Crecimiento de productos tecnológicos

Posts from the ‘gestión de producto’ category

¿A los clientes les importa realmente tu nueva funcionalidad de IA?

por en 3 mayo 2025

Muchas empresas están incorporando funcionalidades de IA a sus productos para hacerlos parecer más innovadores y valiosos. Sin embargo, recientes estudios muestran que hacer patente que un producto está «impulsado por IA»  puede tener efectos negativos en la mayoría del mercado y reducir la intención de compra y las expectativas de prestaciones de nuestro producto.

Seguimos hablando del desarrollo de productos basados en IA, ahora respondiendo a una pregunta clave: ¿a nuestros clientes realmente les importa?

La IA existe desde hace décadas en entornos empresariales y de consumo, y suele ejecutarse en segundo plano en sistemas y programas que utilizamos a diario. Pero no ha sido hasta hace poco, cuando herramientas de IA generativa como ChatGPT han ganado terreno entre los consumidores, que la IA ha pasado a ocupar los titulares de actualidad.

Esta popularidad, impulsada por la IA generativa, ha hecho que casi todas las empresas destaquen cómo utilizan o planean utilizar la IA. Las empresas se están apresurando a comercializar sus productos como «impulsados por la IA» porque, en las primeras fases de un nuevo ciclo tecnológico, la mera mención de la nueva tecnología tiende a aumentar las valoraciones y atraer a nuevos inversores. Es curioso ver cómo las nuevas funcionalidades y características basadas en IA florecen en todo tipo de productos hardware y software:

  • Como estrategia ofensiva: la IA permite hacer cosas que antes eran imposibles y resolver problemas de mercado que antes eran impensables. Esto puede otorgar ventajas competitivas tanto en valor aportado, funciones y características como en posibilidades de comunicación (imagen de innovación, encaje con el zeitgeist). Incluso puede ayudar a atraer inversores.
  • Como estrategia defensiva: ciertamente, si todos los competidores están incorporando funciones de IA y el mercado lo da por descontado, si nosotros no lo hacemos nos podemos quedar en desventaja competitiva en los ámbitos mencionados.

Como consecuencia, hemos visto cómo las empresas revisaban sus estrategias de marketing y, en lugar de limitarse a vender aplicaciones, ordenadores, teléfonos y televisores, empezaron a poner a la venta «aplicaciones con IA», «ordenadores con IA», «teléfonos con IA» y «televisores con IA». Y aunque vimos los resultados de estos esfuerzos en lo que respecta al interés de los inversores, no está clara la eficacia de este marketing de IA a la hora de vender.

Con la IA más allá del estado de palabra de moda y acercándose peligrosamente al cliché, vamos a dedicar a este tema éste y el siguiente post.

Imaginemos que nuestra empresa libera una nueva funcionalidad de IA en nuestro producto. Todos han trabajado muy duro durante los últimos meses para definir, diseñar, implementar y probar esta nueva función. Estamos entusiasmados con el lanzamiento, pero ahora tenemos que tomar una decisión: ¿Hasta qué punto revelamos que estamos utilizando IA? Estamos considerando una página de aterrizaje de marketing que titula con «AI-powered» o «AI-enhanced». ¿Deberíamos hacerlo?

Podría parecer que cuanto más destaquemos la IA, más innovador y valioso parecerá nuestro producto. Al fin y al cabo, es una estrategia que todo el mundo está utilizando. Y añadir IA al nombre de nuestro producto parece una forma segura de hacer que nuestra empresa y su producto parezcan estar a la vanguardia de la innovación.

Pues resulta que esto no es necesariamente cierto. De hecho, como veremos a continuación, algunas recientes investigaciones han puesto en duda esta suposición.

Un estudio en el mercado de consumo

En su artículo “Adverse impacts of revealing the presence of “Artificial Intelligence (AI)” technology in product and service descriptions on purchase intentions: the mediating role of emotional trust and the moderating role of perceived risk”, M Cicek, D. Gursoy y L. Lu describen los resultados de un estudio que investigó cómo la mención explícita de la «Inteligencia Artificial» (IA) en las descripciones de productos y servicios influye en el comportamiento de los consumidores. Los investigadores realizaron encuestas a más de 1.000 adultos en EE.UU. que incluían preguntas sobre diversos productos y servicios, como televisores, coches, móviles, frigoríficos y servicios de atención al cliente.

Los participantes fueron expuestos a descripciones que mencionaban la IA o utilizaban términos alternativos más genéricos como «nueva tecnología» o «tecnología avanzada». Por ejemplo, en un experimento se presentaron a los participantes descripciones idénticas de televisores inteligentes, con la única diferencia de que en una se incluía el término «inteligencia artificial» y en la otra se omitía.

Los factores ocultos detrás de las dudas sobre los productos de IA

Cuando los consumidores compran un producto, especialmente un artículo caro, hay algo más en juego que la idea o el hecho de que el producto resuelva un problema o satisfaga una necesidad en la vida del consumidor. Entre bastidores, el comprador está evaluando el riesgo de comprar o cambiar a este nuevo producto. La confianza consciente, subconsciente y emocional son factores cruciales en este proceso de toma de decisiones.

Aunque la mayoría de las personas están de acuerdo en que la IA puede tener un impacto positivo en las operaciones y los procesos, se vuelven temerosas o escépticas en determinados contextos.

Estos contextos incluyen situaciones en las que sienten que sus datos podrían verse comprometidos o utilizados de formas que desaprueban, cuando consideran que la IA se puede equivocar o cuando se presentan cuestiones relacionadas con la moralidad y la ética.

Impacto negativo en la intención de compra

El estudio reveló que incluir el término «Inteligencia Artificial» en las descripciones de productos/servicios reduce la intención de compra en comparación con las descripciones que utilizan términos genéricos como «nueva tecnología» o «tecnología avanzada». Este efecto fue consistente en experimentos con productos como televisores, coches, frigoríficos y servicios de atención al cliente.

Papel mediador de la confianza emocional

El descenso de las intenciones de compra se debe a la pérdida de confianza emocional (sentimientos de seguridad, control y comodidad sobre el producto o la marca). La confianza emocional, que va más allá de la confianza cognitiva, es esencial para entender tecnologías sofisticadas como la IA, que implican un nivel de confianza más profundo e intuitivo que influye significativamente en la aceptación del consumidor. La confianza emocional en la IA es la variable intermedia que explica el mecanismo mediante el cual la mención de la IA influye sobre la intención de compra. Los consumidores perciben la IA como compleja, opaca o arriesgada, lo que provoca una disminución de la conexión emocional y de la confianza en el producto.

Papel moderador del riesgo percibido

El efecto negativo sobre la intención de compra es mayor en los productos de alto riesgo (por ejemplo, herramientas de diagnóstico médico, vehículos autónomos) que en los de bajo riesgo (por ejemplo, aspiradoras). Un mayor riesgo percibido amplifica la preocupación por la seguridad, la privacidad y el control, erosionando aún más la confianza.

Un estudio en el mercado de software empresarial

En el post “Customers don’t care about your AI feature”, Kristen Berman y su equipo de Irrational Labs describen los resultados de un estudio que intentaba contestar a una pregunta sobre el mercado de software empresarial: ¿Etiquetar un producto como «impulsado por IA» inspira confianza o interés, o corre el riesgo de percibirse como ruido de jerga tecnológica?

Para responder a esta pregunta, encuestaron a 767 usuarios de software empresarial y realizaron un experimento controlado. De los 767 participantes, el 73% tenía un título universitario o superior, el 48% eran hombres y el 60% ganaba más de 60.000 dólares al año (la renta media en EE.UU.).

A los participantes se les presentaron páginas de aterrizaje de cuatro productos de la vida real con funciones basadas en IA. En uno de los casos, las descripciones de los productos incluían de forma destacada términos como «impulsado por IA» o «IA generativa». En el otro caso, las descripciones se centraban en las características y ventajas sin mencionar directamente la IA.

Al comparar las respuestas de los participantes a estos dos enfoques, pretendían descubrir cómo influía el etiquetado explícito de la IA en la percepción de las prestaciones del producto, la confianza y la disposición a pagar.

El resultado fue que etiquetar nuestro producto como «IA» puede no ser el impulso que creemos que es. No genera necesariamente confianza, no justifica un precio más alto ni convence a los clientes de que funcionará mejor. Y si lo utilizamos de forma incorrecta, puede acabar haciendo lo único que ningún vendedor o product manager debería hacer: desanimar a su público.

El resumen de sus hallazgos es el siguiente:

Expectativas de prestaciones

En lugar de mejorar las percepciones, el término «IA generativa» redujo significativamente las expectativas del rendimiento potencial de un producto. Este descenso puede reflejar un escepticismo cada vez mayor debido a las decepciones más sonadas de la IA: herramientas que prometen demasiado y no cumplen lo prometido, como chatbots poco fiables o contenidos generativos mediocres.

Disposición a pagar

Etiquetar un producto como basado en inteligencia artificial no justificaba un precio más alto. Los clientes no estaban dispuestos a pagar más a menos que la herramienta demostrara beneficios claros y convincentes. No bastaba con incluir «IA» en la descripción para convencer a los usuarios de que desembolsaran más dinero.

Percepción de la confianza

El impacto en la confianza fue en gran medida neutro. Para la mayoría de las marcas, mencionar explícitamente la IA no aumentó la confianza del cliente en la fiabilidad de la herramienta.

¿La conclusión? La mención explícita de la IA no es garantía de éxito. No aumenta las expectativas de prestaciones, la disposición a pagar (en la mayoría de los casos) ni la confianza.

Un par de salvedades

Lo primero que cabe preguntarse sobre los resultados de estos dos estudios es si son fiables. Ambos están basados en encuestas de investigación tradicionales. Y, como hemos explicado muchas veces por aquí, los clientes tienen muchas dificultades para expresar sus opiniones sobre productos innovadores, que no conocen en profundidad. La verbalización consciente («lo que los clientes dicen») no es la mejor manera de investigar lo que los clientes piensan sobre necesidades anticipadas o inciertas y sobre soluciones nuevas o en evolución.

Además, ambos estudios se realizaron sobre una muestra aleatoria de la población bajo análisis, es decir, no se sobreponderó ningún segmento de perfil demográfico, psicográfico, comportamental, etc. En particular, en la muestra no hay una mayor proporción de entusiastas de la tecnología o de early adopters en general.

Sin duda eso afectó a los resultados de los estudios y debería tenerse en cuenta a la hora de comercializar una nueva funcionalidad de IA.

En el próximo post analizaremos las implicaciones de estos resultados para las empresas y cómo deberíamos comunicar nuestra nueva funcionalidad de IA.

El post “¿A los clientes les importa realmente tu nueva funcionalidad de IA?” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Marketing estratégico para empresas tecnológicas y Product Marketing de productos tecnológicos te pueden ayudar.]

1 comentario

Productos basados en IA vs. tradicionales: implementación de producto

por en 19 abril 2025

La implementación de productos de IA difiere de los productos tradicionales en que requiere una mayor variedad de perfiles involucrados, es más iterativa (debido a la necesidad de seleccionar, ajustar y evaluar modelos) y debe proporcionar al producto componentes de control, evolución y explicabilidad.

Seguimos analizando cómo difieren las actividades de desarrollo en productos basados en AI frente a los tradicionales.

El equipo de Implementación construye la solución a partir de los requisitos y las especificaciones generadas durante la Definición y Diseño de producto. Como paso fundamental de esta actividad el equipo crea una especificación técnica que describe la arquitectura y la construcción interna de la solución. El objetivo es llegar a una “unidad cero” del producto que garantice la replicabilidad/fabricabilidad, la calidad, la escalabilidad en las prestaciones, la posibilidad de evolución y la adaptabilidad (en su caso) del producto a diferentes segmentos de clientes.

Dado que la IA consiste esencialmente en software, la implementación de estos productos se suele instrumentar como uno -o varios- proyectos que se gestionan y ejecutan, dependiendo del escenario, usando técnicas y herramientas tales como:

  • Desarrollo ágil.
  • Desarrollo en cascada.
  • Herramientas Low-code o No-code.
  • Desarrollo asistido por AI.

Waterfal vs Agile

Sobre este último punto, mucho se ha venido hablando recientemente sobre el «vibe coding”: utilizar la IA para generar código a partir de instrucciones en lenguaje natural. Y es que el enfoque ofrece ventajas, pero requiere una aplicación cuidadosa.

Ventajas:

  • Rapidez: permite la creación rápida de prototipos y aplicaciones básicas.
  • Accesibilidad: reduce la barrera para que los no programadores desarrollen sus ideas.
  • Aumento de la creatividad: libera a los desarrolladores para que se centren más en la arquitectura que en la sintaxis.

Inconvenientes:

  • Calidad del código: el código generado por IA puede no estar optimizado o introducir alucinaciones y deuda técnica.
  • Retos de depuración: corregir el código opaco de la IA puede requerir muchos esfuerzo.
  • Riesgos de seguridad: el código no probado puede incluir vulnerabilidades.

Por eso de momento el “vibe coding” está indicado en los siguientes casos:

  • Creación de prototipos: Ideal para MVP o proyectos de prueba de concepto.
  • Funciones y características no críticas: componentes de interfaz de usuario sencillos o código repetitivo.

Las diferencias más importantes entre productos de IA y tradicionales en el área de Implementación de producto son:

  • Proceso de desarrollo y composición del equipo. En el desarrollo de la IA participan científicos de datos, ingenieros de aprendizaje automático y evaluadores de modelos junto con ingenieros de software tradicionales. El equipo debe colaborar en la construcción de modelos, la ingeniería de datos y la integración de software. Esto hace que el proceso sea más iterativo, ya que los modelos se ajustan y prueban, y suele requerir conocimientos especializados en marcos de aprendizaje automático, pipelines de datos y herramientas de despliegue.
  • Recopilación y preparación de datos. Una parte importante de la fase de implementación se dedica a recopilar, limpiar, etiquetar y transformar los datos. La calidad de los datos, el preprocesamiento y la ingeniería de características son pasos críticos, ya que el rendimiento del modelo de IA depende en gran medida de la precisión, relevancia e integridad de los datos. Esta fase suele ser la que más tiempo requiere y exige recursos específicos de ingeniería de datos.
  • Selección, entrenamiento y ajuste de modelos. La implementación de la IA implica seleccionar y experimentar con diferentes modelos, algoritmos de entrenamiento y ajuste de hiperparámetros para optimizar el rendimiento. El entrenamiento de un modelo de IA es un proceso iterativo, que requiere ensayo y error y evaluaciones periódicas del rendimiento utilizando métricas como la exactitud, la precisión, la cobertura y el valor F1. Este proceso puede llevar días, semanas o incluso más tiempo, dependiendo de la complejidad del modelo y de los datos.
  • Prototipado, experimentación y evaluación de modelos. La experimentación es fundamental, ya que el rendimiento del modelo puede variar significativamente en función de los hiperparámetros y las configuraciones de los datos. Durante la implementación, los desarrolladores evalúan continuamente el rendimiento del modelo frente a conjuntos de validación, ajustando el modelo o los datos según sea necesario. La evaluación del modelo también tiene en cuenta la imparcialidad, el sesgo y la interpretabilidad, lo que requiere métricas y pruebas adicionales para garantizar un uso ético.
  • Pruebas y validación. Además de las pruebas tradicionales, los productos de IA requieren una validación exhaustiva de la precisión predictiva y la generalizabilidad del modelo. Esto implica pruebas de rendimiento en conjuntos de entrenamiento, validación y pruebas no vistos previamente para evitar el sobreajuste. La validación incluye el tratamiento de casos extremos, el análisis del sesgo del modelo y la garantía de robustez en condiciones de datos variadas. Estas pruebas son continuas, ya que puede ser necesario volver a entrenar los modelos si cambia la distribución de los datos.
  • Implantación e integración continua. El despliegue implica la creación de entornos y canales que permitan la integración continua, el reentrenamiento de modelos y la supervisión periódica de los mismos. Puede que sea necesario volver a entrenar los modelos a medida que se disponga de nuevos datos, por lo que el despliegue incluye mecanismos para el reentrenamiento y el redespliegue automáticos, así como herramientas para supervisar la deriva (drift), la precisión y el rendimiento de los modelos. A menudo se utilizan marcos MLOps, que facilitan este flujo de trabajo.
  • Control y gestión de errores. La gestión de errores en la IA incluye la supervisión de problemas como la desviación del modelo, la disminución del rendimiento o las predicciones anómalas. Para ello, es necesario implantar herramientas de supervisión que monitoricen los cambios en la precisión o confianza del modelo a lo largo del tiempo y alerten a los desarrolladores si el rendimiento del modelo disminuye. Los sistemas de IA también pueden requerir mecanismos adicionales de realimentación del usuario para capturar resultados inesperados.
  • Interfaz de usuario para los resultados e interpretabilidad de la IA. A menudo, la interfaz de usuario debe acomodar los resultados probabilísticos mostrando puntuaciones de confianza, explicaciones o sugerencias alternativas. La aplicación requiere el diseño de interfaces intuitivas que ayuden a los usuarios a comprender e interpretar las predicciones de la IA, especialmente en aplicaciones críticas. También pueden integrarse técnicas de IA Explicable (XAI), lo que puede añadir complejidad al desarrollo tanto del front-end como del back-end.
  • Seguridad y privacidad. La implementación implica una mayor atención a la privacidad, especialmente en torno a la recopilación de datos, el almacenamiento y al entrenamiento de modelos. El acceso a los pipelines de datos, los modelos de entrenamiento y los resultados debe ser seguro para evitar fugas de datos o accesos no autorizados. Garantizar el cumplimiento de las leyes de privacidad (por ejemplo, GDPR) es a menudo más difícil porque los modelos de IA procesan con frecuencia datos personales sensibles.
  • Mantenimiento continuo y gestión de modelos. Los productos de IA requieren un seguimiento, una evaluación y un reentrenamiento continuos para mantener la exactitud y la relevancia del modelo. La recopilación continua de datos y los bucles de realimentación pueden ser necesarios para detectar la desviación del modelo o adaptarse a patrones cambiantes. A menudo se aplican prácticas de MLOps para agilizar este ciclo de vida, garantizando que los modelos sigan siendo exactos y útiles a lo largo del tiempo.

Muy importante: riesgo de Factibilidad

La IA es, por su propia naturaleza, no determinista. No tenemos ninguna garantía de que va a funcionar adecuadamente para resolver el problema de mercado que queremos resolver. Una tecnología que puede personalizar un feed de noticias con una tasa de error aceptable puede resultar totalmente inadecuada para dosificar un medicamento. La disponibilidad de datos de entrenamiento en cantidad y con calidad es un aspecto primordial a este respecto.

Por eso para evitar el riesgo de factibilidad están cobrando más importancia los prototipos y pruebas de concepto construidos mediante asistencia de IA.

En el próximo post analizaremos si a los clientes les importa realmente nuestra nueva funcionalidad de IA.

El post “Productos basados en IA vs. tradicionales: implementación de producto” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]

Deja un comentario

Productos basados en IA vs. tradicionales: diseño de producto

por en 5 abril 2025

El diseño de productos de IA difiere de los productos tradicionales en que debe proporcionar la funcionalidad y la experiencia de uso necesarias para que los usuarios puedan manejar los resultados inciertos y probabilísticos de la IA, les aporten transparencia y confianza, incorporen la realimentación y la mejora continua y proporcionen un comportamiento ético y cumplimiento normativo.

Seguimos analizando cómo difieren las actividades de desarrollo en productos basados en AI frente a los tradicionales.

Una vez realizada, al menos de una manera preliminar, la Definición de nuestro producto (y acotado y articulado el problema de mercado a resolver), Diseño de Producto se encarga de conceptualizar la solución a dicho problema, de formular y validar su propuesta de valor y de especificar el producto desde el punto de vista funcional y de experiencia de usuario.

Para ello aplica inicialmente un proceso divergente de generación de múltiples ideas de solución que posteriormente se someten a un proceso iterativo de prototipado y prueba para converger hacia una única solución adecuada en términos de deseabilidad, utilidad y usabilidad. Diseño elabora storyboards, diagramas de flujo, wireframes, prototipos y otros artefactos que se van iterando y validando con los clientes para asegurar que la solución es aceptable desde los puntos de vista funcional y experiencial.

Como resultado, Diseño elabora las especificaciones a partir de las cuales el equipo de Implementación construirá la solución real. Se trata de especificaciones funcionales y de experiencia de usuario -no de especificaciones técnicas- que describen cómo funciona el producto desde la perspectiva de comprador y usuario. Esta especificación puede tomar diversas formas: desde el tradicional Documento de Especificaciones de Producto hasta un prototipo “de alta fidelidad” anotado con historias de uso.

Las diferencias más importantes entre productos de IA y tradicionales en el área de Diseño de producto son:

  • Ideación. La fase de ideación hace hincapié en la identificación de soluciones que puedan implementarse específicamente utilizando capacidades de IA, como el análisis predictivo, la automatización o la personalización. Los diseñadores deben valorar la viabilidad del uso de la IA evaluando la disponibilidad de datos, las posibilidades algorítmicas y las limitaciones técnicas. Esto aboga por una involucración temprana del equipo de Implementación (ingeniería) en esta fase.
  • Manejo de la incertidumbre y los resultados probabilísticos. La IA suele proporcionar resultados probabilísticos que conllevan incertidumbre. El diseño en IA requiere el diseño de interfaces que puedan comunicar estas incertidumbres de forma eficaz, por ejemplo, mostrando los niveles de confianza o utilizando señales visuales para indicar la variabilidad de las predicciones. Los usuarios deben ser conscientes de que los resultados de la IA pueden no ser precisos al 100% y cambiar con el tiempo.
  • Educar a los usuarios sobre las capacidades y limitaciones de la IA. Los diseñadores deben informar a los usuarios de lo que la IA puede y no puede hacer, así como de las limitaciones de sus datos o algoritmos. Los esfuerzos del diseño a menudo implican procesos de onboarding, información sobre herramientas o señales visuales que informan a los usuarios sobre los puntos fuertes y débiles de la IA y los contextos en los que podría ser menos fiable.
  • Satisfacer las necesidades de los usuarios en materia de transparencia en la toma de decisiones. Los usuarios a menudo necesitan entender cómo la IA llega a sus conclusiones, especialmente en contextos de alto riesgo como la sanidad, las finanzas o la selección de personal. Esto hace que el diseño se centre en la transparencia y la capacidad de explicación. Los product managers y los diseñadores pueden tener que crear funciones que permitan a los usuarios ver las puntuaciones de confianza, las razones de las predicciones de la IA u otros datos sobre el «pensamiento» de la IA.
  • Crear confianza en las predicciones de la IA. La creación de confianza es una parte fundamental del diseño para la IA, ya que los usuarios pueden desconfiar de las recomendaciones o decisiones basadas en la IA. Los diseñadores deben crear interfaces y experiencias que ayuden a los usuarios a confiar en la precisión y fiabilidad de la IA, sobre todo para aplicaciones en ámbitos delicados.
  • Realimentación iterativa del usuario y mejora del rendimiento. Dado que los modelos de IA suelen entrenarse y mejorarse con los datos de los usuarios, la recopilación de sus opiniones es fundamental para la optimización continua. El diseño para la IA implica la creación de mecanismos para recabar opiniones que puedan mejorar directamente el rendimiento, la precisión o la relevancia del modelo a lo largo del tiempo, alimentando la lógica central del producto en tiempo real.
  • Pruebas contextuales y validación de usuario. El diseño para la IA requiere pruebas de usuario rigurosas para comprender cómo interactúan los usuarios con los resultados probabilísticos y el comportamiento impredecible. Las pruebas pueden incluir el examen de la tolerancia de los usuarios a la incertidumbre, su comprensión de las explicaciones proporcionadas y su comodidad a la hora de tomar decisiones basadas en las sugerencias de la IA.
  • Diseño para un uso ético y justo de la IA. La IA a veces puede reforzar los prejuicios, por lo que el diseño debe incluir consideraciones de equidad e inclusión. Esto puede significar diseñar con transparencia las fuentes de datos, permitir a los usuarios señalar resultados sesgados y posibilitar la revisión o auditoría de las decisiones de la IA. El diseño ético es fundamental para generar confianza y reducir los daños, especialmente en aplicaciones que afectan a la vida de las personas.
  • Adaptación continua de la UX a los cambios de modelo. Los modelos de IA pueden evolucionar con el tiempo a medida que se reentrenan con nuevos datos, lo que puede cambiar el comportamiento o el rendimiento del sistema. El diseño centrado en el usuario para la IA implica el diseño de interfaces adaptables que puedan dar cabida a cambios en la funcionalidad o el comportamiento debidos a actualizaciones del modelo, y puede ser necesario informar a los usuarios de estos cambios.
  • Requisitos reglamentarios y de conformidad. El cumplimiento de la normativa suele ser más complejo, sobre todo en sectores con directrices estrictas sobre el uso de datos, la transparencia y la imparcialidad (por ejemplo, sanidad, finanzas y seguros). El diseño debe incorporar una comprensión de cómo afectan las normativas a la recopilación de datos, el procesamiento y el despliegue de modelos, especialmente si el producto afecta a áreas personales o sensibles de la vida de los usuarios.
  • Prototipos y experimentación. Los anteriores puntos amplían el ámbito y la dificultad de las tareas de diseño de productos basados en AI y expanden el alcance de las actividades de prototipado y experimentación, claves en esta fase.

Muy importante: riesgo de Usabilidad

La experiencia del cliente es importante para cualquier producto, pero con la IA adquiere un nuevo nivel de importancia y complejidad. Para los productos de IA, necesitamos diseñar experiencias de usuario que establezcan claramente las expectativas sobre lo que la tecnología puede y no puede hacer y, al menos conceptualmente, cómo funciona el producto. Esta transparencia es clave para generar confianza y evitar la frustración al encontrar limitaciones. La explicabilidad de la IA es un componente clave de esta transparencia y confianza.

En el próximo post cubriremos las actividades de implementación  de productos de IA vs. tradicionales.

El post “Productos basados en IA vs. tradicionales: diseño de producto” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]

Deja un comentario

Productos basados en IA vs. tradicionales: definición de producto

por en 15 marzo 2025

La definición de productos de IA difiere de los productos tradicionales en la mayor dificultad para elegir problemas de mercado que la IA pueda resolver de manera útil, en la comprensión y el modelado de la respuesta de compradores y usuarios ante la IA y la articulación de requisitos en áreas específicas relacionadas con la IA.

Seguimos analizando cómo difieren las actividades de desarrollo en productos basados en AI frente a los tradicionales.

Una vez elegida/s nuestra/s oportunidad/es de mercado prioritaria/s, las actividades de Definición de producto consisten en acotar y articular nuestro espacio del problema.

Típicamente aplicaremos primero un pensamiento divergente para explorar ese espacio para finalmente converger en el problema específico que vamos a resolver con nuestro producto (y para quién lo vamos a resolver). Por lo tanto la Definición de producto se circunscribe específicamente al espacio del problema frente al Diseño o la Implementación, que se inscriben en el espacio de la solución.

Y una vez acotado dicho problema a resolver lo modelaremos y articularemos mediante artefactos accionables, entre ellos:

  • Personas o arquetipos, tanto de compradores como de usuarios.
  • Escenarios de compra y uso.
  • Requisitos, que son expresiones de problema agnósticas respecto a la solución y que pueden tomar diversas formas, incluyendo Jobs-To-Be-Done.

Las diferencias más importantes entre productos de IA y tradicionales en el área de Definición de producto son:

  • Selección de problemas de mercado. La selección de problemas de mercado para los productos basados en IA requiere identificar los problemas que se resuelven mejor mediante el reconocimiento de patrones, las predicciones o la clasificación en lugar de la lógica determinista. Los problemas adecuados para la IA suelen implicar conjuntos de datos grandes y complejos o requerir una toma de decisiones automatizada a gran escala. Además, es fundamental tener en cuenta si los datos están disponibles, son de alta calidad e insesgados, ya que son fundamentales para crear una solución de IA útil.
  • Definición del problema y análisis inicial de factibilidad. El descubrimiento suele comenzar con la evaluación de si la IA puede abordar realmente el problema. Esto incluye evaluar si hay suficientes datos de alta calidad disponibles, si los patrones de los datos coinciden con el problema y si el aprendizaje automático es adecuado. A menudo, los estudios de viabilidad de la ciencia de datos o los modelos rápidos de prueba de concepto (POC) se crean al principio para probar si una solución de IA es factible. Si la calidad o disponibilidad de los datos no es suficiente, es posible que la solución de IA no sea factible.
  • Necesidades y expectativas de los usuarios. Las necesidades y expectativas de los usuarios incluyen preocupaciones sobre la transparencia, explicabilidad y fiabilidad de la IA. Durante la definición se hace especial hincapié en saber hasta qué punto se sienten cómodos los usuarios con los resultados de la IA, sobre todo en ámbitos que requieren interpretabilidad (por ejemplo, las finanzas o la atención sanitaria). Los usuarios pueden necesitar garantías sobre cómo llega la IA a sus conclusiones, por lo que el descubrimiento debe identificar características que aumenten la confianza, como puntuaciones de confianza o explicaciones de las predicciones.
  • Modelado de personas de usuarios y compradores. Las personas de productos de IA a menudo deben incluir un conocimiento más profundo de la familiaridad de los usuarios con la IA, sus expectativas de transparencia en la toma de decisiones y su confianza en las predicciones de la IA. Estas personas deben ampliarse respecto a las de productos tradicionales para tener en cuenta hasta qué punto los usuarios necesitan comprender el razonamiento de la IA, el nivel de autonomía que desean tener sobre los resultados de la IA y si se sienten cómodos con la incertidumbre. Esto añade complejidad al desarrollo de las personas, especialmente en campos en los que los resultados de la IA influyen en decisiones críticas (por ejemplo, finanzas, sanidad).
  • Caracterización de escenarios de uso. Los escenarios de los productos basados en IA deben tener en cuenta una serie de resultados probables y las acciones del usuario asociadas. Esto significa definir escenarios no sólo para el comportamiento previsto de la IA, sino también para los casos en que las predicciones pueden ser inciertas, ambiguas o incorrectas. Los product managers suelen crear escenarios en los que los usuarios interpretan, verifican o ajustan las recomendaciones de la IA, lo que añade complejidad a los viajes del usuario.
  • Definición de los requisitos del producto. Aparte de los requisitos funcionales los requisitos de los productos basados en IA incluyen la definición de fuentes de datos, umbrales de precisión, métricas de rendimiento (por ejemplo, precisión, cobertura, F1) y consideraciones éticas como la imparcialidad y la transparencia. Los requisitos también pueden abarcar bucles de retroalimentación del usuario para el reentrenamiento del modelo e interfaces para mostrar puntuaciones de confianza o razonamientos. Esto exige una mezcla de requisitos técnicos, éticos y de usabilidad, lo que hace que el proceso sea más interdisciplinar.
  • Consideraciones sobre datos y privacidad. Definir un producto de IA implica evaluar la disponibilidad de datos, las implicaciones para la privacidad y las restricciones normativas, especialmente en el caso de datos sensibles para el usuario. Los requisitos pueden incluir la definición de cómo se obtienen, almacenan y utilizan los datos para entrenar modelos sin violar las normas de privacidad o introducir sesgos. Además, los requisitos pueden esbozar procesos para la curación continua de los datos y la supervisión de la desviación (drift) o sesgo del modelo.

Muy importante: riesgo de Utilidad

El valor es siempre un riesgo crítico.  Los productos basados en IA prometen un valor significativo, razón por la cual todos nos estamos apresurando a aplicar esta tecnología.  Pero también podemos ver hoy muchos ejemplos de productos de IA que sólo lo son de nombre.  Así pues, la primera responsabilidad del product manager de IA es garantizar que las funciones y los productos impulsados por la IA aporten un valor genuino y diferencial a los usuarios y clientes. Pero no sólo se trata de entregar valor, también tenemos que colaborar estrechamente con el departamento de marketing del producto para asegurarnos de que podemos comunicar este valor de forma eficaz.

En el próximo post cubriremos las actividades de diseño de productos de IA vs. tradicionales.

El post “Productos basados en IA vs. tradicionales: definición de producto” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]

Deja un comentario

Productos basados en IA vs. tradicionales: análisis de oportunidades de mercado

por en 2 marzo 2025

El análisis de oportunidades de mercado para productos de IA difiere de los productos tradicionales en su mayor dificultad para identificar dichas oportunidades, evaluar el problema de mercado a resolver y el valor que aporta nuestra solución.

Seguimos analizando cómo difiere la gestión de productos basados en IA frente a los tradicionales, centrándonos en este post en el Análisis de Oportunidades de Mercado.

En esta serie de posts abogamos por un proceso para analizar oportunidades de mercado dividido en las siguientes fases:

  1. Identificación de oportunidades de mercado. ¿Qué oportunidades de mercado existen para nosotros?
  2. Evaluación de oportunidades de mercado. ¿Cuáles son las oportunidades de mercado más interesantes para nosotros?
  3. Priorización de oportunidades de mercado. ¿En cuáles de esas oportunidades de mercado deberíamos enfocarnos?

Es importante implementar un proceso sistemático de análisis de oportunidades de mercado porque nos obliga a explorar alternativas, favorece una toma de decisiones basadas en datos y fomenta el enfoque estratégico.

Análisis de Oportrunidades de Mercado

Este proceso nos evita jugar a la «ruleta del mercado objetivo» y el dolor de tener que pivotar más adelante por no haber analizado mínimamente con antelación nuestras posibles oportunidades.

Desde ese punto de vista, las diferencias más importantes entre productos de IA y tradicionales en el área de Análisis de Oportunidades de Mercado son:

  • Identificación de oportunidades de mercado. Como todas las tecnologías altamente disruptivas, la IA permite resolver problemas que hasta ese momento parecían irresolubles o se manejaban ineficientemente aplicando soluciones pedestres o enormes cantidades de trabajo humano. Por eso la IA no sólo va a mejorar productos existentes, sino a generar categorías de productos totalmente nuevas. Por lo tanto, nuestra identificación de oportunidades de mercado no puede centrarse sólo en necesidades conocidas y expresadas sino en necesidades nuevas, no articuladas, no reconocidas, latentes o inconscientes. Las técnicas de creatividad e ideación, y las técnicas no convencionales de comprensión de los clientes serán imprescindibles no sólo para encontrar aplicaciones a la tecnología (technology-push) sino para descubrir esas nuevas necesidades (market-pull).
  • Evaluación del problema de mercado a resolver. Uno de los primeros aspectos de la evaluación de una oportunidad de mercado es entender la importancia, urgencia y extensión del problema a resolver, la disposición de los clientes a pagar para resolverlo, etc. Dado que, como hemos mencionado, muchos de los problemas que resuelve la IA son “nuevos” necesitaremos de técnicas sofisticadas para cuantificarlos como, por ejemplo, el descubrimiento empático y la experimentación en el mercado (exponiendo a los clientes a prototipos de soluciones).
  • Estimación del tamaño actual y crecimiento futuro del mercado. Nuevamente, dado que la IA puede crear oportunidades de mercado totalmente nuevas, la estimación de su tamaño puede resultar difícil. Máxime, teniendo en cuenta que tendrán que producirse los inevitables procesos sociales de difusión de la innovación. Establecer analogías con mercados similares, la opinión de expertos externos o la experimentación en el mercado pueden ayudarnos para este propósito.
  • Evaluación del nivel de competencia del mercado. En el caso de nuevos mercados generados por la IA la competencia puede no estar en productos similares, sino en la propia mente humana. Tengamos en cuenta los altos costes de desarrollo y explotación de sistemas de IA, las dificultades en el uso y los retos en la adopción de esos productos y su inadecuación en escenarios donde la “exactitud” es imprescindible y la indudable superioridad de la mente humana en algunas tareas cognitivas y descubriremos en ella a un competidor extraordinario. En cuanto a la competencia creada por productos similares, debemos tener en cuenta las barreras de entrada basadas en la adquisición de datos y la capacidad de crear y mantener modelos de alto rendimiento.
  • Comprensión del valor que aporta nuestra solución. El comportamiento impredecible (incluyendo la tendencia a las “alucinaciones”) de los productos basados en IA, unas métricas de rendimiento complejas y los retos en el uso de estos productos (entre otras causas, por falta de transparencia) hacen que pueda resultar complicado cuantificar el valor efectivamente entregado a sus clientes.
  • Análisis de nuestra capacidad para entregar una solución. La dependencia de la disponibilidad de datos, la incertidumbre en los entregables, los altos costes de desarrollo y explotación, la dificultad en su mantenimiento y evolución, el peligro de sesgos y comportamiento discriminatorio y los retos del cumplimiento normativo pueden interponerse en nuestro objetivo de entregar una solución eficaz al problema.
  • Disponibilidad y calidad de los datos como limitadores del mercado. Los datos son fundamentales para el éxito de las soluciones de IA, por lo que la evaluación del mercado debe tener en cuenta la disponibilidad, calidad y accesibilidad de los datos pertinentes. La viabilidad de un producto depende a menudo de que existan datos suficientes, limpios e insesgados para respaldar un modelo de IA eficaz.

Muy importante: riesgo de Viabilidad

Aunque la IA encierra un inmenso potencial los retos de viabilidad empresarial suelen ser considerables, y los errores relacionados con este riesgo tienden a dominar los titulares de actualidad. Para cualquier producto, tenemos que asegurarnos de que puede comercializarse, venderse, recibir servicios, financiarse y monetizarse eficazmente, y de que es legal y cumple todas las restricciones normativas pertinentes. Pero para los productos de IA, estos riesgos de viabilidad pueden ser especialmente importantes y difíciles y es necesario abordarlos desde el primer momento. Todavía es muy pronto en términos de economía unitaria de los productos impulsados por IA, pero hoy en día los costes pueden ser bastante elevados.  Además, para varios tipos de productos, existen verdaderas dudas sobre la procedencia de los datos y los derechos de autor de los datos de entrenamiento, los sesgos en esos datos y las ramificaciones de las recomendaciones basadas en estos datos. En términos más generales, las empresas siguen trabajando para comprender las responsabilidades e implicaciones legales de ofrecer soluciones probabilísticas a los clientes. Por último, pero no por ello menos importante, las consideraciones éticas son una preocupación constante y creciente. Esto va más allá de los posibles sesgos en los datos de formación. Si los usuarios malinterpretan un resultado, o el modelo alucina de forma que crea un peligro, ¿cuáles son las ramificaciones legales, reputacionales, económicas y éticas? Como siempre, un análisis efectivo de las oportunidades de negocio debe incluir el atractivo estructural del mercado y la posición competitiva.

En el próximo post cubriremos las actividades de definición de productos de IA vs. tradicionales.

El post “Productos basados en IA vs. tradicionales: análisis de oportunidades de mercado” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]

Deja un comentario

Productos basados en IA vs. tradicionales: desarrollo de producto

por en 15 febrero 2025

El desarrollo de productos basados en inteligencia artificial (IA) es más complejo que el de los productos “tradicionales”, ya que requiere una supervisión continua de la calidad de los datos, el rendimiento de los modelos y consideraciones éticas.

La irrupción de la IA Generativa (y hace unos pocos años, del Deep Learning) ha hecho que la inteligencia artificial monopolice virtualmente la conversación sobre innovación y tecnología. Tanto es así que en el campo del Product Management el tema más relevante es la incorporación de funciones de IA en todo tipo de productos y la gestión de productos basados en IA.

Por «productos basados en IA» entendemos productos que utilizan tecnologías de inteligencia artificial para crear experiencias que resuelvan problemas a nuestros clientes. El término «IA» incluye tanto la IA tradicional, como el aprendizaje automático, como la IA generativa. Estas tecnologías permiten una amplia gama de capacidades, incluidas las recomendaciones inteligentes, las experiencias personalizadas o el emparejamiento de los dos lados en una plataforma con varias caras.

Otros ejemplos de aplicaciones de inteligencia artificial son los dispositivos domésticos inteligentes que emplean el habla y la comprensión del lenguaje natural, los sistemas de detección de fraudes y, en el caso de la IA generativa, funciones avanzadas como la creación, el resumen y la síntesis de contenidos.Análisis de oportunidades y desarrollo de productos

Cuando hablamos de «Gestión de Productos de IA» nos referimos a la creación de productos basados en IA.  Del mismo modo que «Gestión de Productos Móviles» se refiere a la creación de productos para móviles.  Y al igual que la «gestión de productos móviles» era una habilidad especialmente demandada cuando los móviles eran nuevos, y ahora se espera que la mayoría de los product managers tengan las habilidades necesarias para desarrollar productos para móviles, esperamos que ocurra lo mismo con los product managers de IA.  Dentro de unos años, esperamos que la mayoría de los directores de producto tengan que ser expertos en la creación de productos y servicios basados en IA.

En esta serie de post vamos a analizar cómo difiere la gestión de productos basados en IA frente a los tradicionales, centrándonos en las fases iniciales del Product Management: el Análisis de Oportunidades de Mercado y el Desarrollo de Productos propiamente dicho. Y lo que digamos será en general válido para productos que consisten tanto en Aplicaciones basadas en IA como en la Infraestructura de IA subyacente (ej.: modelos).

Cuando uno se aproxima a este asunto inmediatamente aparecen una serie de temas:

  • Dependencia de los datos. Los modelos de IA dependen en gran medida de la disponibilidad de grandes conjuntos de datos para su entrenamiento y mejora continua.
  • Iteratividad. Mientras que en productos tradicionales el desarrollo iterativo es una opción (muchas veces ligada e metodologías ágiles), en productos basados en IA es imprescindible: la construcción de IA implica ciclos iterativos de entrenamiento y validación en los que se evalúa continuamente el rendimiento de los modelos y se vuelve a entrenarlos con datos actualizados.
  • Incertidumbre en los entregables. Los resultados del entrenamiento de modelos de IA son inciertos y a menudo no deterministas. Es necesario tener en cuenta la posibilidad de que un modelo no cumpla los parámetros de rendimiento deseados tras el entrenamiento y requiera un ajuste o rediseño exhaustivos.
  • Métricas de rendimiento. El éxito de los productos de IA está ligado a métricas de rendimiento probabilísticas (como exactitud, precisión, F1, etc.). Estas métricas son complejas y puede ser necesario contextualizarlas para que los involucrados no técnicos las entiendan y así gestionar sus expectativas.
  • Ética, sesgos e imparcialidad. Garantizar la equidad y el uso ético de la IA es crucial. Los sistemas de IA pueden aprender inadvertidamente y reforzar los sesgos presentes en los datos de entrenamiento, lo que conduce a resultados injustos.
  • Colaboración interfuncional. La gestión de productos de IA amplía el ámbito de colaboración de los productos tradicionales, que además de involucrar a product managers, diseñadores y desarrolladores ahora se extiende a científicos de datos, ingenieros de datos, ingenieros de aprendizaje automático y expertos legales y éticos.
  • Cumplimiento normativo. Las soluciones de IA, especialmente en campos sensibles como sanidad, finanzas y legal, deben cumplir normativas estrictas (por ejemplo, el Reglamento Europeo de IA).
  • Experiencia de usuario. Es posible que los usuarios no entiendan del todo las decisiones basadas en IA, que pueden parecer opacas. Hay que crear experiencias de usuario transparentes, ofrecer explicaciones sobre las decisiones de IA y generar confianza en los usuarios.
  • Mantenimiento. Los modelos de IA pueden degradarse con el tiempo a medida que cambian los datos del mundo real, lo que conduce a la deriva (drift) del modelo. Los gestores de producto deben establecer procesos para la supervisión continua del modelo, el reciclaje periódico y la actualización para garantizar la precisión. En IA el trabajo de desarrollo evolutivo excede los típicos de corrección de errores y adición de nuevas características.
  • Costes de desarrollo y explotación. Los modelos de IA a menudo requieren recursos computacionales sustanciales para su entrenamiento, lo que puede elevar los costes de desarrollo (aunque esto parece estar cambiando últimamente). Pero durante la fase de explotación los costes de inferencia también pueden ser elevados. Los product managers deben equilibrar los gastos en infraestructura de cómputo, almacenamiento e interconexión y los consumos de energía con el retorno de la inversión del producto.
  • «Humanos en el bucle» el estado actual de las tecnologías de IA hace que la participación humana sea en muchas aplicaciones imprescindible, tanto en aprendizaje (etiquetado de datos de entrenamiento, aprendizaje por refuerzo usando feedback humano) como en explotación (dirigiendo y aumentando la IA).
  • Experimentación continua. La experimentación es fundamental para el desarrollo de la IA, donde a menudo se prueban y comparan múltiples modelos o enfoques.

En general, el desarrollo de productos basados en IA es una tarea multidisciplinar que combina la visión del producto con el rigor científico, sobre todo porque los modelos de IA aprenden y se adaptan continuamente a los nuevos datos.

Para estudiarlo vamos a utilizar nuestro modelo de Análisis de Oportunidades y Desarrollo de Productos, compuesto de un conjunto de actividades más o menos solapadas:

La Definición y el Diseño de producto recogen entre otras las actividades conocidas como “Descubrimiento de Producto” (comprobación del encaje Problema/Solución).

En el próximo post cubriremos las actividades de análisis de oportunidades de mercado para productos de IA vs. tradicionales.

El post “Productos basados en IA vs. tradicionales: desarrollo de producto” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]

Deja un comentario

Implementando un flywheel (2)

por en 27 abril 2024

Para construir un flywheel eficaz no basta con que Marketing, Ventas, Servicio y otros departamentos se especialicen en unas determinadas fases del ciclo de venta (o, mejor de compra del cliente), sino que todos deben trabajar colaborativamente a lo largo de todas las etapas de dicho ciclo.

Seguimos hablando de cómo construir un flywheel en el que los departamentos responsables del crecimiento colaboren estrecha y conjuntamente, en ese caso cubriendo el papel de los departamentos de Marketing, Ventas, Servicio y Partners. Vamos a suponer que se aplica un modelo de crecimiento principalmente impulsado por Marketing y Ventas y en ese caso el viaje del cliente es más tradicional, con una secuencia de etapas Conciencia – Interés – Consideración – Negociación – Uso – Recomendación.

Proceso de crecimiento integrado 2

2. Marketing

Como vemos, con este enfoque Marketing amplía su alcance más allá de las etapas iniciales del viaje del cliente (“top of the funnel”) pero sigue caracterizándose por el uso de canales “uno a muchos”, más escalables, de bajo contacto y relativamente personalizados.

Una de las funciones más importante del Marketing, especialmente si como vimos aquí tratamos de crear una nueva categoría, es dar forma al mercado para cambiar las percepciones de los diversos agentes. También en las primeras fases Marketing debe construir marca y aumentar el conocimiento de nuestro producto, para crear preferencia en el mercado. Asímismo, debe capturar leads tanto utilizando un enfoque más o menos “amplio” o tradicional de generación de demanda (mediante técnicas inbound y outbound) como aplicando Account-Based Marketing (principalmente outbound).

Por último, dado que la mayoría de esos leads no estarán listos para comprar, deberá realizar acciones de scoring continuo y cultivo de esos leads mediante técnicas automatizadas y escalables.

En todas estas actividades Marketing utilizará canales online y offline (publicidad, medios sociales, buscadores, eventos…) y contenidos tales como casos de uso y de clientes, tours de producto, informes de analistas, benchmarking sectoriales o contenidos generados por la comunidad.

En las etapas intermedias (Consideración y Negociación) Marketing sigue activo y ayudando al cliente a avanzar suministrándole contenidos y realizando actividades que contribuyan a articular y demostrar el valor de nuestro producto para el cliente y resaltar sus diferenciadores. Entre estos contenidos pueden estar hojas de producto, comparativas respecto a la competencia o calculadores de ROI.

Finalmente, en las últimas etapas Marketing debe seguir presente en el cliente, fomentando el uso del producto y la captura de valor por parte de éste, comunicando los nuevos productos y funciones para fomentar el cross-sell y up sell, y realizando actividades de marketing con los actuales clientes, por ejemplo elaborando historias de éxito o realizando ponencias conjuntas, para captar nuevos clientes.

3. Ventas

Análogamente al caso de Marketing, con este enfoque Ventas amplía su alcance más allá de las etapas finales del viaje del cliente (“bottom of the funnel”) pero sigue caracterizándose por el uso de canales “uno a uno”, menos escalables y de alto contacto pero muy personalizados.

Desde finales del pasado siglo ha sido muy común que la función de Ventas se involucrara en las primeras fases del viaje del cliente, en actividades de generación de pipeline. Para optimizar el proceso y reducir costes la figura encargada de prospectar (mediante tácticas outbound) y generar leads han sido los Business Development Representatives (BDRs), típicamente actuando de manera remota.

Estos BDRs, según el caso también llamados Sales Development Representatives (SDRs), también eran los encargados de cualificar dichos leads y los generados por Marketing y de cultivarlos aplicando el “toque humano” hasta que estuvieran listos para comprar.

En las fases intermedias del viaje del cliente (Consideración y Negociación) Ventas utiliza típicamente la figura del Account Executive para realizar un “descubrimiento de la oportunidad” en sus aspectos de necesidades de cliente, beneficios buscados, criterios y proceso de decisión, disponibilidad de presupuesto de compra y políticas en juego. Con esa información se define una estrategia de la oportunidad, se realiza la propuesta de solución, técnica y económica, y se demuestra su valor mediante pruebas de concepto (PoC) o pilotos con la ayuda de los Ingenieros de Ventas.

Con posterioridad a la venta, Ventas utiliza la figura del Account Manager para encontrar nuevas oportunidades en el cliente y expandir nuestra presencia mediante el cross-sell y up sell. Finalmente, este perfil puede incentivar la recomendación y referencia por parte del actual cliente para que nos ayude a atraer nuevos clientes.

4. Servicio

Aunque tradicionalmente el departamento de Servicios ha estado confinado en las etapas post-venta del viaje del cliente, su participación también en las etapas intermedias puede ser muy valiosa. Efectivamente, Servicios puede involucrarse en las fases intermedias para explicar sus procesos de entrega de la solución y soporte de clientes, añadiendo credibilidad y valor a la propuesta.

Finalmente, en las etapas post-venta Servicios es el principal protagonista para conseguir la entrega de una solución con valor para el cliente, el soporte en su día a día y su conversión en un cliente satisfecho que permanezca con nosotros, nos compre más y nos recomiende. Estos resultados son primordiales para cerrar el ciclo del flywheel.

5. Partners

Los partners y alianzas son un componente importante de nuestro proceso integrado de crecimiento. Los partners pueden ser de diversos tipos: desarrolladores de negocio, prescriptores, distribuidores, revendedores de valor añadido, otros productos con los que estamos integrados, plataformas sobre las cuales funcionamos…

En muchos casos tenemos una colaboración con ellos articulada para realizar algún tipo de reparto del mercado. Por ejemplo, podemos reclutar partners para que vendan o implanten nuestro producto en segmentos donde por razones de todo tipo no tenemos cobertura: geografía, sector de actividad, tamaño de empresa, etc.

En las primeras fases del viaje los partners pueden realizar actividades de comarketing con nosotros (por ejemplo, eventos conjuntos) o presentar directamente nuestro producto en sus clientes. En las etapas intermedias el partner puede vender directamente nuestro producto  o realizar una venta en colaboración con nosotros (por ejemplo, nosotros aportamos recursos cualificados de Ingeniería de Venta expertos en nuestras soluciones). Finalmente, es habitual que en las etapas finales el partner realice la entrega de la solución e implemente nuestro producto, para capturar esa parte del negocio.

La colaboración con los partners exige cumplir unas reglas muy claras para no caer en ningún tipo de “conflicto de canal” que dé al traste con una relación asentada.

—

Finalmente, como vemos, en el flywheel no se trata de una carrera de relevos en la que cada departamento aparece, recibe el cliente del departamento anterior, actúa de manera independiente al resto, traspasa al cliente al siguiente departamento y luego desaparece.

Ahora se trata de un esfuerzo conjunto y coordinado para ir desarrollando al cliente de manera optimizada.

El post “Implementando un flywheel (2)” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Estrategias de crecimiento en mercados tecnológicos y Marketing estratégico para empresas tecnológicas te pueden ayudar.]

Deja un comentario

Implementando un flywheel (1)

por en 6 abril 2024

Implementar un flywheel requiere que todos los departamentos responsables del crecimiento en nuestra empresa colaboren estrechamente para convertir a los extraños en clientes y después en promotores, y así cerrar y amplificar el ciclo.

En varias ocasiones hemos argumentado que en nuestro proceso de crecimiento debemos superar la idea de funnels, sobre todo si se trata de varios funnels desconectados. Esto es síntoma de una organización separada en silos funcionales esencialmente disjuntos (típicamente Marketing, Ventas y Servicio) que intentan colaborar como en una carrera de relevos: el cliente va pasando a medida que recorre su viaje de unas manos a otras a través de unos departamentos que tienen vistas parciales, objetivos diferentes y escasos puntos de contacto.Implementando un flywheel

Lo ideal, como hemos defendido aquí y aquí, es construir no ya un funnel integrado sino un flywheel en el que los departamentos responsables del crecimiento colaboren estrecha y conjuntamente  para hacer que los potenciales compradores pasen de extraños a prospects, de ahí a clientes y por último a promotores, para así cerrar y amplificar el ciclo atrayendo a nuevos extraños. Para ello son imprescindibles una visión y unos objetivos compartidos alrededor de dichos clientes.

La pregunta ahora es ¿Cómo pueden Producto, Marketing, Ventas, Partners y Servicio colaborar?

En este post y el siguiente vamos a responderlo para el caso de empresas de productos en mercados B2B, analizando cómo pueden colaborar para crear un flywheel los departamentos de

  1. Producto
  2. Marketing
  3. Ventas
  4. Servicio
  5. Partners

Para ello nos vamos a basar en un gráfico que representa un viaje del cliente simplificado que va desde la conciencia hasta la recomendación y describimos la involucración coordinada de las diferentes áreas de nuestra empresa a lo largo de dicho viaje.

En este primer post empezaremos por hablar del departamento de Producto en empresas cuyo principal movimiento de crecimiento es el PLG (Crecimiento Impulsado por el Producto), complementado por un movimiento impulsado por Marketing y Ventas. En estas empresas, como vimos aquí, el viaje del cliente toma la forma Conciencia – Interés – Uso – Consideración – Negociación –Recomendación, atípico en el sentido de que el cliente empieza a usar el producto antes de comprarlo.

Proceso de crecimiento integrado 1

Como vemos, en lugar de una integración (más bien una desintegración) secuencial en la que los departamentos van interviniendo uno detrás de otro a lo largo del viaje del cliente, con unos traspasos más o menos estandarizados, hay una integración “en paralelo” en la que diversos departamentos colaboran a lo largo de toda (o varias etapas) de ese viaje.

1. Producto

Muchas veces hemos explicado que un producto tiene unas dinámicas y crece de una manera totalmente diferentes a otros negocios. Un producto es más escalable, creíble y visible que un negocio basado en proyectos a medida, por ejemplo. Por eso, poseer un producto estable y fiable, cubierto por analistas, influenciadores y prescriptores, es un paso muy importante para que nuestros potenciales clientes sean conscientes y se interesen por nuestra empresa.

Pero es que si además incorporamos técnicas de Product-Led Growth como la prueba gratuita o el freemium y los bucles de adquisición tenemos mucho ganado en estas etapas de conciencia e interés.

En la fase de Uso es vital que el producto resulte fácil de implementar y usar, de modo que el cliente reciba y capture valor. Un onboarding sencillo, un rápido “momento ajá” y la creación de un hábito natural facilitan mucho el viaje del cliente.

Nuevamente, en productos que aplican técnicas de PLG, los bucles de engagement contribuyen a la retención de los clientes. Y en estos casos el uso del producto puede identificar las Cuentas Cualificadas por el Producto susceptibles de recibir una atención personalizada por parte de Ventas.

Cuando los clientes avanzan a las fases de Consideración y Negociación, disponer de versiones demostrables del producto y la capacidad de hacer fácilmente pruebas de concepto (PoCs) y pilotos adaptados a su escenario resultan primordiales.

Para terminar, el desarrollo de nuevos productos, funciones y características que soporten usos innovadores de los clientes facilita que estos demanden actualizaciones y extensiones de sus proyectos, que se traducen en oportunidades de cross sell y up-sell para Ventas.

En el próximo post hablaremos del papel de los departamentos de Marketing, Ventas, Servicio y Partners en la implementación de un flywheel.

El post “Implementando un flywheel (1)” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Estrategias de crecimiento en mercados tecnológicos y Marketing estratégico para empresas tecnológicas te pueden ayudar.]

Deja un comentario

Bucles para aumentar la defendibilidad: efectos de red (4)

por en 19 febrero 2022

Los efectos de red, tanto directos como indirectos, aumentan la defendibilidad de nuestro sistema de crecimiento al interconectar y reforzar los microbucles que lo conforman.

Terminamos nuestra exposición sobre los efectos de red viendo varios ejemplos de cómo estos efectos pueden reforzar y hacer más eficientes los microbucles subyacentes, tanto conectando microbucles de diferentes tipos como ciclos sucesivos del mismo microbucle.

Efectos de red directos de interacción

Veamos el ejemplo del juego online social Fortnite:

Efectos de red directos (interacción) en Fortnite

En este caso contamos con dos microbucles subyacentes: uno viral en el que los usuarios invitan a otros usuarios para poder jugar y competir con ellos y otro de contenido generado por los usuarios en el que estos graban y distribuyen sus partidas, que son compartidas socialmente y atraen nuevos usuarios. Ahora el efecto de red directo ayuda a mejorar estos microbucles. A medida que el bucle viral personal gira y aumentan los usuarios o el engagement, el valor del juego aumenta, y más usuarios se unen o los usuarios existentes juegan más, lo que alimenta el bucle de contenido generado y distribuido por los usuarios, atrayendo más usuarios nuevos o que regresan, lo que aumenta el valor aún más. Y a medida que se juega con más usuarios y partidas, el valor aumenta para los usuarios a través de un emparejamiento más rápido y mejor, lo que alimenta el bucle viral personal. Este macrobucle de efecto de red directo hace que el bucle viral personal, así como el bucle de contenido generado y distribuido por los usuarios funcionen aún mejor con el tiempo.

Efectos de red directos de datos

Veamos el ejemplo de Pinterest:

Efectos de red directos (datos) en Pinterest

En este caso tenemos esencialmente un microbucle de contenido en el que los usuarios suben o “pinean” y organizan imágenes que son empaquetadas y distribuidas por la plataforma. Sobre él se superpone un macrobucle de efecto de red directo de datos en el que, cuantos más usuarios hay y más activos se muestran, más aprende la plataforma sobre sus gustos y mejores recomendaciones puede proporcionar en sus feeds, haciendo el producto más valioso y mejorando el rendimiento de los siguientes ciclos del microbucle.

Efectos de red indirectos de interacción

Veamos el ejemplo de Airbnb:

Efectos de red indirectos (interacción) en Airbnb

En este caso tenemos sendos microbucles virales incentivados (“give/get”) para anfitriones y huéspedes, en el que cada grupo recibe compensación por invitar a nuevos miembros de su tipo. Los efectos de red cruzados entre tipos de usuario hacen más eficaces estos microbucles. Los nuevos anfitriones atraídos por su microbucle hacen que haya más y más variada oferta de alojamientos y por lo tanto aumente el valor para los huéspedes, haciendo más eficaz el microbucle de atracción de nuevos miembros de este grupo, que convierten en mejor proporción. Este aumento de huéspedes hace que haya más demanda de alojamiento en más casos de uso, lo que hace la plataforma más valiosa para los anfitriones, que también tienden a convertir mejor en su respectivo microbucle.

Efectos de red indirectos de plataforma

Veamos el ejemplo del Salesforce AppExchange, el marketplace de aplicaciones sobre la plataforma Salesforce:

Efectos de red indirectos (plataforma) en Salesforce AppExchange

En este caso tenemos sendos microbucles virales incentivados para usuarios y desarrolladores de aplicaciones, en el que cada grupo recibe compensación por invitar a nuevos miembros de su tipo. Los efectos de red de plataforma entre usuarios y desarrolladores hacen más eficaces estos microbucles. Los nuevos desarrolladores atraídos por su microbucle hacen que haya más y más variada oferta de aplicaciones y por lo tanto aumente el valor para los usuarios, haciendo más eficaz el microbucle de atracción de nuevos miembros de este grupo, que convierten en mejor proporción. Este aumento de usuarios hace que haya más demanda de aplicaciones en más casos de uso, lo que hace la plataforma más valiosa para los desarrolladores, que también tienden a convertir mejor en su respectivo microbucle.

El post “Bucles para aumentar la defendibilidad: efectos de red (4)” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Estrategias de crecimiento en mercados tecnológicos y Product Management de productos tecnológicos te pueden ayudar.]

Deja un comentario

Bucles para aumentar la defendibilidad: efectos de red (3)

por en 5 febrero 2022

Los efectos de red pueden reforzar nuestro modelo de crecimiento. Pero cuidado: también hay efectos de red negativos, que lo socavan. Y, contrariamente a lo que suele creerse, los efectos de red no son algo que “ocurre”, sino que pueden ser construidos deliberada y sistemáticamente.

Continuamos nuestra exposición sobre los efectos de red como macrobucles que aumentan la defendibilidad con un esquema adicional de clasificación de estos fenómenos, para acomodar los efectos de red negativos, y con algunas estrategias para construirlos.

Efectos de red positivos y negativos

Aparte de la distinción entre los tipos de efectos de red anteriormente descritos hay una diferencia básica entre lo que son efectos de red positivos (los que hemos venido tratando hasta ahora) y negativos:

  • Positivos: aumentan el valor del producto.
  • Negativos: disminuyen el valor del producto. Puede haber efectos de red directos e indirectos tanto positivos como negativos. Por ejemplo, en el caso de una red social monetizada mediante publicidad puede haber un efecto directo negativo entre anunciantes (a más anunciantes mayor competencia y menor valor para ellos) y un efecto indirecto negativo de anunciantes a usuarios (a más anunciantes más publicidad, más molestia y menos valor para los usuarios).

En aras de la brevedad en el resto de este análisis únicamente nos ocuparemos de la influencia de los efectos de red positivos para mejorar nuestros bucles. Pero no debe olvidarse que, análogamente, los efectos de red negativos pueden perjudicar a esos mismos bucles.

Construyendo efectos de red

Como dijimos anteriormente, una de las confusiones más habituales sobre los efectos de red es que “ocurren al azar”: el que en un mercado se den efectos de red es algo que nos vienen impuesto y que ocurre debido a multitud de factores fuera de nuestro alcance.

En realidad, los efectos de red no son aleatorios. Construir efectos de red es una estrategia metodológica, no algo que ocurre al azar. Vamos a verlo con varios casos.

Construyendo efectos de red directos

En la construcción de efectos de red todo depende del orden de las operaciones. Y el concepto clave alrededor del cual gira todo el proceso es la densidad. Es necesario que exista una mínima densidad de usuarios del producto dentro de un cierto segmento para que los efectos de red empiecen a dispararse dentro de ese segmento. Una vez alcanzada una alta densidad en ese segmento éste se puede utilizar para expandirse a segmentos relacionados.

Construyendo efectos de red directos

  1. Limitar: ¿Cómo constreñir la audiencia objetivo para hacer que la densidad sea más fácil?
  2. Valor: ¿Qué valor/ señuelo se ofrece a la audiencia inicial?
  3. Densidad: ¿Cuál es la densidad mínima que necesitamos? ¿Cómo alcanzarla lo antes posible?
  4. Palanca: ¿Cómo apoyarse en la audiencia inicial para construir demanda en la siguiente audiencia?

Vamos a ver cómo se desarrollaron efectos de red directos en la red social Facebook:

Construyendo efectos de red directos en Facebook

  1. Limitar: arrancaron sólo con estudiantes de Harvard, una audiencia relativamente densa y pequeña.
  2. Valor: caso de uso individual como directorio online.
  3. Densidad: invitación por email a todo el directorio de Harvard, para acelerar el plazo hasta alcanzar densidad.
  4. Palanca: recolectaron emails de amigos de estudiantes de Harvard en otras universidades. Aprovecharon la tracción para conseguir artículos en boletines de otras universidades antes de lanzar.

Construyendo efectos de red de plataforma

En este caso se trata de fomentar el desarrollo de ecosistemas de desarrolladores e integradores.

Construyendo efectos de red de plataforma

  1. Limitar: ¿Cuáles son los desarrolladores iniciales a los que podemos ofrecer más valor?
  2. Valor: ¿Qué valor les podemos ofrecer: distribución, ingresos, condiciones especiales?
  3. Densidad: ¿Cómo lo aceleramos: creamos un fondo, desarrollamos nosotros mismos?
  4. Palanca: ¿Cómo mostramos el éxito de los desarrolladores iniciales para atraer al siguiente grupo?

Construyendo efectos de red de plataforma en Slack:

Construyendo efectos de red de plataforma en Slack

  1. Limitar: foco en desarrolladores enfocados en otras empresas tecnológicas (entre las que Slack tenía muchos clientes.
  2. Valor: distribución/ funcionalidades/ prensa.
  3. Densidad: Slack Fund, 80 M$.
  4. Palanca: gran presencia en medios para las nuevas aplicaciones.

Cómo los efectos de red actúan sobre nuestro motor de crecimiento

Los efectos de red positivos tienen efectos beneficiosos sobre nuestros bucles de crecimiento, conectándolos y reforzándolos y haciendo que mejoren sus rendimiento:

  • Los efectos de red mejoran la retención: al aumentar el valor para los usuarios aumentan los costes de cambio y crean barreras para la competencia.
  • Los efectos de red aumentan la eficacia de adquisición: al incrementar el atractivo del producto potencian nuestros bucles de adquisición.
  • Los efectos de red mejoran la monetización: aumentan la disposición a pagar de los clientes, incrementan los ingresos y disminuyen la fricción del modelo de precios.

En el próximo post veremos en detalle algunos escenarios de cómo los efectos de red de diversos tipos actúan sobre los micobucles.

El post “Bucles para aumentar la defendibilidad: efectos de red (3)” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Estrategias de crecimiento en mercados tecnológicos y Product Management de productos tecnológicos te pueden ayudar.]

Deja un comentario