Las marcas necesitan gestionar la econom¨ªa de la no-atenci¨®n

Estamos entrando en una era de abundancia de informaci¨®n impulsada por unas tecnolog¨ªas de la informaci¨®n cada vez m¨¢s m¨®viles. El progreso logrado en ¨¢reas como la rob¨®tica, la automatizaci¨®n y los objetos conectados est¨¢ causando que cada d¨ªa se generen grandes cantidades de informaci¨®n. Se trata de una tendencia que sigue aceler¨¢ndose a pasos agigantados. Sin embargo, hay un factor fundamental que limita la magnitud de este proceso: la atenci¨®n humana.

Sin duda estamos ante un cambio muy significativo en la forma en la que consumimos informaci¨®n. En el pasado, cuando era escasa, los humanos compet¨ªamos por la informaci¨®n disponible. A partir de ahora, ser¨¢ esta quien compita por la atenci¨®n humana. Parad¨®jicamente, la abundancia de informaci¨®n conduce a un d¨¦ficit de atenci¨®n que nos obliga a gestionar nuestro tiempo de forma m¨¢s eficiente.

En este contexto, las marcas se ven obligadas a buscar una mayor relevancia y captar as¨ª la atenci¨®n de sus clientes. Estos, normalmente, tienden a centrar su atenci¨®n en torno a un pu?ado de marcas de confianza con las que est¨¢n dispuestos a interactuar pr¨¢cticamente en cualquier momento del d¨ªa sin considerar sus comunicaciones como algo intrusivo.

Es en este entorno, caracterizado por un bombardeo constante de informaci¨®n y d¨¦ficit de atenci¨®n por parte de los usuarios, donde las empresas, especialmente las m¨¢s peque?as, tendr¨¢n que recurrir a una tecnolog¨ªa cada vez m¨¢s sofisticada para poder sobrevivir entre tanta competitividad.

Las marcas desconocen a los nuevos clientes con los que quieren iniciar una comunicaci¨®n

Las marcas deben transmitir el mensaje correcto en el momento, lugar y formato adecuados y llegar as¨ª de forma m¨¢s eficiente a sus clientes. Un grupo de investigadores de Telef¨®nica desarroll¨® hace un par de a?os un algoritmo capaz de detectar el aburrimiento humano a partir de la observaci¨®n de la actividad en su dispositivo m¨®vil y la aplicaci¨®n de t¨¦cnicas de aprendizaje autom¨¢tico. En su desarrollo se valoraron factores como el tiempo transcurrido desde la ¨²ltima llamada de tel¨¦fono, la ¨²ltima recepci¨®n o env¨ªo de un mensaje de texto, la hora del d¨ªa o la intensidad con la que usan el m¨®vil. Bas¨¢ndose en machine learning, las marcas podr¨ªan identificar el mejor momento para llegar a sus clientes y hacerlo de forma efectiva, con ciertas garant¨ªas de que su mensaje llega en un buen momento y se le prestar¨¢ atenci¨®n.

En cuanto al mensaje correcto ¡ªqu¨¦ comunicar¡ª las marcas se encuentran ante un gran problema. Generalmente, desconocen por completo a los nuevos clientes con los que quieren iniciar una comunicaci¨®n. Hasta ahora, estas dudas las resolv¨ªan parcialmente los dependientes de los establecimientos que, gracias a su experiencia, eran capaces de realizar un primer perfil del cliente en base a su aspecto f¨ªsico y su comportamiento y, en funci¨®n de eso, ofrecerle un servicio m¨¢s personalizado. Para resolver este problema en el mundo digital, se est¨¢n desarrollando ya tecnolog¨ªas soportadas en el concepto de zero database, que vendr¨ªan a sustituir esa primera interacci¨®n f¨ªsica del dependiente con el cliente en la tienda en el entorno digital.

Sin duda, estas tecnolog¨ªas y otras incipientes, ayudar¨¢n a las marcas a diferenciarse y ser m¨¢s relevantes en una econom¨ªa, la de la atenci¨®n, donde son cada vez m¨¢s los que compiten por este bien tan preciado en un universo inundado de informaci¨®n.

?ngela Shen-Hsieh es directora de Predicci¨®n del Comportamiento Humano en la unidad de Innovaci¨®n de Producto de Telef¨®nica .