestra cómo actuar utilizando pruebas A/B, manteniendo al mismo tiempo el rigor estadístico que se espera de los equipos modernos de analítica y conservando mecanismos de protección para los casos en los que la decisión ejecutiva pudiera resultar incorrecta, al limitar las pérdidas en el peor escenario.

Así es como se aplica el AMMR en cuatro pasos:

1. Formule la pregunta correcta.

En esencia, el AMMR reduce cada decisión de prueba a un único umbral: lance la nueva idea si su incremento estimado supera su costo de implementación por cliente. En otras palabras, “elija al ganador”. Esta lógica, que durante mucho tiempo fue intuida por profesionales como Jeff Bezos, ahora cuenta con un respaldo riguroso.

Los ejecutivos ya piensan en términos de economía unitaria. El AMMR simplemente lo hace explícito y añade salvaguardas, de modo que los equipos de datos puedan trabajar con los ejecutivos, no en su contra. Por lo tanto, no pida a su equipo que recopile evidencia solo para lograr que el valor p sea < 0.05. El AMMR replantea las pruebas como una decisión de negocio: ¿Qué opción es más probable que genere más valor, teniendo en cuenta lo que ya sabemos?

2. Haga explícito el análisis de costo/beneficio de la alta dirección (en términos por cliente).

La mayoría de las decisiones de despliegue implican costos por cliente (o por unidad), por ejemplo, 1.7 dólares por cada talonario de cupones promocionales enviado o 0.03 dólares por cada chat de soporte adicional. Estos costos también incluyen tarifas de proveedores, infraestructura incremental, carga operativa y cualquier mínimo contractual prorrateado por usuario o cliente.

El AMMR convierte esos costos en un umbral de decisión, imponiendo disciplina: los equipos no pueden recomendar lanzamientos cuya economía unitaria esperada no supere sus propios costos de implementación. Este es el criterio de decisión:

— Lance si el incremento estimado por cliente es ≥ al costo unitario de implementación.

— Deténgase si es inferior.

3. Exija resultados expresados en términos de negocio.

Indique a su equipo de analítica que reporte tres elementos en cada prueba A/B:

— Decisión (basada en AMMR): ¿Lanzar o detenerse?

— Pérdida esperada en el peor escenario si seguimos esa decisión (en dólares/KPIs).

— Tamaño de muestra necesario para limitar la pérdida a un objetivo que usted defina (por ejemplo, “mantener la pérdida diaria de ingresos en el peor escenario por debajo de 10,000 dólares”).

Por qué funciona: la pérdida en el peor escenario escala linealmente con el error estándar del ATE (efecto promedio del tratamiento). Esto le brinda una palanca clara: si el límite de pérdida actual es demasiado alto, usted sabe exactamente cuánta recolección adicional de datos se necesita para reducirlo al nivel deseado y asegurarse de que un posible error no resulte demasiado costoso.

4. Cierre el ciclo para el aprendizaje estratégico.

Como el AMMR expresa todo en el KPI que usted gestiona, facilita el aprendizaje posterior al lanzamiento.

Dado que todo se mide en el KPI que usted administra, puede comparar pronósticos con resultados y refinar los umbrales futuros. Puede preguntarse: ¿La acción generó el valor que esperábamos? Si no fue así, ¿la variabilidad fue mayor de lo previsto o el efecto fue menor? Utilice esas respuestas para ajustar el próximo límite de pérdida objetivo y el plan de muestreo de su siguiente prueba.

L

os directores de marketing (CMO, por sus siglas en inglés) tienen uno de los mandatos más cortos de la C-suite. No es porque la mayoría sean malos en marketing, sino porque les cuesta relacionar el impacto del marketing con los resultados comerciales que realmente importan a los equipos financieros y ejecutivos.

No hay duda de que los CMO están bajo una intensa presión para aumentar los ingresos y mejorar la eficiencia. El problema es que muchos de sus KPIs tradicionales (alcance, impresiones, tasas de interacción, estudios de reconocimiento de marca) son útiles para los especialistas en marketing, pero no se conectan directamente con los resultados comerciales.

Los directores financieros (CFO, por sus siglas en inglés), CEOs y la junta directiva se preocupan por las ganancias, la previsión de estabilidad y la asignación de capital. Quieren saber: si gastamos 2 millones de dólares adicionales en marketing el próximo trimestre, ¿cuántos ingresos incrementales podemos esperar? ¿Y cuánta confianza tenemos en ese número? Cuando los CMO no pueden responder con claridad a esa pregunta, se generan expectativas desalineadas y presupuestos de marketing infrautilizados. Más aún, esto lleva a que el equipo ejecutivo vea al marketing como un centro de costos en lugar de un motor de crecimiento.

He observado esta dinámica en repetidas ocasiones, tanto al dirigir el análisis de marketing de la marca de productos de aseo personal Harry’s como al asesorar a cientos de equipos de marketing y finanzas de empresas sobre la medición. En todas estas colaboraciones, el patrón es claro: las organizaciones que alinean el marketing y las finanzas en torno a la medición suelen ahorrar considerablemente al reducir el gasto innecesario e invertir en lo que realmente funciona. ¿Cuál es la solución? Que los CFO y CMO compartan la responsabilidad de la agenda de medición, y que ambas partes la adopten.

Construyendo una mejor relación CMO-CFO

La brecha entre CMO y CFO surge de presiones contradictorias: los CFO se enfocan principalmente en las ganancias del próximo trimestre y necesitan resultados inmediatos y medibles del gasto en marketing. Mientras tanto, los CMO se debaten entre impulsar el rendimiento a corto plazo y construir valor de marca a largo plazo. El resultado frecuente es que la medición del marketing se vuelve retrospectiva en lugar de prospectiva. Los equipos de marketing gastan más energía en demostrar que las campañas anteriores funcionaron, en lugar de comprender qué impulsa el rendimiento actual.

Pero las condiciones de marketing cambian rápidamente, y la medición del marketing es propensa a errores. Lo que pareció funcionar el trimestre pasado puede no funcionar este trimestre. Cuando los planes, proyecciones y ejecución dependen de dinámicas de campaña obsoletas, el resultado es predecible: proyecciones optimistas que no alcanzan los resultados reales trimestre tras trimestre, erosionando sistemáticamente la confianza de las finanzas en los números de marketing.

A medida que este ciclo de desconfianza se profundiza, ambas partes se refugian en sus zonas de confort: marketing en métricas que pueden controlar (impresiones, clics, etc.), y finanzas en métricas en las que confían (ingresos, ganancias, flujo de efectivo). Al final, ninguna de las dos partes logra un entendimiento compartido de qué acciones de marketing impulsan los resultados comerciales.

Romper este ciclo no se trata de mejores métricas de marketing ni de modelos de atribución más sofisticados. Más bien, se trata de reconocer que los CFO y CMO en realidad quieren lo mismo: un crecimiento predecible y rentable. Los CFO piensan en sistemas, proyecciones de ganancias y ROI incremental (aunque no necesariamente lo llamen así). Quieren saber cómo un cambio en la estrategia de marketing afectará al negocio, y qué rango de resultados pueden esperar con base en diversos escenarios de marketing.

Cuando la colaboración es exitosa, los CMO satisfacen estos deseos con sistemas sólidos de planeación, generación de hipótesis y ejecución que se enfocan en las métricas que le importan al CFO. En lugar de preguntarse “¿Qué funcionó el trimestre pasado?”, preguntan: “¿Qué canales nos generan más incertidumbre? ¿Qué apuestas de marketing deberíamos hacer el próximo trimestre, y qué resultados podemos esperar?” Esto es exactamente lo que el CFO quiere: una medición que le ayude a planear y operar el negocio. Cuando un CMO puede decir “aumentar la inversión en TV en un 20% debería generar entre 3 y 5 millones de dólares en ingresos adicionales, y aquí está cómo validaremos esa predicción”, está hablando el idioma del CFO.

Cómo se produce realmente la alineación CMO-CFO

He hablado con cientos de ejecutivos de marketing, finanzas y datos (desde empresas de la lista Fortune 500 hasta startups de alto crecimiento y grandes plataformas de anuncios) en el proceso de ayudar a implementar estas estrategias de alineación en los sectores de bienes de consumo, tecnología financiera y farmacéutico en marcas reconocidas como Canva, Rocket Money, Los Angeles Times, Masterclass y muchas más.

El hilo común en estos negocios es que la alineación real requiere un cambio cultural en la forma en que el CMO y el CFO piensan sobre la medición y la toma de decisiones. Esto es lo que hacen los equipos más exitosos:

1. Cambian la pregunta fundamental de “¿qué funcionó?” a “¿qué deberíamos hacer ahora, y qué tan seguros estamos?” Esto replantea cada conversación de medición en torno a la acción y la incertidumbre, en lugar de la justificación y la falsa certeza.

2. Establecen un lenguaje compartido de incertidumbre, pronósticos y riesgo. En lugar de que marketing presente estimaciones puntuales (“La TV lineal genera un ROI de 3.1x”), ambos equipos deberían discutir rangos y niveles de confianza (“La TV lineal probablemente genera un ROI entre 2.2x y 3.8x, con base en los datos actuales”).

3. Implementan experimentos de marketing regulares y revisiones de avance de objetivos a las que ambos equipos asisten. Se enfocan en qué experimentos se han ejecutado y qué se ha aprendido, cómo esos aprendizajes influyen en las expectativas futuras y qué grandes cambios está planeando el equipo.

Estos cambios generan resultados. Cuando la medición es responsabilidad de todo el negocio (no solo del marketing) ocurre algo interesante. El marketing obtiene mejores resultados porque las decisiones se basan en el impacto comercial y no en métricas específicas de cada canal. La confianza del CFO en el CMO aumenta porque las recomendaciones vienen acompañadas de la validación y el rigor de proyección que espera de otras inversiones.

Diversas marcas líderes ya están trabajando para crear esta alineación. McDonald’s, una potencia del marketing, hizo de la alineación CFO-CMO un pilar de su estrategia de crecimiento “Accelerating the Arches”. En una entrevista reciente, el CFO Global de McDonald’s, Ian Borden, habló sobre la importancia de que las finanzas defiendan la colaboración con el marketing:

Marketing y finanzas construyeron alineación estableciendo un lenguaje compartido: uno basado en datos, impacto y resultados comerciales. Hoy, nuestros equipos financieros y de marketing trabajan como verdaderos socios, asegurando que cada dólar de marketing sea una inversión que genere rendimientos medibles. Cuando la creatividad y la estrategia comercial avanzan al unísono, se transforma no solo la marca, sino también el negocio.

AT&T dio pasos similares. En una reunión reciente con su CMO y CFO, Fortune señaló que “los equipos de marketing exitosos utilizan KPIs compartidos para demostrar el impacto financiero, lo cual facilita que los CFO respalden nuevas iniciativas.” AT&T priorizó esta alineación contratando a Pascal Desroches como CFO, un ejecutivo que aportaba más de 20 años de experiencia en la industria de medios antes de AT&T. Su contraparte CMO, Kellyn Smith Kenny, señaló que tener a una persona de finanzas en la mesa de liderazgo “que domine la práctica del marketing y el crecimiento es de gran ayuda.”

Si gigantes globales como McDonald’s y AT&T ven valor en cerrar la brecha entre CMO y CFO, también pueden hacerlo las marcas más nuevas con equipos de marketing más pequeños. ¿El resultado final para los CMO? Al estar finalmente alineados con las métricas que importan, pueden quedarse en sus puestos.