De la inspiración a los números: Los riesgos de convertirse en una empresa ‘data-driven’
Nike, la empresa que muchos hemos conocido a lo largo de los años como una de las más innovadoras en la industria del calzado, está pasando por numerosos problemas económicos. Fundada en 1964 bajo el nombre de Blue Ribbon Sports y rebautizada como Nike en 1971, la compañía ha sido un ícono de la cultura deportiva y pop, reconocida por su marketing inspirador y productos de alto rendimiento. Sin embargo, en los últimos años, con un cambio de liderazgo, se decidió que Nike debería convertirse en una empresa data-driven, es decir, una empresa guiada por métricas objetivas y datos. Este cambio estratégico se hizo en un contexto donde el 90 por ciento de las empresas globales están intentando transformarse digitalmente, con resultados mixtos.
Cambio en la estrategia de marketing
Buscando generar una gran cantidad de datos, Nike se enfocó intensamente en su sitio web y en programas de lealtad, como NikePlus, que cuenta con más de 100 millones de miembros en todo el mundo. Estos programas permiten a la empresa recopilar datos valiosos sobre los hábitos y preferencias de compra de sus clientes. Además, al reducir su mercadeo a través de terceros, Nike buscaba tener más control sobre lo que se vendía y dónde se vendía, cerrando su relación con varios minoristas y potenciando sus canales directos al consumidor (D2C). Esta estrategia parecía lógica en un mercado digital en expansión, donde el e-commerce crece a tasas de doble dígito anualmente.
Consecuencias inesperadas
Sin embargo, al hacer esto, Nike también dejó de lado su mercadeo tradicional, que buscaba ser inspirador y generar conexiones emocionales profundas con los consumidores, para enfocarse fuertemente en el marketing digital. Aunque este cambio les permitió tener un control mayor sobre un grupo de clientes, este grupo se fue volviendo cada vez más reducido y homogéneo. La empresa dejó de buscar activamente nuevos mercados y, en lugar de eso, se centró en los clientes que ya tenía, es decir, aquellos de los que podía obtener datos. Este enfoque data-driven, aunque efectivo en términos de optimización, resultó ser miope, llevando a una reducción del mercado, de las ventas (con una caída de casi el 10 por ciento en ingresos en algunos trimestres de 2020), y, obviamente, del precio de la acción.
Lecciones aprendidas
¿Qué lecciones nos deja esto sobre ser data-driven? ¿Es un ejercicio inútil que jamás debemos seguir porque nos limitamos a los datos que podemos capturar? No lo creo. La realidad es que debemos conocer muy bien la industria y estar conscientes de lo que no sabemos. Los datos que no estamos capturando son tan importantes como los que sí capturamos. Hay mucha información e insights en los datos que no estamos obteniendo.
Por ejemplo, muchas empresas buscan mejorar el Índice de Promotor Neto (IPN), que es una métrica que nos dice qué tan buena o mala es la relación con nuestros clientes. Sin embargo, piensen, ¿cuándo fue la última vez que contestaron una encuesta de satisfacción para decir que el servicio era muy bueno? Estudios han mostrado que solo el 10 por ciento de los clientes satisfechos responden encuestas, mientras que hasta el 70 por ciento de los insatisfechos lo hacen. Esto sesga la percepción de la empresa y puede llevar a decisiones incorrectas.
Entonces, al tomar acciones y estrategias basándonos solo en las opiniones negativas, estamos invalidando las opiniones de aquellas personas que, por una u otra razón, no han querido opinar, pero que tienen una percepción positiva.
El papel de la IA y ciencia de datos
El uso de IA y ciencia de datos no solo debe estar orientado a buscar soluciones con los datos que tenemos, sino también a obtener los datos que no tenemos. Una vez que logramos capturar estos datos, podemos generar acciones más informadas, como expandir el mercado o cambiar el negocio de manera fundamental para todos nuestros clientes. Un claro ejemplo de cómo el uso estratégico de datos puede cambiar el juego fue la elección de Donald Trump en 2016. Su campaña utilizó datos de manera innovadora para movilizar a un electorado que estaba subrepresentado en las encuestas tradicionales. Este enfoque disruptivo permitió a su equipo identificar y activar a millones de votantes “invisibles” que fueron clave para su victoria.
El caso de Donald Trump debería ser uno de los casos más estudiados sobre cómo no buscar aumentar el dominio de tus datos puede tener resultados devastadores para tu empresa o tu organización. Las encuestas fallaron porque no capturaron el conjunto completo de datos, ignorando un segmento clave del electorado.
Ser data-driven, al final, va más allá de hacer tableros y modelos, y de impactar campañas. Ser data-driven es entender que hay datos que no tenemos y debemos enfocarnos en ellos para poder crecer y seguir ofreciendo más valor al negocio o la empresa. También significa no perder de vista el contexto humano y emocional detrás de los datos, recordando que los números pueden contarnos una historia, pero no siempre la historia completa.