Inteligencia artificial: La clave para que descarguen tu app

Toda startup se enfrenta al desafío de afianzar una base de usuarios que le permita continuar y expandir sus actividades. Lograr este objetivo muchas veces implica el desarrollo de nuevos productos para ofrecer soluciones más integrales a sus usuarios y así convocar a nuevos clientes. Ahora bien, ¿cómo acercar nuevos productos a potenciales usuarios que aún no consumen lo que ofrecemos? Y, más aún, ¿cómo logramos que nuestros usuarios actuales adopten nuestros nuevos productos? Por Malena Maffei, data scientist de 7Puentes.

Malena Maffei, data scientist de 7Puentes

En tiempos en los que los servicios digitales abundan y en los que ampliar el offering de productos supone entrar en una competencia agresiva, no es tan simple dar con las respuestas. Los usuarios son cada vez más exigentes y demandan más, aun 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, pero también supone una oportunidad. Se vuelve fundamental conocer qué capacidad tiene nuestra app para retener usuarios, lo que 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.

Hoy en día, los usuarios descargan una app y, con esa descarga, nos están brindando su información personal, esperando una experiencia hecha a medida. Por eso 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 asegure un uso continuado.

Contar con una app con usuarios activos 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 es la de poder ofrecer a los usuarios una experiencia personalizada tan pronto comienzan a usar la app. Ya conocemos al usuario, por lo que hay una mayor chance de poder ofrecerle features que cubran sus necesidades, asegurando 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 se puede estimular a los 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. Se pueden lanzar campañas de marketing de adopción hechas a medida para cada segmento de usuarios.

Cuando se quiera lograr un efecto de cross-selling desde una app existente hacia una nueva app, se puede 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.

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 primera 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:

Identificar y caracterizar las distintas áreas o servicios de la app B que podrían interesar a nuestros usuarios existentes de la app A.
Identificar/caracterizar a los usuarios de la app A que ya hayan usado la app B.
Hacer lo mismo con todo el resto de los usuarios que todavía no hayan probado la app B.
Una vez recabada toda la información, se puede 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.
Con estas predicciones ya sabremos a qué usuarios lanzarles campañas de marketing más agresivas para la adopción de B.