Inteligencia artificial para lograr la descarga de nuestras apps

Toda startup se enfrenta al desafío de afianzar una base de usuarios que le permita continuar y expandir sus actividades.

Y lograr este objetivo muchas veces implica el desarrollo de nuevos productos para, de ese modo, ofrecer soluciones más integrales a sus usuarios y, así, convocar a nuevos clientes.

Ahora bien, ¿cómo acercamos nuestros nuevos productos a potenciales usuarios que aún no consumen lo que nuestra startup ofrece? Y, más aún, ¿cómo logramos que nuestros usuarios actuales adopten nuestros nuevos productos

Si bien estas preguntas pueden resultar obvias, en tiempos en los que los servicios digitales abundan y en los que ampliar el offering de productos supone entrar en una competencia muy agresiva, no es tan simple dar con las respuestas. Los usuarios son cada vez más exigentes, demandan más y más de los productos y servicios que adquieren, aún siendo clientes habituales. 

Los usuarios pueden abandonar una app si sus expectativas no son satisfechas o sus funcionalidades no son las que necesita. Esto puede representar un riesgo que tenemos que mitigar, pero también supone una oportunidad: debemos estar atentos a los errores que cometen nuestros competidores

A la hora de encarar un desafío, lo primero que debemos hacer es conocer a qué nos enfrentamos. Se vuelve fundamental conocer qué capacidad tiene nuestra app para retener usuarios (esto se denomina stickiness). 

El índice de stickiness se calcula dividiendo la cantidad de usuarios activos diarios por la cantidad de usuarios mensuales diarios. Cuanto más alto sea este índice, mayor será el nivel de satisfacción de la aplicación en los usuarios. Contando con nuestros valores base será mucho más fácil establecer objetivos claros y planificar para lograrlos.

Hoy en día, los usuarios descargan una app y, con esa descarga, nos están brindando su información personal, esperando una experiencia hecha a medida. Es por ello que la tarea no termina una vez instalada la aplicación; debemos utilizar la información del usuario para predecir su travesía por la app y ofrecerle una experiencia que nos asegure un uso continuado.

Contar con una app con usuarios activos nos ofrece una gran y valiosa fuente de información que podemos usar a nuestro favor. Conocemos las características y comportamientos de nuestra user base y la entendemos mejor para, por ejemplo, lanzar una nueva app. De este modo, podemos cubrir las necesidades que fuimos encontrando a lo largo de la vida y análisis del uso de nuestros otros productos.

La gran posibilidad que tenemos es la de poder ofrecer a los usuarios una experiencia personalizada tan pronto comienzan a usar nuestra app. Ya conocemos a nuestro usuario, por lo que tenemos una mayor chance de poder ofrecerle features que cubran sus necesidades, asegurándonos algo de “stickiness” desde el primer uso. De este modo, apuramos la maximización de ganancias al saltearnos la curva de aprendizaje. 

Otra enorme ventaja es que podemos estimular a nuestros usuarios existentes para que descarguen y prueben la nueva app, otra vez, valiéndonos de todo el conocimiento de la user base con el que ya contamos. Podemos lanzar campañas de marketing de adopción hechas a medida para cada segmento de nuestros usuarios.

Cross-selling: ¿cómo lograr que nuestros usuarios actuales adopten nuevos productos?

Enfoquémonos ahora sobre el último punto que discutimos: queremos lograr un efecto de cross-selling desde nuestra app existente hacia nuestra nueva app. 

Para lograrlo podemos hacer uso de herramientas de Machine Learning y conceptos de la Inteligencia Artificial.

Si queremos predecir cuáles serán los usuarios-objetivo de nuestras campañas de marketing, necesitamos conocer cuáles son los casos de éxito. Así, alimentamos nuestros modelos y generamos predicciones que permitan una alta conversión.

Una vez que contamos con una base de usuarios pequeña de nuestra nueva app, podemos rastrear una correlación del comportamiento que tienen los usuarios de la app A y cómo se desenvuelven en la app B. Esto nos permitirá segmentar los usuarios de la app B para entender qué tipos de usuarios tenemos y qué campañas y estrategias de marketing necesitaremos para generar más usuarios.

Para esto se pueden realizar algoritmos de aprendizaje supervisado: a partir del comportamiento de los usuarios de la app A, que también fueron usuarios de la app B, pueden hacerse predicciones bastante precisas de quiénes serán los usuarios más asertivos ante una campaña de marketing, para volverse usuarios de la app B

Será, luego, tarea del área de marketing determinar qué canales serán utilizados para comunicar esas campañas: SMS, notificaciones a la app A, e-mails, publicidad en redes sociales, etc.

Estos modelos no solo nos ofrecerán la capacidad de incrementar los usuarios de nuestras nuevas aplicaciones, sino también, y lo que es muy relevante, evitarán que los esfuerzos de obtener nuevos usuarios generen churn de nuestra primer app (app A).

Los datos de comportamiento nos permitirán, por ejemplo, ser menos insistentes en nuestras campañas de marketing con aquellos usuarios que suelen molestarse, y desinstalar apps, cuando se los aborda con publicidad en forma agresiva. 

Si bien mucho de este trabajo implica un ciclo iterativo de mejoras en el scheduling de notificaciones, también es una buena oportunidad para aplicar técnicas de machine learning que segmenten usuarios y calculen su tolerancia a las notificaciones.

Utilizando el sentido común, aumentado gracias a los insights que estas herramientas nos proveen, podemos obtener un balance seguro en nuestras campañas.

En síntesis, los pasos del proceso serían los siguientes:

  1. Identificar y caracterizar las distintas áreas o servicios de la app B que podrían interesar a nuestros usuarios existentes de la app A.
  2. Identificar/caracterizar a los usuarios de la app A que ya hayan usado la app B.
  3. Hacer lo mismo con todo el resto de los usuarios que todavía no hayan probado la app B.
  4. Una vez recabada toda esta información, podremos entrenar un modelo predictivo de machine learning para cada área de nuestra app B que nos informe qué probabilidad tiene cada usuario A de hacer uso de cada área de la app B.
  5. Con estas predicciones ya sabremos a qué usuarios lanzarles campañas de marketing más agresivas para la adopción de B.
Explicación del gráfico:
Los usuarios celestes nunca usaron la APP B, los verdes sí.
Se trata de mostrar el plan de: a partir de usuarios de A que sabemos que usan la B, encontrar los que se les parecen y meterlos dentro de un segmento. Luego, como se parecen a los usuarios verdes, a los celestes de ese segmento les hacemos campañas de MKT para que también usen el servicio X.


Por supuesto, esta es una de las alternativas. Se pueden utilizar diferentes enfoques, como el uso de algoritmos de aprendizaje no supervisado (clustering) para segmentar los usuarios junto con análisis de clusters, si es que nuestra base de usuarios de la app B resultase ser escasa. Aún así, obtendremos estimaciones precisas y objetivas.

En 7Puentes contamos con una amplia experiencia en cross-selling y segmentación de usuarios: desde el análisis, el diseño y la implementación de modelos predictivos, hasta la validación y monitoreo de resultados para aplicar mejora continua.

Junto con nuestro equipo de expertos entendemos la importancia de aplicar prácticas ágiles para poder desplegar valor en tus productos de manera iterativa e incremental, en ciclos cortos de trabajo, prueba y validación. 

Así, podrás cumplir con tus objetivos y visualizar los resultados sobre tus productos en el menor tiempo posible. 

Nuestros científicos de datos altamente capacitados están preparados para trabajar codo a codo con tus expertos. Y, a la par con nuestros ingenieros y testers con basta experiencia, estarán listos para enfrentar cualquier desafío sea grande o pequeño.

¿Qué estás esperando para expandirte y transformarte en el nuevo líder del mercado?