Conforama pasa con éxito a una estrategia multicanal más ágil y eficaz integrando una solución AI para recomendaciones personalizadas de productos.

Conforama es el segundo mayor minorista de muebles para el hogar de Francia y está presente en siete países, con 300 tiendas, 200 de ellas en Francia. Compañia vende muebles y artículos de decoración en kit y registró unas ventas de 1.700 millones de euros en 2022.

Como marca de entrada, el objetivo de Conforama es "Hacer accesible lo que la gente más quiere al mejor precio". Es una ambición respaldada por un plan de transformación para ofrecer una experiencia omnicanal a través de data y AI. Una auditoría inicial y la visión de marketing de data con Artefact identificó y priorizó 12 casos de uso y 25 facilitadores técnicos y organizativos. El primer caso de uso consistió en integrar una recomendación personalizada de productos en los correos electrónicos semanales de Compañia.

Este caso de uso planteaba varios retos:

  • ¿Cómo entender las necesidades de tres millones de clientes y recomendarles los productos más relevantes de un catálogo con 42.000 referencias?

  • ¿Cómo proponer sólo productos en stock, en promoción y que no se hayan sugerido ya a los clientes?

  • ¿Cómo manejar y mantener fácilmente la solución técnica?

Ahorrar tiempo a los consumidores y mejorar la productividad de las empresas

Mediante el uso de algoritmos de aprendizaje automático para analizar al usuario data, como sus preferencias, historial de compras y comportamiento en línea, la recomendación de productos basada en Inteligencia Artificial sugiere productos relevantes para los consumidores de forma personalizada. Esto permite a las empresas comprender mejor las necesidades de sus clientes y recomendarles productos que se ajusten a sus intereses, lo que se traduce en un aumento de las ventas y de la fidelidad de los clientes.

Una de las principales ventajas de esta solución es que ahorra tiempo a los clientes. En lugar de desplazarse por innumerables páginas de productos para encontrar lo que buscan, los clientes pueden acceder rápidamente a una selección de productos recomendados que responden específicamente a sus necesidades. AI-La recomendación de productos basada en la web puede mejorar la experiencia de compra en línea y animar a los clientes a volver para realizar más compras. Una ventaja estratégica, dado que el 72% de los consumidores sólo interactúa con mensajes de marketing personalizados y adaptados a sus intereses.

Además, la recomendación de productos basada en AI puede impulsar la productividad empresarial: los algoritmos de aprendizaje automático pueden analizar grandes cantidades de data en tiempo real, lo que permite a las empresas supervisar continuamente las tendencias de los clientes y su comportamiento de compra. Esto puede ayudar a las organizaciones a comprender mejor los deseos de los clientes y adaptar rápidamente su oferta de productos en consecuencia. También puede permitir a las empresas optimizar su inventario ofreciendo productos que tienen más probabilidades de venderse, lo que puede reducir los costes y maximizar los beneficios.

Por último, la recomendación de productos basada en AI puede ofrecer importantes ventajas comerciales. Al sugerir productos relevantes y personalizados a los clientes, las empresas pueden mejorar su tasa de conversión, aumentar las ventas y reforzar su imagen de marca. Desde una perspectiva de mercado, se ha demostrado que la recomendación de productos basada en AI proporciona un crecimiento incremental del +2,5%.

Un primer caso de uso centrado en la personalización de campañas por correo electrónico

Antes de este proyecto, todos los clientes de Conforama recibían correos electrónicos con los mismos ocho productos seleccionados cada semana por los equipos de marketing. Se trataba de una tarea muy laboriosa, ya que requería identificar los ocho productos con más probabilidades de interesar a tres millones de clientes, cada uno de los cuales tenía intereses únicos. Todo este tiempo dedicado a analizar data podría haberse empleado en actividades más estratégicas, como la creación de contenidos editoriales para esos correos electrónicos.

En la actualidad, cada martes se envía un correo electrónico a cada cliente de Conforama con ocho recomendaciones de productos. Pero estas recomendaciones se personalizan en función del historial de compras y se filtran exclusivamente por productos que están en oferta, disponibles en tiendas y que no han aparecido en activaciones anteriores.

La solución AI implementada incluye 4 pasos principales de procesamiento data :

  • Recopilación de historiales de transacciones, referencias de clientes y productos y, a continuación, preparación de data ;

  • Construcción del modelo "Collaborative Filtering" para calcular el apetito de los clientes por el catálogo de productos;

  • Filtrado de productos basado en el inventario disponible, noticias comerciales (ventas, promociones, etc.), activaciones y compras anteriores;

  • Producto data enriquecimiento (fotos, precios, descripciones, etc.) para la activación.

Esta solución se basa en 16 tablas data , 25 pasos de transformación y modelización y 40 pruebas de calidad automatizadas. Decenas de iteraciones del modelo permitieron elegir el enfoque más eficaz en función del historial de transacciones. Gracias a esta solución, Conforama genera ahora varios millones de recomendaciones cada semana en 45 minutos con un coste de 50 euros semanales.

En otras palabras, si contamos los costes de desarrollo y funcionamiento, así como las ventas incrementales, el punto de equilibrio del proyecto se alcanza en una semana, con una solución automatizada y fiable.

"Ahorro de tiempo, sí, pero sobre todo un beneficio comercial para nuestros equipos de CRM. Porque gracias a esta personalización, los clientes hacen más clic y, por tanto, compran más. Hemos ganado un 15% de tasa de clics tras la personalización de estos correos, lo que representa varios millones en ventas incrementales."
Mélodie Charles, Directora de Marketing de Conforama

Una transición fluida a AI: lecciones del éxito de Conforama

Para muchos jugadores, existen tres retos relacionados con su nivel de madurez:

  • Nivel 1: Personalización de un punto de contacto basado actualmente en reglas mediante un enfoque algorítmico AI ;

  • Nivel 2: Ampliación de la recomendación personalizada basada en AI a todo el recorrido del cliente (productos similares / productos complementarios / sugerencias basadas en el historial de compras);

  • Nivel 3: Optimización de la orquestación de recomendaciones en todos los canales para garantizar una experiencia omnicanal.

El nivel 1 suele ser el más difícil, ya que requiere sentar las bases de cuatro dimensiones distintas: visión del objetivo, experiencia del usuario y prioridades; data fuentes; herramientas tecnológicas; equipo del proyecto y método de trabajo.

El ejemplo de Conforama Servicios valiosas lecciones sobre estas cuatro dimensiones:

  • Seleccionar un primer caso de uso y funcionalidades que puedan implantarse y medirse rápidamente para poner a la organización en la senda del éxito. Por ejemplo, gracias a esta primera victoria, Conforama ya puede planificar el despliegue de recomendaciones de productos en las tiendas o la mejora de su algoritmo gracias a la navegación data.

  • Asegúrese de que data es fiable. Una buena modelización de data se basa ante todo en una buena calidad de data. En el caso de Conforama, se realizaron análisis exploratorios de más de 50 tablas para seleccionar las fuentes de data en ámbitos como el conocimiento de los clientes, los repositorios de productos y las transacciones.

  • Utilizar tecnologías que permitan a los equipos desplegar una solución técnica de forma rápida y colaborativa. Conforama seleccionó las herramientas más adecuadas para este tipo de flujo de trabajo: DBT, BigQuery ML y Vertex AI por su rendimiento, modularidad y portabilidad.

  • Crear un equipo especializado capaz de abordar todos los problemas potenciales y adoptar un enfoque de prueba y aprendizaje. Para ello, se formó un equipo multidisciplinar de TI/empresa de Conforama y se adoptó un enfoque de sprints de 2 semanas.