La directora de tecnología de Wayfair, Fiona Tan, habla sobre cómo utiliza la IA para comercializar sus productos para el hogar.
La directora de tecnología de Wayfair, Fiona Tan, supervisa todas las iniciativas tecnológicas de la empresa de comercio electrónico con sede en Boston. A medida que el minorista de muebles para el hogar comienza a abrir tiendas físicas, aprovecha las lecciones aprendidas del espacio digital. Eso con el objetivo de informar sobre cómo comercializa sus productos para el hogar a los clientes en ubicaciones físicas.
En este episodio del podcast Me, Myself, and AI, Fiona se une a Sam Ransbotham y Shervin Khodabandeh para hablar de cómo la inteligencia artificial alimenta casi todo lo que hace el minorista. Desde la compra de anuncios hasta la fijación de precios de los productos, y dónde encajan los responsables humanos de la toma de decisiones.
Medicina de precisión en la industria farmacéutica: Frank Nestle de Sanofi
También describe cómo la IA permite la tecnología de automatización de marketing de Wayfair, así como algunos nuevos programas innovadores en curso para ayudar a los clientes a experimentar los productos de la empresa de forma virtual.
Más información y seguimiento de la serie en https://sloanreview.mit.edu/aipodcast.
Suscríbete a Me, Myself, and AI en Apple Podcasts, Spotify o Google Podcasts.
Envía tus comentarios en esta encuesta de dos preguntas.
Sam Ransbotham: Incluso las empresas digital-first abordan las implementaciones tecnológicas con cautela, asegurándose de limitar su exposición al riesgo.
En el episodio de hoy, descubre cómo un minorista de comercio electrónico piensa en la implementación y la ampliación de la IA.
Fiona Tan: Soy Fiona Tan, de Wayfair, y están escuchando Me, Myself, and AI.
Sam Ransbotham: Bienvenido a Me, Myself, and AI, un podcast sobre inteligencia artificial en los negocios.
En cada episodio les presentamos a alguien que está innovando con la IA. Soy Sam Ransbotham, profesor de analítica en el Boston College. También soy editor invitado de IA y estrategia empresarial en MIT Sloan Management Review.
Shervin Khodabandeh: Y yo soy Shervin Khodabandeh, socio sénior de BCG, y co-dirijo la práctica de IA de BCG en Norteamérica. Juntos, MIT SMR y BCG han estado investigando y publicando sobre IA durante seis años.
Esto ha nos ha dado entrevistas muy interesantes con cientos de profesionales y encuestando a miles de empresas sobre lo que se necesita para construir y desplegar y escalar las capacidades de IA.
Sam Ransbotham: Hoy Shervin y yo estamos encantados de estar acompañados por Fiona Tan. Fiona es la directora de tecnología de Wayfair. Fiona, gracias por unirte a nosotros. Bienvenida.
Fiona Tan: Gracias por recibirme.
Sam Ransbotham: Vamos a empezar. Tenemos oyentes en todo el mundo que pueden no estar tan familiarizados con Wayfair como Shervin y yo, así que ¿puedes empezar describiendo Wayfair? ¿Qué hace Wayfair?
Fiona Tan: Por supuesto. Y en primer lugar, gracias por ser clientes; estoy siempre contenta de tener clientes con los que hablar.
Básicamente, somos un minorista digital en la categoría de artículos para el hogar. También hemos aumentado eso ahora con algunas tiendas, abriendo nuestra segunda tienda en el área de Boston, Massachusetts, a medida que avanzamos hacia ser un minorista omnicanal.
Sam Ransbotham: Esa es la dirección opuesta a la mayoría de la gente va.
Fiona Tan: Sí, lo es, pero en realidad está muy bien; nos permite algunas formas interesantes de enfocarlo porque somos digitales primero.
Creo que, con un poco de suerte, descubrirás que hay algunas formas realmente agradables de vincular los aspectos digitales. Entras en la tienda, ves lo que hay, pero también puedes ver el resto de nuestro catálogo de una manera que espero que sea realmente útil.
Una parte de lo que es realmente interesante de Wayfair y de nuestro enfoque de la IA/ML (aprendizaje automático) es que mucho de lo que está bajo las sábanas, y no te das cuenta. Es lo que realmente impulsa toda la experiencia que tienes como cliente, y también para nuestros proveedores, hay mucho aprendizaje automático e IA detrás. No es tan visible, pero en realidad está impulsando todo lo que hacemos.
Por ejemplo, hay muchas cosas que intentan comprender la intención del cliente. Y lo hacemos en función de lo que nos dicen en las cadenas de búsqueda, etc. Pero también basándonos en dónde han mirado y cuánto tiempo han pasado mirando algo en comparación con otra cosa. Así que tratamos de construir nuestro gráfico de clientes, y luego también nos fijamos en los productos, los artículos que estamos listando en nuestro sitio.
Debido a nuestra categoría, no tenemos tantos artículos de marca. Así que, ¿cómo podemos utilizar la IA y el ML para cargar tantos artículos como sea posible y ser capaces de obtener tanta información de producto como sea posible?
Parte de esa información la obtenemos de nuestros proveedores, pero gran parte de la información sobre los productos, utilizamos IA y ML para extraerla de las fotos que nos dan, del texto que nos dan, para poder formarnos una idea del producto.
Construimos un gráfico de clientes y un gráfico de productos, todo ello con IA y ML, y luego hacemos la búsqueda de coincidencias. Cuando estás en nuestro sitio y buscas algo… podemos personalizarlo basándonos en lo que ya sabemos de ti. Esa es la magia: ¿cómo podemos encontrarle el sofá perfecto si usted no puede describírmelo de forma sucinta?
Shervin Khodabandeh: Fiona, háblanos un poco de tu trayectoria. ¿Cómo te iniciaste en la tecnología y cómo evolucionaste?
Fiona Tan: Cuando estudiaba en el MIT, tuve mi primera clase de informática, la 6001, y me enamoré de ella. Y es una de esas cosas que recuerdo y pienso:
“Soy tan afortunada de encontrar algo que me gusta hacer”, y me di cuenta de que “me van a pagar dinero por ello”. Y este fue uno de esos momentos realmente fortuitos, creo, cuando me di cuenta que siempre me ha gustado resolver problemas. Siempre me ha gustado optimizar lo que estaba haciendo, y aquí hay un campo donde puedo hacer eso en la práctica.
Hice mi maestría también en ciencias de la computación, y luego he trabajado en la tecnología de toda mi carrera. Empecé creando software para empresas, así que me preguntaba cómo crear soluciones que pudieran adoptar todos los sectores. Pasé algún tiempo en Oracle, empezando, y luego estuve en una empresa llamada Tipco durante mucho tiempo, esencialmente construyendo plataformas empresariales. Luego pasé a Walmart y ahora a Wayfair.
Transformando las transacciones con tecnología: Nitzan Mekel-Bobrov de eBay
La mentalidad de plataforma que adquirí en los dos primeros tercios de mi carrera sigue estando muy presente. Incluso cuando estás construyendo un caso de uso muy específico, todavía quieres tratar de usar esa mentalidad de plataforma.
Sigue siendo relevante, y entonces consigues centrarte en un conjunto de problemas muy específicos. Consigues basarte mucho más en los resultados empresariales. Y esas son las cosas que son realmente diferentes en un caso de uso muy específico de venta al por menor, por ejemplo, frente a la creación de una plataforma empresarial.
En un caso, estás muy, muy cerca del cliente, y puedes centrarte en resolver un conjunto de problemas concretos, pero seguir construyéndolo con la arquitectura yla mentalidad de plataforma adecuadas. Creo que esa es una de las cosas que me han resultado útiles: mi experiencia en plataformas empresariales.
Shervin Khodabandeh: Estupendo. ¿Puedes comentar un poco la filosofía general con la que te planteas los casos de uso?
Fiona Tan: Por supuesto. Y creo que es otro principio clave de nuestra forma de trabajar. En Wayfair, empezamos en marketing. Era un área en la que creíamos que la IA y el ML podían desempeñar un papel importante.
Desde el punto de vista del marketing, la puja, cuánto debo pujar y dónde debo gastar el dinero desde la perspectiva del canal… son cosas que creemos que podemos controlar y que suponen un riesgo menor. Si nos equivocamos, tal vez paguemos un poco más por un anuncio de lo necesario, pero estas fueron las áreas en las que invertimos primero porque podíamos aprender y utilizar IA y ML para eso y controlar la cantidad de riesgo que seguíamos.
Y una vez que nos dimos cuenta de eso, una vez que nos adentramos más en el uso del ML, buscamos otras áreas en las que pudiéramos aplicarlo.
¿Cómo aplicamos tecnologías similares a la fijación de precios y la generación de demanda?
¿Cómo lo ampliamos al resto de nuestra cadena de suministro, al catálogo, a la comprensión de los productos en la búsqueda y a la comprensión de los clientes?
Si nos fijamos en dónde aplicamos la IA y el ML ahora, es mucho más frecuente, pero empezamos con este caso de uso muy específico en torno al marketing y la captación de clientes. Ese fue el primer lugar en el que empezamos a utilizar IA y ML.
Shervin Khodabandeh: Fiona, tú tienes estas dos reglas (una especie de reglas empíricas). Ellas podrían servir como un buen consejo para muchos, muchos minoristas y en otras industrias también.
¿Cuáles son las dos reglas de qué casos de uso se prestan más a la IA / ML? Háblenos de ello.
Fiona Tan: Utilizamos un pequeño marco de riesgo en torno a cuál es el riesgo para la reputación u otro riesgo para la empresa si nos equivocamos.
Volviendo al marketing, en gran parte será: si nos equivocamos, pagaremos un poco más. Otras áreas en las que no automatizamos del todo porque nos preocupan más los riesgos podrían ser, por ejemplo, la información o la calidad de los productos.
Creo que intentamos hacerlo en la medida de lo posible. Pero, hasta cierto punto, también es algo en lo que incluiríamos a los humanos en el bucle para hacer ese nivel extra de comprobaciones. No lo automatizamos del todo, porque si nos equivocamos, es problemático.
Lo utilizamos como una forma de averiguar en qué nos apoyamos primero. Si se puede automatizar completamente y controlar el riesgo, ahí es donde sentimos que podemos ir un poco más rápido.
Y luego, otras áreas que podríamos ir, pero luego también involucrar a los seres humanos en el bucle, los controles para asegurarse de que tenemos ese nivel adicional de controles. Esa es una forma de verlo.
La otra gira en torno a los datos, y esto es algo en lo que creo que muchas otras organizaciones tecnológicas también están pensando cuando se plantean el ML.
Medicina de precisión en la industria farmacéutica: Frank Nestle de Sanofi
Creo que es algo con lo que, francamente, luchan muchas empresas:
Asegurarse de que hay una fuente de verdad frente a cinco personas que utilizan la fuente de verdad, le han hecho algunos ajustes, y ahora tengo cinco cosas que son similares a la primera fuente de verdad. Además de la capacidad de gestión se convierte en un problema. Miramos donde tengo fuentes de verdad buenas y estables.
Shervin Khodabandeh: Has hablado de mantener al ser humano en el bucle, y esta idea (por fundamental o simple que parezca) creo que sigue siendo un concepto erróneo para muchos. Esto es porque muchos siguen pensando que no es IA si hay un ser humano involucrado, o debe ser que lo haga todo por sí mismo, de lo contrario no es realmente IA completa.
Esta idea la hemos estudiado Sam y yo hemos en distintas empresas, y lo que hemos visto es que hay un montón de casos de uso que o bien no se van a abordar en absoluto si se espera que sean totalmente automatizados. O bien no serían óptimos o de calidad inferior o, como usted ha dicho, muy arriesgados. ¿Cuáles son algunos ejemplos de seres humanos en el bucle?
Me imagino que puede haber áreas en las que los humanos y la IA trabajen juntos, y la IA tenga algunas ideas. En ese momento el humano podría decir: “Bueno, tal vez esta no. Probemos esta otra idea“. ¿Es algo que también ocurre en su organización?
Fiona Tan: Sí. En realidad es bastante frecuente, y esta es la parte en la que realmente está mucho más orientada a los negocios y es más pragmática en términos de nuestra aplicación. Así que, hasta cierto punto, es probable que haya alguien que diga:
Pero en nuestro caso, realmente no importa. Intentamos conseguir un buen resultado desde el punto de vista empresarial.
La forma en que lo hemos pensado es que a veces utilizamos la automatización y la IA/ML para reducir las opciones. Así que hacemos parte del trabajo inicial, y luego lo reducimos a cinco, seis años en los que podemos traer a los expertos, los seres humanos, para tomar esa decisión final.
La calidad es uno de ellos. La otra es el estilo, algo que siempre es un poco difícil de acertar. Si podemos reducirlo, la parte humana será mucho más fácil, pero también muy valiosa, porque algunas de esas decisiones son a veces muy matizadas.
En realidad no soy un experto en estilo, por lo que probablemente no podría decir la diferencia entre, como, dos, tres estilos, y hay un montón de lugares donde se cruzan, etc. ¿Verdad? Y entonces es cuando tienes un experto. Y nosotros tenemos expertos en diseño en plantilla que pueden ayudarnos con algunas de esas definiciones.
Y luego, en nuestro espacio, las cosas cambian. Los estilos cambian, lo que está de moda, lo que no, y todo eso. Así que, de nuevo, tener la posibilidad de contar con humanos en el bucle es muy interesante y útil para nosotros.
Sam Ransbotham: Y la gente, como mencionaste al principio, puede que ni siquiera sepa que estás usando IA o aprendizaje automático.
Shervin y yo estamos un poco fascinados con esto en este momento porque parece que hay un montón de usos que la gente. Una vez que está ahí fuera y realmente se puede hacer en la práctica, no podría ser la inteligencia artificial, Entonces parece normal. Ha mencionado lo extendido que está su uso en su organización y, en realidad, ¿cuántas personas de su organización dirían que utilizan la IA?
Fiona Tan: Sí, creo que en esa parte tratamos de construir en el tejido de la organización de la tecnología. Así que tenemos un equipo de ciencia de datos, pero trabajan muy estrechamente con los ingenieros de software.
Queremos, de nuevo, incluso dentro de la organización de la tecnología, asegúrese de que los científicos que están construyendo los modelos, que es algo que es realmente digno de producción. Si quieres asegurarte de que los equipos están bien integrados. Así que incluso si tienes un ingeniero de software, tal vez no son un científico de datos, pero trabajan muy estrechamente con ellos y entienden cuáles son las necesidades. Y eso es lo que nos ha dado buenos resultados.
Sam Ransbotham: Así que basta de esta cosa pragmática, sin embargo.
Fiona Tan: [Risas.]
Sam Ransbotham: Es decir, tienes ML e IA en toda la organización; lo estáis utilizando en muchos sitios. ¿Qué es lo siguiente? ¿Qué te entusiasma? ¿Qué es lo más divertido que está por venir?
Fiona Tan: Hay un montón de cosas que estamos intentando hacer. También estamos buscando innovaciones en cuanto a la incorporación de otras capacidades de tipo táctil.
Tenemos un pequeño grupo que se dedica a buscar tecnología, ya sean avances de las aplicaciones móviles y las capacidades nativas de los dispositivos que nos permitan hacer más cosas. Se trata, por ejemplo, de incorporar más realidad aumentada a nuestra experiencia de compra.
Una de las cosas que estudiamos fue la tecnología que nos permitía “sentir” lo que queríamos comprar.
Otra cosa es que, como invertimos mucho en imágenes… las imágenes son una gran parte de lo que se vende en la categoría de hogar, y tenemos muchos modelos en 3D. Entonces, ¿cómo podemos crear un gemelo digital de tu casa, por ejemplo, en la nube, para que puedas amueblar tu casa virtualmente para que coincida con lo que tienes en la vida real?
Así se puede influir en lo que se compra en la vida real. O puede que sea tu casa en el metaverso y la amuebles de una forma completamente distinta.
Hay mucha tecnología y conceptos realmente interesantes que intentamos conocer sin dejar de ser prácticos y pragmáticos, pero sí.
Shervin Khodabandeh: Una buena cartera de alto riesgo y alta recompensa, y cosas prácticas. Está muy bien.
Sam Ransbotham: Las cosas perceptibles que has mencionado parecen particularmente interesante. Nos centramos mucho en lo visual. Hemos hecho muchos avances en el campo visual y sonoro.
Fiona Tan: Sí, pero no tanto en lo táctil.
Sam Ransbotham: ¿Cuál es el color Pantone equivalente al tacto?
Parece que si tuviéramos este tipo de cosas, donde pudiera tener una matriz en casa, y pudiera tocar estas cuatro cosas, y esto es lo que se siente en este sofá, me parece que es algo interesante.
No estoy segura de si quiero ir allí con el olor, porque no estoy segura de si quiero esa gama Pantone de olores en mi casa, pero es emocionante ver que estás pensando en estos, digamos, no tradicionales o no. Ya sabes, los dos primeros sentidos primarios en los que tendemos a centrarnos.
Fiona Tan: Sí. Sí.
Inventando la belleza del futuro: Stéphane Lannuzel de L’Oréal
Sam Ransbotham: Tenemos un segmento en el que te hacemos una serie de preguntas rápidas, y se supone que sólo tienes que decir lo primero que te venga a la mente.
Fiona Tan: OK. (Risas.)
Sam Ransbotham: ¿Estás lista?
Fiona Tan: Sí. OK. Lo intentaremos.
Sam Ransbotham: ¿Cuál es su momento más orgulloso de la IA?
Fiona Tan: Creo que uno de los que más me enorgullecen es que, a medida que desarrollamos las capacidades de IA en diferentes funciones, tenemos una capacidad particular que estamos desarrollando ahora. Esta es la geoordenación.
Básicamente, nos permite aprovechar las capacidades que tenemos que son fundamentales; en la comprensión de un producto, la comprensión del cliente, y luego ser capaces de tomar eso. También factor en donde se encuentran los productos.
Básicamente, tenemos una especie de orden basado en mi comprensión de su intención, mi mejor comprensión de todos los productos que tenemos, y luego nos fijamos en donde se encuentra el producto. Cuánto cuesta enviarlo y luego hacemos otra ronda de optimización en torno a eso.
En cierto modo, la razón por la que estoy orgullosa de ello es que, como hemos creado las capacidades básicas, ahora podemos ofrecer soluciones de segundo orden. Y eso es muy específico para nosotros, pero estoy seguro de que muchas empresas están en ese punto, con suerte, también, donde tienen capacidades fundacionales, y ahora se dan cuenta:
“Oh, hay una solución de segundo orden que ahora puedo idear porque he sentado las bases”.
Sam Ransbotham: OK. ¿Qué le preocupa de la IA?
Fiona Tan: En nuestra aplicación, yo diría que es parte de… volviendo a toda la categoría de riesgo de la que hemos hablado.
Nos sentimos bien con la forma en que estamos utilizando la IA. No creo que estemos cerca de los límites en los que empezar a preocuparnos. Estamos tratando de averiguar las tendencias. Por ejemplo, cuando hacemos marketing, vemos qué canales tienen éxito, pero no entramos en los detalles de quién compró dónde.
Pero es algo en lo que creo que, en general, la gente tiene que pensar en términos de cómo está utilizando los datos que tiene y asegurarse de que siguen siéndolo.
Sam Ransbotham: ¿Cuál es su actividad favorita que no tenga que ver con la tecnología?
Fiona Tan: Actualmente tengo dos actividades favoritas. Estoy aprendiendo a jugar al golf, y creo que va a ser una tarea para toda la vida porque parece que es muy difícil. Y me gusta cocinar.
Es curioso, porque me acerco a la cocina de la misma manera que a la tecnología. Siempre estoy optimizando. Así que nunca sigo una receta; elijo las mejores partes de, por ejemplo, seis recetas diferentes, y luego… es curioso porque la gente me pregunta:
“Bueno, ¿cuál has seguido?“. Y yo digo: “Ah, en realidad es muy complicado. Déjame que te lo explique. Haces esto y lo otro y lo intercambias…”
Así es como pienso, así es como cocino y como horneo también.
Sam Ransbotham: Es un enfoque de modelo de conjunto, ¿verdad?
Fiona Tan: Sí.
Sam Ransbotham: Es como un bosque aleatorio. Simplemente metes la mano en la bolsa, sacas otra selección y construyes una receta de conjunto.
Fiona Tan: Exactamente.
Sam Ransbotham: ¿Cuál fue la primera carrera que quisiste? ¿Qué querías ser de mayor?
Fiona Tan: Mi primera carrera: quería ser veterinaria. ¿No es eso lo que la mayoría de los niños quieren ser al principio?
Sam Ransbotham: Sí, y entonces tomaste tu primera clase de informática y todo cambió.
Fiona Tan: Sí, exactamente. Y entonces me enganché.
Sam Ransbotham: ¿Cuál es tu mayor deseo para el futuro de la IA? ¿Qué espera que ganemos con la inteligencia artificial?
Fiona Tan: Espero que podamos seguir utilizándolo y sacarle el máximo partido práctico. Creo que hay muchas, y obviamente lo estamos utilizando en el ámbito del comercio y la venta al por menor. Pero hay muchos casos de uso en los que podemos ayudar a comprender la atención sanitaria, etc. Hay muchísimas aplicaciones.
Me encantaría que se generalizara y que la gente siguiera practicándola. Una vez más, se trata de examinar los datos y ayudarnos a comprender cosas que quizá no hubiéramos comprendido desde una perspectiva analítica.
Creo que esa es la parte que rodea a la IA, que puede que no sean cosas que se nos ocurran a nosotros, pero que busca soluciones de una forma muy novedosa.
Sam Ransbotham: Bueno, Fiona, gracias por tomarte el tiempo para hablar con nosotros. Creo que muchas de las cosas que has dicho sobre los enfoques pragmáticos y tener más cuidado con el riesgo.
Creo que son cosas que se aplican en muchos lugares diferentes, incluso si no eres digital primero y físico después. Creo que esas cosas se aplican a mucha gente, y creo que la gente aprenderá de ello.
Gracias por dedicarnos tu tiempo hoy.
Fiona Tan: Sí, gracias por recibirme. Me ha encantado.
Sam Ransbotham: Eso es una envoltura en la temporada 5. Gracias por escucharnos. Volveremos a principios del año que viene con nuevos episodios. Mientras tanto, síguenos en LinkedIn para estar al día y ser el primero en enterarte de los episodios extra y otros contenidos.
Allison Ryder: Gracias por escuchar Me, Myself, and AI. Creemos, como tú, que la conversación sobre la implantación de la IA no empieza y termina con este podcast. Por eso hemos creado un grupo en LinkedIn específicamente para oyentes como tú. Se llama AI for Leaders, y si te unes a nosotros, podrás charlar con los creadores y presentadores del programa, hacer tus propias preguntas, etc.
Puedes acceder visitando mitsmr.com/AIforLeaders. Pondremos ese enlace en las notas del programa, y esperamos verte allí.
Sam Ransbotham (@ransbotham) es profesor del departamento de sistemas de información de la Carroll School of Management del Boston College, así como editor invitado de la iniciativa Big Ideas de Inteligencia Artificial y Estrategia Empresarial del MIT Sloan Management Review. Shervin Khodabandeh es socio sénior y director gerente de BCG y colíder de BCG GAMMA (la práctica de IA de BCG) en Norteamérica. Puede ponerse en contacto con él en shervin@bcg.com.
Me, Myself, and AI es un podcast en colaboración de MIT Sloan Management Review y Boston Consulting Group, presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky, y las productoras coordinadoras son Allison Ryder y Sophie Rüdinger.