¿Cómo mejorar el EBITDA con la Inteligencia Artificial?
Caso Práctico Nº 1: Mejora tu Servicio y Atención al Cliente
🇺🇸 English version below 👇🏼 6 minutes reading ⏳
La retórica pregunta inicial se responde por si sola. No hay empresario que no quiera mejorar su EBITDA. Por tanto, la pregunta buena sería: ¿Como puedo mejorar mi EIBTDA significativamente con la implantación de la IA?
Hoy empiezo una serie de casos prácticos donde se pueda comprender de forma muy clara como se calcula el ROI de la inversión en IA y el impacto que tiene en la cuenta de resultados.
Y como no puede ser de otra forma, empezaremos por una de las aplicaciones en la que más escuchamos como susceptible de mejorar con la IA: la Atención al Cliente
Contrariamente a lo que puedas pensar de antemano, no voy a proponer un chatbot automatizado de atención al cliente. Puedes seguir leyendo tranquilamente. Todo el mundo los odia y lo sabemos.
La aplicación práctica que voy a proponer es un sistema de conocimiento basado en IA, uso exclusivamente interno, que da soporte tanto al departamento de atención al cliente, como al departamento comercial.
Quitando las multinacionales, que ya sabemos que se han cargado su servicio de atención al cliente sin más; la mayor parte de las pequeñas y medianas empresas viven en una parte muy importante de cuidar a sus clientes con una atención personalizada. Y esto no se puede sustituir por ningún chatbot de la noche a la mañana.
Por tanto, veamos como podemos aprovechar la IA para poder mejorar en eficiencia y en productividad, en este área tan importante y crítica para las PYMES.
Paso 1. Identificación de problemas e incidencias
El primer paso que debe dar una empresa es hacer análisis de los tipos de problema que tiene. Esto va a ser clave para montar nuestro sistema de soporte basado en IA. Aquí algunos ejemplos de problemas típicos de atención al cliente:
Demoras en la entrega: Retrasos en la entrega de productos, afectando las operaciones del cliente y su cadena de suministro.
Producto defectuoso o dañado: Recepción de productos defectuosos o que no cumplen con las especificaciones requeridas.
Discrepancias en el pedido: Errores en el pedido, como cantidades incorrectas, productos equivocados o falta de artículos.
Problemas con la calidad del producto: Insatisfacción con la calidad del producto recibido, que no cumple con los estándares o expectativas del cliente.
Problemas con la facturación o precios: Discrepancias en los precios facturados, o problemas con términos de pago y facturación.
Dificultades con la instalación o uso del producto: Necesidad de asistencia para la instalación, configuración, o uso adecuado del producto, especialmente si es técnico o complejo.
Estos son solo ejemplos, cada empresa tiene que construirse su pequeño listado.
Paso 2. Recoger toda la información posible sobre las incidencias
En esta fase empezamos a generar una base de datos que nos servirá de base para nuestro sistemad e IA. Recordemos que sin bases de datos; sin conocimiento; los sistemas de IA no funcionan. Por tanto, la clave está en recoger toda la información posible sobre cada tipo de problema para enfoca la solución.
La información que necesitamos estará en distintas fuentes:
Sistema de recogida de información continua sobre los tipos de incidencias, documentando con el mayor nivel posible de detalle (causa, origen, departamentos y personas involucradas, acción requerida, tiempo de resolución,..)
Información sobre histórico del cliente. Precios. Contratos. Pedidos. Consumos.
Información de productos y/o maquinaria. Documentación técnica y de seguridad. aplicaciones, información de uso y cualquier otra característica técnica.
Información de rutas. Datos de tráfico. Condiciones climáticas. Historial de entregas
Información de Inventario. Datos de aprovisionamiento. Tiempos de entrega de los de los proveedores. Roturas de Stock en tiempo real.
Información administrativa - comercial. Recepción y grabación de pedidos. Facturación y cobros.
Toda esta información suele estar en diferentes silos de datos dentro de una organización, por lo que comienza la fase de planificación de como se alimenta una única base de datos con todos los puntos descritos más aquellos que cada empresa considere necesario según sus tipos de operaciones.
Paso 3. Conexión a un LLM o motor de Inteligencia Artificial
Esta base de datos que se ha creado debe ser preparada para poder conectarla al motor de IA que podrá empezar a dar respuestas a los problemas planteados. Y aquí es donde empieza la magia. Vamos a ver algunos casos prácticos, como se resolvería por el modelo tradicional y como se resuelve con IA.
Llamada Nº 1. ¿He hecho un pedido antes de ayer y no me ha llegado?
Respuesta del modelo tradicional: el agente va al ERP, busca el número de cliente A, busca en sus pedidos a ver si existe, busca su ruta y mira si está planificado. Aquí la casuística se empieza a abrir, el pedido no existe, ¿Cómo lo envío? ¿Quién lo tenía que haber grabado? ¿Qué sabe su comercial al respecto? Si el pedido existe, pero no se han planificado, ¿Quién es el responsble? ¿Hubo una rotura de stock?
Tiempo de respuesta: El gestor hace todas estas averiguaciones manualmente, en un plazo medio de, digamos una hora, y le da la respuesta al cliente.
Respuesta del sistema de IA: el agente le pide al sistema de IA que le diga que ocurre con el último pedido del cliente A, y el sistema le devuelve toda la información del pedido: Si existe o no, si está planificado y para que día, si está pendiente de planificación y quien es responsable de planificarlo. Si hubo una rotura de stock, cuando esta previsto que entre la mercancía en almacén. Si hubo un problema de reparto con un accidente o similar. El agente tiene la respuesta sobre el estado del pedido en tiempo real.
Tiempo de ahorro: 1 hora
Calcular el ROI para este caso es tan sencillo como cambiar 1 hora por el tiempo medio de resolución de una incidencia de tu empresa y multiplicar por el número de incidencias que tienes de este tipo. Eso te dará el número de horas ahorradas gracias a la IA.
Llamada Nº 2: Necesito un producto que me ayude con el problema A
En función de la experiencia del agente o del comercial, la respuesta la puede saber de forma inmediata, pero en muchas ocasiones no es así. Por lo que vamos a ver que pasa en este segundo caso
Respuesta del modelo tradicional: El agente tiene que ir a su sistema interno de búsqueda de información de productos (su propia web o base de datos de información de producto) y empezar a localizar el producto que responda a los requerimientos del cliente. Una vez localizado el producto, tiene que ver si el producto tiene stock. Una vez que tiene stock, le tiene que dar un precio al cliente, lo que normalmente le lleva cierto tiempo averiguar con que margen medio se trabaja con dicho cliente, para darl un precio óptimo.
Tiempo de Respuesta: 1 hora. Optimización del margen: x%
Respuesta del sistema de IA: El sistema busca por si mismo en la base de datos los productos que cumplen los requerimientos del cliente, basándose en toda la información técnica almacenada en base de datos. Posteriormente busca si existe stock. Si no existiese, le da plazo de entrega medio del proveedor. Busca el margen medio del cliente y el margen medio de venta de ese producto en el histórico y le propone un precio de venta maximizando el margen.
Tiempo de ahorro: 1 hora. Optimización del margen: y%
De nuevo calcular el ROI es muy fácil. Solo tienes que aplicar estos tiempos y estos márgenes que se obtienen en tu día a día y hacer el cálculo de como la IA puede mejorar la eficiencia, la productividad de los equipos, los márgenes de venta y por supuesto la satisfacción del cliente por la mejora de los tiempos de respuesta.
Si tienes un caso práctico que quieres que analice para ti, y er como podemos mejorar en eficiencia y productividad en tu organización, no dudes en ponerte en contacto conmigo.
How to improve EBITDA with Artificial Intelligence?
Case Study #1: Improve your Customer Service and Customer Care
The rhetorical opening question answers itself. Every entrepreneur wants to improve their EBITDA. Therefore, the reasonable question would be: How can I improve my EIBTDA significantly by implementing AI?
Today, I begin a series of case studies where you can understand very clearly how the ROI of the investment in AI is obtained, which directly impacts the income statement.
And how could it be otherwise? We will start with one of the applications in which we hear the most about how it can be improved with AI: Customer Service.
Contrary to what you may think beforehand, I'm not proposing an automated customer service chatbot. You can read on quietly. Everyone hates them, and we know it.
I will propose a practical application of an AI-based knowledge system, exclusively for internal use, that supports both the customer service and sales departments.
Apart from multinational companies, we already know they have killed customer service without further ado; most small and medium-sized companies play an essential part in taking care of their customers with personalized attention, which no chatbot can replace overnight.
So, let's examine how we can use AI to improve efficiency and productivity in this critical and important area for SMEs.
Step 1. Identifying problems and issues
The first step a company should take is to analyze the types of problems it has. This will be key to setting up our AI-based support system. Here are some examples of typical customer service problems:
Delivery delays: Delays in product delivery affect the customer's operations and its supply chain.
Defective or damaged product: Receipt of faulty products or products that do not meet required specifications.
Order discrepancies: Errors in the order, such as incorrect quantities, wrong products, or missing items.
Product quality issues: Dissatisfaction with the quality of the product received, which needs to meet the customer's standards or expectations.
Problems with billing or pricing: Discrepancies in invoiced prices or problems with payment and billing terms.
Difficulties with installation or use of the product: Need assistance with installation, configuration, or proper use, especially if it is technical or complex.
These are just examples; each company has to build its small list.
Step 2. Collect as much information as possible about the incidents
In this phase, we start generating a database that will serve as the basis for our system and AI. Remember that AI systems do not work without databases and knowledge. Therefore, the key is to collect as much information as possible about each type of problem to focus on the solution.
The information we need will be from different sources:
Continuous information collection system on the types of incidents, documenting with the highest possible level of detail (cause, origin, departments and people involved, action required, resolution time,...).
Information on customer history. Pricing. Contracts. Orders. Consumption.
Product and/or machinery information, technical and safety documentation, applications, usage information, and other technical characteristics.
Routing information. Traffic data. Weather conditions. Delivery history.
Inventory information. Procurement data. Supplier delivery times. Real-time stock-outs.
Administrative - commercial information. Receipt and recording of orders. Invoicing and collections.
All this information is usually in different data silos within an organization, so the planning phase of how to feed a single database with all the points described above, plus those that each company considers necessary according to their types of operations, begins.
Step 3. Connection to an LLM or Artificial Intelligence Engine
This database must be prepared so that it can be connected to the AI engine, which will be able to start providing answers to the problems raised. This is where the magic begins. Let's look at some practical cases, how the traditional model would solve them, and how AI solves them.
Call #1. I placed an order the day before yesterday, and it was. It has yet to arrive
Traditional model response: the agent goes to the ERP, looks for customer number A, looks at his orders to see if they exist, looks for their route, and sees if they are planned. Here, the casuistry begins to open, but the order does not exist; how do I send it? Who should have recorded it? What does your salesperson know about it? If the order exists but has yet to be planned, who is responsible? Was there a stock out?
Response time: The manager makes all these inquiries manually, within an average time of, say, an hour, and answers the customer.
AI system response: The agent asks the AI system to tell him what happened with the last order from customer A, and the system returns all the information about the order: whether it exists or not, whether it is planned and for which day, whether it is pending planning and who is responsible for designing it. Suppose there was a stock out when the goods were scheduled to enter the warehouse if there was a delivery problem with an accident or similar. The agent has the answer about the order status in real-time.
Saving time: 1 hour
Calculating the ROI for this case is as simple as changing 1 hour for the average resolution time of an incident in your company and multiplying by the number of incidents you have of this type. That will give you the number of hours saved thanks to AI.
Call #2: I need a product to help me with problem A.
Depending on the agent or salesperson's experience, you may know the answer immediately, but in many cases, this is not the case. So, let's see what happens in this second case.
Traditional model response: The agent has to go to his internal product information search system (his website or product information database) and start locating the product that meets the customer's requirements. Once the product is located, you have to see if it is in stock. Once it is in stock, you have to give the customer a price, which usually takes some time to find out what the average margin is with that customer in order to give them an optimal price.
Response Time: 1 hour. Margin optimization: x%.
AI system response: The system searches the database itself for products that meet the customer's requirements based on all the technical information stored in the database. It then searches for stock. If there is no stock, it gives the supplier the average delivery time. It looks for the average margin of the customer and the average margin of sale of that product in history and proposes a selling price that maximizes the margin.
Saving time: 1 hour. Margin optimization: y%.
Again, calculating ROI is very easy. You just have to apply the times and margins you obtain in your daily work and calculate how AI can improve efficiency, team productivity, sales margins, and, of course, customer satisfaction by improving response times.
If you have a case study that you want me to analyze and discuss how we can improve efficiency and productivity in your organization, do not hesitate to contact me.