Estudio de la aplicación de la IA en la segmentación de mercados en el sector del retail

GRADO: Ma ke ing
Cu so 2024/2025
TÍTULO: Es udio de la aplicación de la
IA en la segmen ación de me cados en
el sec o e ail
Au o /a: Sánchez Alonso, Go ka
Di ec o /a: Pando Ga cía, Julián
Bilbao, a 18 de junio de 2025
2
RESUMEN
En la e a ac ual en la que nos encon amos, ca ac e izada po una e olución ecnológica
sin p eceden es, el impac o de las nue as ecnologías en el sec o económico-emp esa ial
es un ema de g an ele ancia.
La In eligencia A i icial (IA) y las ecnologías de la Indus ia 4.0 es án ede iniendo la
o ma en la que las emp esas lle an a cabo sus ac i idades de segmen ación de me cados
en el sec o e ail. La in es igación mues a cómo he amien as cómo el Big Da a o
sis emas de CRM a anzados pe mi en implemen a es a egias de segmen ación
au oma izadas, donde a a és del uso de es as he amien as se pe mi e op imiza la
iden i icación de pa ones de consumo acili ando la adap ación de las emp esas al
me cado y a su en o no.
La segmen ación de me cados basada en IA no solo inc emen a la e iciencia, sino que
modi ica las in e acciones clien e-emp esa a a és de una mayo pe sonalización. Las
compañías que adop an es as ecnologías log an en ajas compe i i as al an icipa
endencias y maximiza el alo del ciclo de ida de sus clien es.
En de ini i a, es e es udio busca p opo ciona una comp ensión más p o unda de cómo
las ecnologías eme gen es es án ede iniendo el me cado de di e sas o mas.
PALABRAS CLAVE
In eligencia A i icial, IA, e ail, segmen ación de me cados, ma ke ing, ecnología
3
INDICE
1. INTRODUCCIÓN .......................................................................................
5
2. MARCO TEÓRICO .....................................................................................
7
2.1. EL SECTOR RETAIL ............................................................................
7
2.2. SEGMENTACIÓN DE MERCADOS ....................................................
10
2.3. REVOLUCIÓN DIGITAL O ERA DIGITAL ..........................................
11
3. APLICACIONES DE LA IA EN LA SEGMENTACIÓN EN RETAIL ..............
15
3.1. EL ROL DE LA SEGMENTACIÓN INTELIGENTE | SEGMENTACIÓN DE
AUDIENCIAS ..............................................................................................
16
3.2. APRENDIZAJE AUTOMÁTICO Y DECISIONES BASADAS EN DATOS
17
3.3. SEGMENTACIÓN A RAÍZ DEL CRM DE UNA EMPRESA ...................
20
3.4. ESTRATEGIAS DE SEGMENTACIÓN ................................................
22
4. EMBUDO DE VENTAS BASADO EN IA ....................................................
26
4.1. GENERACIÓN DE LEADS .................................................................
32
5. BENEFICIOS DE LA SEGMENTACIÓN DE MERCADOS EN RETAIL
BASADA EN LA IA .........................................................................................
35
6. ESTUDIO DE CASO .................................................................................
37
6.1. INFORMACIÓN EXTRAÍDA DE LAS ENTREVISTAS .........................
40
6.2. ANÁLISIS COMPARATIVO ENTRE LAS EMPRESAS .........................
42
7. CONCLUSIONES .....................................................................................
43
8. ANEXOS ..................................................................................................
47
8.1. ANEXO 1 ..........................................................................................
47
8.2. ANEXO 2 ..........................................................................................
48
8.3. ANEXO 3 ..........................................................................................
51
9. BIBLIOGRAFÍA .......................................................................................
87
4
ÍNDICE DE FIGURAS
Figu a 1: E olución imes al del olumen de negocio del come cio elec ónico y
a iación in e anual (millones de eu os y po cen aje) Fuen e: CNMC, 10 Ene 2024.
Figu a 2. Acceso y comp as ealizadas a a és de in e ne con el paso de los años.
Fuen e: Eu opean E-Come ce Repo 2024.
Figu a 3. Tipos de ecnología en la indus ia 4.0. Fuen e: Au aQuan ic 2022.
Figu a 4. Ap endizaje Au omá ico supe isado. Fuen e: Da aCamp, 11 sep 2024.
Figu a 5. Ap endizaje no supe isado. Fuen e: Decide, 16 no 2022.
Figu a 6. Análisis RFM en Re ail. Fuen e: unica360, 11 eb 2011.
Figu a 7. Segmen ación ABC. Fuen e: Impe ia, 27 ma 2024.
Figu a 8. Fases del AI Tes ing. Fuen e: Cybe click, Da id Tomas, 8 ene 2025.
Figu a 9. Di e encias en e el unnel de ma ke ing y en as. Fuen e: Daniel Da ila Ma os,
Beex, 3 jul 2024
Figu a 10. Lead Sco ing Models. Fuen e: Migao Wu, Pa el And ee y Mo ad
Benyouce . “The s a e o leads sco ing models and hei impac on sales pe o mance”
Figu a 11. Tabla de emp esas en e is adas. Fuen e: Elabo ación p opia
Figu a 12. Tabla esumen, del g ado de adopción de nue as ecnologías, ex aída de las
en e is as. Fuen e: Elabo ación p opia
5
1. INTRODUCCIÓN
La digi alización es á ans o mando nues a sociedad y en pa icula la o ma de en ende
los me cados, p o ocando cambios undamen ales en la segmen ación en e ail y con ello
los componen es que o man el me cado ac ual.
La ans o mación digi al en la segmen ación de me cados implica una implemen ación
de ecnologías ales cómo la in eligencia a i icial, la au oma ización y las pla a o mas
digi ales, modi icando de o ma adical el cómo abajamos. Es as ecnologías no solo
es án c eando nue as o mas de en ende cómo se compo a el me cado, sino ambién el
modo de en ende y comp ende a la clien ela y el en o no que la odea.
La nue a e a digi al en la que nos encon amos omen a la necesidad de adqui i
habilidades y compe encias. Hoy en día, exis en nume osas he amien as que pe mi en
lle a a cabo la segmen ación adicional de la clien ela de o ma más e ec i a y
op imizada; po ejemplo, a a és de he amien as de ma ke ing digi al cómo HubSpo ,
que pe mi en dis ibui la ca e a de clien es de una emp esa a endiendo a su CRM de
mane a más e icaz.
La au oma ización y la In eligencia A i icial es án ede iniendo los oles de las indus ias,
gene ando una ees uc u ación del me cado labo al adicional que conocemos a día de
hoy. En de ini i a, es án gene ando un en o no cada ez más cambian e donde la
adap abilidad y la e olución son cla es pa a el éxi o de una emp esa.
He seleccionado es e ema pa a el T abajo de Fin de G ado debido a su ele ancia en el
sec o emp esa, donde en la e a ac ual en la que nos encon amos ca ac e izada po una
e olución ecnológica sin p eceden es, el impac o de las nue as ecnologías en el sec o
económico-emp esa ial es un ema de g an ele ancia. El es udio y comp ensión de es e
ema es esencial pa a en ende los cambios que se es án p oduciendo in e namen e en las
emp esas.
La elección de es e ema me pe mi e explo a y comp ende cómo las ecnologías
eme gen es cómo la In eligencia A i icial, no solo es án ans o mando el me cado sino
ambién las es uc u as de segmen ación exis en es.

6
El obje i o p incipal de es e T abajo de Fin de G ado es analiza de mane a in eg al cómo
la In eligencia A i icial y las ecnologías eme gen es de la indus ia 4.0 es án
ans o mando la segmen ación de me cados en el sec o e ail español, ede iniendo an o
las es a egias adicionales cómo las he amien as empleadas pa a comp ende el
compo amien o del consumido en un en o no ca ac e izado po una e olución
ecnológica.
Se p e ende e alua el impac o de es as inno aciones ecnológicas; incluyendo el Big
Da a, la au oma ización de p ocesos y he amien as de CRM, en la capacidad de las
emp esas pa a implemen a es a egias de segmen ación in eligen e cómo el análisis
RFM, la segmen ación ABC y el lead sco ing, pe mi iendo iden i ica , accede y
sa is ace segmen os de clien es de o ma más e icien e. Además, se busca explo a las
opo unidades que b indan las ecnologías pa a la op imización del embudo de en as
basado en IA, la pe sonalización de la expe iencia del clien e y la adap ación al
c ecimien o del come cio elec ónico.
Finalmen e, el es udio busca o ece una isión ac ualizada sob e los bene icios que
apo a la segmen ación de audiencias median e ap endizaje au omá ico y los e os que
supone la implemen ación de es as ecnologías.
La me odología lle ada a cabo pa a elabo a el p oyec o se undamen a en el análisis,
in es igación, o ganización y clasi icación de la li e a u a disponible sob e el ema,
complemen ada con un es udio de caso basado en en e is as en p o undidad que pe mi e
ex ae in o mación cuali a i a sob e la implemen ación eal de es as ecnologías en el
sec o . Pa a ello, se ha e isado y es uc u ado in o mación de a ículos académicos,
es udios y lib os sob e el campo. Los a ículos y abajos se han ob enido de uen es como
Google Schola , Scopus, S a is a y di e sas uen es de da os.
El abajo se di ide en a ias pa es es uc u adas. En la p ime a pa e se expone un ma co
eó ico que aba ca el sec o e ail en España, la e olución de la segmen ación de me cados
y la Cua a Re olución Indus ial con el desa ollo de las ecnologías de la Indus ia 4.0.
En la segunda pa e, se examinan las aplicaciones especí icas de la In eligencia A i icial
en la segmen ación en e ail, incluyendo el ol de la segmen ación in eligen e, el
ap endizaje au omá ico pa a decisiones basadas en da os y las es a egias de
7
segmen ación de i adas del CRM emp esa ial. Pos e io men e, se analiza el embudo de
en as basado en IA y la gene ación de leads, seguido de un es udio de caso con
en e is as que pe mi e con as a la eó ica con las ac i idades lle adas a cabo en las
emp esas. Una ez expues os odos es os pun os se p esen a án las conclusiones basadas
en la in o mación ecopilada y el análisis compa a i o ealizado a lo la go del abajo.
2. MARCO TEÓRICO
En es e apa ado e isa emos los aspec os cla es que enma can la segmen ación de
me cados en e ail, así como su e olución y las dis in as o mas de lle a lo a cabo con el
paso del iempo. Jun o con es o, analiza emos la cua a e olución indus ial; es deci , la
c eación de las de las ecnologías de la indus ia 4.0, cómo la In eligencia A i icial, el
Big Da a, el análisis de da os y la au oma ización de p ocesos.
2.1. EL SECTOR RETAIL
El e ail es un é mino en inglés, ambién llamado come cio mino is a, se e ie e al sec o
compues o po emp esas dedicadas a la en a masi a de p oduc os o se icios
di ec amen e a los consumido es inales, según Globalkam Consul o es: “el e ail es la
en a de p oduc os y se icios al consumido inal con el in de sa is ace sus
necesidades” (Globalkam Consul o es, 2018). El come cio en e ail no se limi a
únicamen e a las iendas con encionales; den o de es e sec o se incluyen an o los
es ablecimien os ísicos, aquellas que solo ope an ía online, e-comme ce, y aquellos
modelos de negocios híb idos ( e ail 360, 22 ene 2022) que combinan ambos o ma os
pa a llega a los clien es inales.
El sec o e ail es un pila undamen al en la economía an o a ni el nacional como
in e nacional debido a su ele ado olumen de ansacciones, donde según las úl imas
publicaciones de da os de la Con abilidad Nacional Anual de España es e sec o supone
el 12,5% del PIB de la economía española en 2023 (Minis e io de Economía, Come cio
y Emp esa; Come cio In e io ); así como la g an can idad de empleo que gene a, donde
según la EPA (INE), en el año 2023 la media de ocupación gene ada en el come cio
8
mino is a ue del 9,1% del o al de ocupados de la economía; es deci , el 61,4% del o al
del come cio.
El mino is a, ambién conocido como de allis a o e aile , es un in e media io cla e en el
sec o come cial, ya que conec a a ab ican es, dis ibuido es o mayo is as con los
consumido es inales. Su ac i idad consis e en adqui i pequeños lo es de p oduc os pa a
su e en a, ya sea bien al clien e inal o en algunos casos a o os mino is as.
La e olución del sec o e ail ha ans o mado los hábi os de comp a de los consumido es,
acili ando el acceso a una mayo a iedad de p oduc os simpli icando el p oceso de
adquisición. Es a e olución, jun o con la globalización y digi alización ha gene ado
cambios en la indus ia e ail, obligando a las emp esas a adap a sus es a egias de
mane a con inua en un en o no compe i i o y dinámico. (Puyol-Co ez, Jo ge Luis – 31
ene 2024). En es e con ex o ac ual la oma de decisiones basada en da os se ha uel o
cla e pa a las emp esas del sec o .
El come cio mino is a en España a a iesa una ansacción impulsada po la
digi alización, el c ecimien o de in e ne y los disposi i os mó iles (PWC 2022). Las
emp esas deben adap a se a los nue os canales de en a y a consumido es cada ez más
exigen es que buscan au en icidad, no edad y con eniencia. Es o exige una mayo
in e sión en ecnología y es a egias de ma ke ing inno ado as pa a o ece expe iencias
de comp a más pe sonalizadas y e icien es. (Fe nando Pasamón, 5 jun 2017).
En la Figu a 1 se nos mues a cómo en el segundo imes e de 2024 la ac u ación del
come cio elec ónico en España c eció un 12,8% in e anual, alcanzando los 23.114
millones de eu os, según los úl imos da os publicados en CNMCDa a | Comisión
Nacional de los Me cados y la Compe encia.
9
Figu a 1: E olución imes al del olumen de negocio del come cio elec ónico y a iación in e anual
(millones de eu os y po cen aje)
Fuen e: CNMC, 10 Ene 2025
Ac ualmen e, el come cio y la ecnología an de la mano y las emp esas líde es del sec o
la in eg an pa a mejo a especialmen e la expe iencia del clien e. El aumen o del olumen
de los disposi i os mó iles y las aplicaciones de comp a ha sido cla e en es e p oceso
(Fe nando Pasamón, 5 jun 2017). Debido a es os ac o es, la ac u ación del come cio
elec ónico en España se ha is o aumen ada d ás icamen e.
Según el Eu opean B2C E-comme ce Repo 2024, an o el po cen aje de pe sonas con
acceso a in e ne , cómo el po cen aje de pe sonas que han comp ado bienes/se icios, en
edades comp endidas de los 16 a los 74 años, ha ido c eciendo con el paso de los años.
Figu a 2. Acceso y comp as ealizadas a a és de in e ne con el paso de los años en España.
Fuen e: Eu opean E-Come ce Repo 2024
16
de lle a a cabo di e sas a eas a in de sob esali en un me cado sa u ado y di igi se de
mane a e ec i a a su público (Ciencia y Desa ollo, Vol. 27, N.º 1, 2024)
Cómo consecuencia de los aspec os mencionados an e io men e, la segmen ación de
me cados pasa a se una solución cla e pa a las o ganizaciones, a in de e adica los
p oblemas cómo la sa u ación y la in o mación masi a del me cado. Las o ganizaciones
adap an sus mensajes y es a egias a segmen os de clien es (g upos) conc e os con
ca ac e ís icas y pa ones de comp a simila es, adap ando sus ac uaciones en base a la
e olución del me cado y las p e e encias de los consumido es (JF Fló ez, 2023)
A modo de sín esis cabe des aca que la ac i idad de segmen a a los clien es del sec o
e ail median e el empleo de la IA, implica el uso de algo i mos de in eligencia a i icial
a in de lle a a cabo el análisis de da os y la ca ego ización de clien es de dis in os g upos
a endiendo a ca ac e ís icas o compo amien os simila es
3.1. EL ROL DE LA SEGMENTACIÓN INTELIGENTE |
SEGMENTACIÓN DE AUDIENCIAS
La segmen ación in eligen e o segmen ación de audiencias, es el p ocedimien o de
segmen a /di idi al público obje i o en subg upos más pequeños en base a ca ac e ís icas
cómo ubicación, idioma, compo amien os de comp a, en e o os. Se basa en en ende
las mo i aciones de és os y o ece una expe iencia más pe sonalizada y a ac i a
(Logicomme ce, 23 ene 2025)
Es a he amien a es aliosa an o pa a mejo a la e ec i idad de las ac i idades de
ma ke ing digi al cómo pa a gene a una e olución de las es a egias adop adas po las
o ganizaciones. La segmen ación in eligen e pe mi e aumen a las asas de con e sión,
así como la e iciencia publici a ia log ando e o za la leal ad de la clien ela a la go plazo
(Boolea, 28 oc 2024)
Al implemen a la es a egia de la segmen ación in eligen e en una campaña, se ga an iza
un endimien o óp imo, debido a que los es ue zos de ma ke ing se o ien an hacia el
público obje i o. Es as ac i idades se pueden desa olla a a és de he amien as de
ma ke ing digi al, cómo HubSpo (Ployall, 29 jul 2024)

17
A a és del uso de es a he amien a las emp esas se di igen a sus subg upos de clien es
con mensajes especí icos (adap ados), aumen ando signi ica i amen e la e iciencia de sus
campañas. A aíz del empleo de és a, las o ganizaciones es ablecen bases sólidas de
leal ad con sus clien es a la go plazo, a la pa de pe mi i las adap a se cons an emen e a
los cambios del me cado.
El paso inicial pa a implemen a la IA en la segmen ación es ga an iza la calidad y pu eza
de los da os; es deci , a mayo can idad de da os ele an es de los que se disponga,
mejo es esul ados se pod án ob ene con la ayuda de la in eligencia a i icial.
Las uen es comunes pa a la ex acción de da os demog á icos y de ubicación (esenciales
pa a conoce la edad, sexo, ni el de educación, en e o os), da os de compo amien o
(pe mi iendo conoce a la emp esa a a és de que canales los clien es in e ac úan con la
ma ca), da os de ansacciones e in e acciones, bien en los si ios web y en las edes
sociales (apo an da os ace ca sus in e acciones en las RRSS, his o ial de comp as, iempo
de pe manencia en las páginas web, en o o os) (Na ee o, 22 jun 2022)
Las ac i idades an e io men e mencionadas pueden se desa olladas a a és de
pla a o mas impulsadas po IA que simpli ican el p oceso de segmen ación de audiencias,
debido a que dichas he amien as analizan g andes can idades de da os iden i icando
pa ones y gene ando segmen os p ecisos.
3.2. APRENDIZAJE AUTOMÁTICO Y DECISIONES BASADAS EN
DATOS
El ap endizaje au omá ico | AA es un subconjun o de IA que pe mi e a una máquina
ealiza una a ea conc e a y p opo ciona esul ados p ecisos a a és de la iden i icación
de pa ones; es deci , es una aplicación donde a a és del uso de algo i mos, analiza
g andes can idades de da os y gene a es adís icas, pe mi iendo oma decisiones a aíz de
una ele ada can idad de in o mación.
La p incipal di e encia en e la IA y el AA es que la In eligencia A i icial pe mi e a las
máquinas simula la in eligencia humana pa a esol e p oblemas, mien as que el
Ap endizaje Au omá ico pe mi e a las máquinas ap ende de mane a au ónoma a pa i
de da os (Google Cloud)
18
El ap endizaje au omá ico “machine lea ning” es una e ien e de la in eligencia a i icial
que se suele emplea en la segmen ación de audiencias debido a que maneja algo i mos
capaces de p ocesa ele ados olúmenes de da os de mane a e icien e des inando poco
iempo en el p oceso (adSalsa, 8 ma 2024)
El uso p incipal del Ap endizaje Au omá ico en ma ke ing es emplea lo a modo de
p edeci el compo amien o de los me cados y pe sonaliza las campañas publici a ias en
base a los hábi os de uso (JM Caballe o, 17 eb 2023)
Las ecnologías del AA gene an la au oma ización de segmen os a pa i de ac o es cómo
in e eses de comp a, edad, aspec os geog á icos, en e o os; pe mi iendo de es e modo
que las es a egias de ma ke ing basadas en da os mejo en sus esul ados (Súma e, 21 ma
2024)
El uso de la IA y el AA acili an el análisis ápido y p eciso de g andes olúmenes de
da os de clien es, iden i icando pa ones que mejo an la segmen ación más allá de los
mé odos adicionales. Es as acciones pe mi en c ea g upos más especí icos basados en
a ibu os bien de inidos, op imizando campañas pe sonalizadas en base a in e eses y
compo amien os de comp a. Además, al pode au oma iza p ocesos, se educen los
es ue zos del pe sonal de abajo y cos es a la pa de mejo a la p ecisión y e icacia en la
ges ión de da os (Nisum, 16. May 2022)
El Ap endizaje Au omá ico supe isado se basa en algo i mos que analizan pa ones a
pa i de da os que pe mi en p edeci esul ados con p ecisión. El uso gene al de es e
modelo se basa en la e aluación de iesgos, análisis p edic i os, comp ensión de
algo i mos, en e o os. A dichos algo i mos se les do a de in o mación sob e un conjun o
de da os e ique ados; es deci , las a iables obje i o de un p oblema, las cuales
ep esen an las ca ac e ís icas o dimensiones de la obse ación a p edeci y las a iables
de esul ado, las cuales son los e ec os que se p e enden p edeci (IBM, 20 dic 2023)
Pa a la ejecución de es as ac i idades se emplean he amien as ales cómo edes
neu onales (las cuales simulan el uncionamien o del ce eb o humano, pe mi iendo lle a
acabo p ocesos cómo aducción de lenguaje na u al, econocimien o de imágenes, de
habla, c eación de imágenes, en e o os); á boles de decisión (empleados pa a a eas de
19
clasi icación; po ejemplo: de ec o del spam o co eo no deseado en el mail y a eas de
eg esión; po ejemplo: p edicción del p ecio de la i ienda po me o cuad ado,
ubicación, núme o de baños y o os da os ele an es) y algo i mos de clasi icación
(p edicen a iables ca egó icas e ique ando piezas de da o de en adas).
Figu a 4. Ap endizaje Au omá ico Supe isado
Fuen e: da acamp, Blog 11 sep 2024
El Ap endizaje Au omá ico no supe isado se basa en la p epa ación de modelos de
da os sin p ocesa y sin e ique a ; es deci , no equie e de ele ada in e ención humana
en compa ación con el supe isado. Se emplean con la inalidad de jun a obje os den o
de g andes bases de da os, pe mi iendo ag upa a los clien es en unción de a ibu os cómo
el núme o de eces que emplea on/adqui ie on p oduc os de la ma ca, sus da os
demog á icos, el modo en el que in e ac úan con la emp esa, e c. (Uni e sidad Eu opea |
UE, 11 oc 2022)
El uso p incipal del modelo es el análisis de clús e es de da os con ca ac e ís icas
simila es o da os de cada segmen o, además de la comp ensión de la elación en e los
dis in os da os.
Figu a 5. Ap endizaje no supe isado
Fuen e: decide, 16 no 2022
20
3.3. SEGMENTACIÓN A RAÍZ DEL CRM DE UNA EMPRESA
Los sis emas de ges ión de elaciones con los clien es son es a egias diseñadas a in de
op imiza la a ención al clien e median e un mejo conocimien o de su audiencia. El CRM
no solo unciona cómo so wa e de en as, sino que acili a a la o ganización el
in e cambio de in o mación en e ac i idades de ma ke ing, en as y se icios (Clien i y,
18 jul 2023)
El CRM cen aliza la in o mación en un solo luga , pudiendo gene a in o mes
au omá icos y clasi ica los da os según ac o es cómo edad, ubicación, e apa del clien e,
his o ial de comp as e impac o de campañas, en e o os.
Es o pe mi e iden i ica endencias y pe sonaliza la comunicación a in de impulsa las
en as, mejo ando la expe iencia del clien e y omen ando su leal ad hacia los p oduc os
o se icios o e ados po la emp esa (Gonzalo Pe lado | Minis e io de Indus ia y
Tu ismo)
Un ejemplo escla ecedo puede se el siguien e: el CRM puede iden i ica que los clien es
jó enes en ciudades g andes esponden mejo a campañas en RRSS ( edes sociales),
ayudando así a la emp esa a diseña es a egias más e ec i as y di igidas a es e ipo de
segmen os.
La ges ión del CRM de una emp esa si e a in de lle a a cabo una se ie de ac i idades,
den o de las cuales encon amos:
- Iden i ica y con e i las in e acciones en leads.
- Pe sonaliza las in e acciones, bien pa a mejo a la expe iencia de los usua ios
cómo pa a impulsa el embudo de en as.
Es deci , el CRM se ha con e ido en una he amien a imp escindible pa a cualquie
o ganización en busca de op imiza sus ac i idades de ma ke ing y consegui un ele ado
g ado de éxi o en el me cado (seQu a, 1 jul 2024)
21
La combinación de la in eligencia a i icial con un CRM busca op imiza el desempeño
del sis ema de ges ión mejo ando los esul ados de en as en odas sus e apas, desde la
cap ación de clien es has a su idelización.
En e los bene icios de es a in eg ación se des aca la posibilidad de op imiza el p oceso
de en as al hace e icien e la a ención a la clien ela median e el uso de algo i mos y da os
digi ales. Es o pe mi e ob ene a los endedo es insigh s sob e el compo amien o de los
clien es, an icipando sus necesidades y o eciendo expe iencias pe sonalizadas que
mejo an las asas de con e sión. O as de las ac i idades cla es que pe mi e la IA es
digi aliza la au oma ización de a eas y la c eación de co eos pe sonalizados, acili ando
el abajo del equipo emp esa ial (GZ A amendia, 2019)
Po o o lado, la IA ambién con ibuye a la mejo a de la p oduc i idad y ges ión de
clien es al desa olla lujos de abajo y op imiza los au omá icamen e. Es o pe mi e
gene a a eas de seguimien o eliminando la in e ención manual de los abajado es,
educi e o es en el p oceso de en as y uni ica la comunicación en e los dis in os
depa amen os, gene ando una expe iencia más luida pa a sus clien es.
La aplicación de la IA en el CRM ayuda a iden i ica , jun o con los aspec os an e io men e
mencionados, opo unidades de en as c uzadas, o aleciendo ac i idades de c oss
selling
1
y up-selling
2
, educiendo los es ue zos de ges ión y aumen ando la e iciencia del
equipo de la emp esa (La am, 11 sep 2024)
A modo de sín esis, un CRM pe mi e cen aliza y o ganiza la in o mación de los
clien es, acili ando a las o ganizaciones el acceso a da os cla es de es os. Además,
g acias a es e ipo de he amien as es posible iden i ica pa ones de compo amien o pa a
diseña es a egias e ec i as. Sin emba go, su implemen ación equie e de una in e sión
inicial, conside ando ac o es cómo la in eg ación de la he amien a y la o mación del
pe sonal a in de maximiza su uso (In o g es, 4 no 2024)
1
C oss-selling: La en a c uzada, conocida ambién como c oss-selling, es una ác ica que consis e. En p opone al clien e a ículos o se icios adicionales. Que complemen an
su comp a o iginal. Se a a de ecomenda p oduc os elacionados con los que el clien e ya ha seleccionado, con el obje i o de inc emen a el impo e o al de la ansacción y
apo a un mayo alo al clien e, o eciéndole opciones que puedan esul ase ele an es o bene iciosas.
2
Up-Selling: La écnica de up-selling, o en a adicional, consis e en pe suadi al clien e pa a que elija una opción supe io a la que inicialmen e enía en men e. No malmen e,
es a es a egia implica suge i una e sión más a anzada o de mayo p ecio del p oduc o o se icio que el clien e es á conside ando, con el p opósi o de aumen a el alo de la
en a y sa is ace mejo sus necesidades.

22
3.4. ESTRATEGIAS DE SEGMENTACIÓN
3.4.1. Análisis RFM
La segmen ación RFM (Recencia, F ecuencia y Valo Mone a io | Mone a y Value) se
basa en el compo amien o del usua io pa a e alua su alo cómo clien e. A a és del
análisis de sus in e acciones come ciales con la emp esa, es posible iden i ica pa ones
de comp a y de e mina su impac o en el negocio (Pushwooosh, 18 jul 2024)
Es e modelo ayuda a las emp esas a ag upa a sus clien es según ca ac e ís icas comunes,
lo que pe mi e pe sonaliza es a egias de ma ke ing y adap a la comunicación a las
necesidades de cada segmen o, mejo ando la e ec i idad de las campañas.
Las a iables del modelo se pueden desglosa en:
- Recencia de comp a: indica los días anscu idos desde la úl ima comp a o
pedido.
- F ecuencia de comp a: indica el núme o de comp as o pedidos po pe iodo de
iempo p omedio (po ejemplo, comp as mensuales).
- Valo mone a io | Mone a y Value: alo de las comp as o ales ealizadas po el
clien e en el iempo de análisis.
El modelo asigna una pun uación a cada clien e según las a iables an e io men e
explicadas, c eando un anking que pe mi e segmen a los según su ele ancia pa a el
negocio. Es deci , se le o o ga a cada clien e un alo en base al pe cen il en el que se
encuen e, lo cual acili a la pe sonalización de es a egias de ma ke ing y op imización
de acciones come ciales. (Connec i , 24 may 2022; Guille mo Có doba, Unica360, 10 eb
2011, GC)
En de ini i a, el RFM pe mi e iden i ica a los clien es más aliosos de una emp esa y
segmen a los de mane a e ec i a. Se analizan di e sos da os acili ando la c eación de
es a egias de ma ke ing más p ecisas. Al in oduci es a he amien a, las emp esas
pueden aumen a la leal ad de los clien es y mejo a la e ec i idad de sus acciones (Mind,
2 no 2023)
23
La combinación del modelo RFM con la IA po encia su capacidad pa a analiza g andes
olúmenes de da os, iden i ica pa ones y pe sonaliza es a egias de mane a más
e icien e; pe mi iendo de es e modo a las emp esas mejo a sus es a egias a la pa de
op imiza y acili a las omas de decisiones y maximiza la leal ad de la clien ela
(Connec i , 24 may 2022)
Figu a 6. Análisis RFM en Re ail:
Fuen e: única360, 10 eb 2011, po Guille mo Có doba
3.4.2. Análisis ABC
La segmen ación de clien es ABC ue una écnica de inida po Vil edo Pa e o, sociólogo
y ma emá ico i aliano (1848 – 1923), el cual es ableció que pa a muchos esul ados de
o ma gené ica el 80% de las consecuencias p o ienen del 20% de las causas; es deci ,
un pequeño po cen aje de causas gene an un g an e ec o (Sa ah Laoyan, Asana, 21 eb
2025)
Cabe des aca que el p incipio de Pa e o o Ley 20/80 se aplica indis in amen e a la
p oducción cómo a los clien es; es o es, la segmen ación a aíz del modelo ABC puede
emplea se pa a lle a a cabo una ges ión del s ock de la una emp esa o pa a ca ego iza a
sus clien es y desa olla es a egias de con ol de in en a ios y en oques de ma ke ing
adap ados a cada uno de los dis in os g upos.
24
Siguiendo con la p emisa an e io , la clasi icación ABC de clien es se ha con e ido en
una he amien a empleada a in de di idi los p oduc os/clien es en dis in as ca ego ías
en unción de su ele ancia pa a la o ganización, con la inalidad de analiza la
ac u ación po clien e y ija es a egias come ciales adap ándolas a cada uno de los
segmen os (A xon, 28 eb 2025)
El P incipio de Pa e o sos iene que el 20% de la clien ela ep esen an el 80% de la ci a
de negocio, mien as que el 80% de clien es es an es solo apo an un 20% de las en as
de la emp esa. En base a la conocida Ley 20/80 se ealiza la siguien e clasi icación:
- Ca ego ía A: ep esen an la mayo pa e de la ac u ación de la emp esa, siendo
és os un 20% de la ca e a de clien es, los cuales gene an el 80% de las en as.
- Ca ego ía B: donde ap oximadamen e un 50% de la clien ela solo po an un 20%
de la ci a del negocio.
- Ca ego ía C: el 10% de los clien es ep esen an un 10% de las en as de la
emp esa.
La siguien e igu a mues a la ep esen ación g á ica de la clasi icación de los clien es en
base al po cen aje de p oduc o que consumen los clien es en p opo ción al po cen aje de
bene icios que apo an a la emp esa.
Figu a 7. Segmen ación ABC
Fuen e: Impe ia, 27 ma 2024
25
De la igu a an e io se pueden saca una se ie de conclusiones:
Clase A: suponen la mayo pa e de los ing esos de la emp esa, a los cuales se debe de
p es a una mayo a ención. Se a a de una se ie de clien es es a égicos pa a la
o ganización; se les debe de do a de se icios especí icos, mejo es condiciones de en as,
e c. Es as ac i idades ienen como inalidad ideliza y la pe sonalización de ac i idades
pa a asegu a dichos ing esos, ealizando un con ac o y con ol u ina io.
Clase B: los clien es ep esen ados en es a zona son clien es medios. Se puede lle a a
cabo di e sas ac i idades con la inalidad de que se con ie an en e e nos clien es de ipo
B o incluso que acaben con i iéndose en clien es ipo A a a és de es a egias de
idelización. Pa a ello se pueden lle a ac i idades cómo en as c uzadas, p omoción de
p oduc os, acilidades en el p oceso de comp a (po ejemplo: en íos g a ui os a pa i de
cie o olumen de comp a, e c.).
Clase C: se debe de e i a gas a una ene gía ele ada y ac u a poco con es e ipo de
clien es; la ac i idad p incipal con es a ca ego ía de clien es, los cuales ep esen an una
pequeña ci a de negocio y son muy abundan es, se ía de ec a nue as necesidades a in
de a a de cub i las y con e i los en clien es es ables. Aunque po pa e de la
o ganización no deben se descuidados, no se deben de incu i en mayo es es ue zos de
los necesa ios (egela - Di ección de Ven as y Negociación Come cial; A xon, 4 ma 2025)
3.4.3. Tes A/B
La segmen ación en las p uebas A/B consis e en di idi a la audiencia en g upos
especí icos pa a p oba dis in as e siones de un con enido den o de cada segmen o
(Ru h Ra en ós, Nelio, 18 may 2023). Es as acciones pe mi en compa a el endimien o
de una e sión “A” con una a ian e “B” de o ma más p ecisa, analizando el impac o en
cada subg upo. Así, se pueden ob ene conclusiones más especí icas y op imiza las
es a egias de la emp esa en unción de da os más conc e os (O acle)
La segmen ación en las p uebas A/B pe mi e ob ene da os más conc e os, pe o conlle a
cie os iesgos. Po una pa e, si el amaño de la mues a pa a cada segmen o es demasiado
pequeño, los esul ados pueden no se iables. Además, p oba es as acciones en cie os
32
4.1. GENERACIÓN DE LEADS
“Lead hace e e encia a aquellos posibles clien es que nos han dejado sus da os a cambio
de mos a in e és en un p oduc o o se icio o e ado po la emp esa.” (CFG Medio,
2015). Es os usua ios se conside an posibles comp ado es de los p oduc os o se icios
o e ados po las compañías, po lo que esul a undamen al ealiza un seguimien o
cons an e a a és de es a egias de cap ación y idelización. Es o pe mi e a las emp esas
man ene se al día de sus in e eses y ans o ma los en clien es inales. Cuan os más leads
se gene en, mayo es se án las opo unidades de adqui i nue os clien es.
Es esencial asegu a se que los leads gene ados sean adecuados, lo cual exige una
iden i icación cla a del público al que se desea llega . Pa a log a lo, es necesa ios ealiza
es udios de me cado y segmen aciones p ecisas que ayuden a comp ende las necesidades
de los posibles clien es. Al de ini con p ecisión el público obje i o, las acciones de
ma ke ing se uel en más e ec i as.
Gene a con enido que esponda a las necesidades eales de los clien es ayuda a
posiciona a la emp esa cómo líde en su sec o , inc emen ando su c edibilidad y
a ayendo más leads. Además, el uso de o mula ios y landing pages op imizadas es cla e
pa a cap a in o mación básica de los leads y mejo a las con e siones, siemp e
p io izando una expe iencia a ac i a pa a los usua ios, donde dichas es a egias deben
queda bien de inidas en el embudo de en as de la emp esa.
Po una pa e, la segmen ación de con ac os es el p ime paso pa a que la comunicación
con los clien es sea más e ec i a y llega al público deseado. Al ag upa a los clien es
po enciales según in e eses, his o ial de comp as, e apas del ciclo de ida en la que se
encuen en, en e o as cosas, pe mi e a las o ganizaciones en ia les in o mación que sea
de su in e és y de mayo ele ancia pa a cada uno de los dis in os segmen os gene ados.
Po o o lado, la pe sonalización en la a ención al clien e y di usión de in o mación puede
lle a se a cabo median e pla a o mas capaces de analiza y moni o iza las in e acciones
de cada clien e po encial.

33
Pa a ello, es necesa io el empleo de sis emas de ges ión de elaciones con clien es (CRM)
a in de ecopila da os conc e os sob e p e e encias y pa ones de compo amien os,
ga an izando que cada p ospec o eciba un a o adap ado a sus necesidades.
T as la implemen ación de es as écnicas no solo se ele a la sa is acción del usua io, sino
que además gene a insigh s es a égicos a in de op imiza las écnicas de ma ke ing y los
en oques come ciales.
4.1.1. Clasi icación de leads
El Lead Sco ing es un mé odo cuan i a i o que e alúa el po encial de un p ospec o
median e el análisis de su pe il, compo amien o (digi al y p esencial), da os
demog á icos y p obabilidad de con e sión en clien e inal. Es e p oceso p io iza las
opo unidades come ciales pe mi iendo op imiza la asignación de ecu sos; es deci , los
leads con un mayo alo se di igen a en as, mien as que los de alo in e io se
ges ionan con es a egias de ma ke ing ((NIH, Feb 2023)
La clasi icación de leads es un p oceso undamen al pa a las o ganizaciones, dado que
consis e en analiza y je a quiza a los p ospec os según su p obabilidad de gene a una
comp a, acili ando di igi los ecu sos de los equipos come ciales y de me cado hacia
aquellos con mayo po encial de ealiza una comp a.
Los sis emas de pun uación de leads es una he amien a e icaz que e alúa a los p ospec os
según cómo in e ac úan con la ma ca. Es e mé odo es á basado en da os que ayudan a
iden i ica qué con ac os iene un mayo g ado de comp omiso con la o ganización; es
deci , su ni el de idelidad de ma ca. Pa a ello, se deben de ija pa áme os y obje i os
que de e minen qué ca ac e ís icas debe euni un lead “p io i a io”. Dicho anking de
pun uaciones si e a modo de guía pa a el equipo come cial, pe mi iendo su coo dinación
con el depa amen o de ma ke ing, inc emen ando la e iciencia en el ciclo de con e sión
de leads.
Implemen a la au oma ización a a és de sis emas CRM acili a la e aluación de
p ospec os. Es o se log a as la ecopilación de da os y la p og amación de seguimien os
au omá icos. Adicionalmen e, se ap o echa la in o mación his ó ica pa a mejo a el
34
mé odo de cali icación lo cual puede esul a una écnica en ajosa. Al es udia endencias
de compo amien os an e io es y los po cen ajes de cie e de en as, la compañía puede
op imiza sus c i e ios de cali icación y su es a egia come cial. (JKLST, 12 no 2023)
Exis en nume osas he amien as de CRM que pe mi en lle a a cabo la ecopilación de
da os y gene a una pe sonalización es a égica de cap ación de clien es. Dado el ele ado
olumen de in o mación ecopilada po las emp esas jun o con la analí ica p edic i a, las
he amien as de CRM pueden lle a a cabo una pun uación de leads más e ec i a.
Un ejemplo se ía el caso de la he amien a de HubSpo CRM, és a ges iona la cali icación
de leads asignando pun uaciones a con ac os y emp esas según c i e ios pe sonalizables,
como in e acciones de los usua ios ( isi as, clics, ape u a de emails, e c.) y da os
sociodemog á icos (ca go, amaño de la emp esa, e c.). Es as pun uaciones ayudan a
p io iza los leads además de ac ualiza se de mane a au omá ica, pudiendo usa se pa a
ealiza in o mes y segmen aciones po pa e de la emp esa.
Además, HubSpo in eg a in eligencia a i icial (IA) en su he amien a de cali icación,
pe mi iendo que el sis ema analice pa ones de con e sión de los da os y sugie a c i e ios
ele an es a in de mejo a la pun uación de los p ospec os. Así, la IA op imiza el p oceso,
iden i icando au omá icamen e los c i e ios más ele an es pa a la cali icación y acili a
la p io ización e icien e de opo unidades de en a (HubSpo , 11 ab 2025)
Figu a 10. Lead Sco ing Models
Fuen e: Migao Wu, Pa el And ee y Mo ad Benyouce . “The s a e o leads sco ing
models and hei impac on sales pe o mance”
El p oceso de cali icación de leads puede a a se desde un en oque adicional o
p edic i o. Po una pa e, la pun uación de leads p edic i a emplea el ap endizaje
au omá ico a in de obse a señales de con e sión pa a su pos e io clasi icación;
35
ap o echando pa a ello da os his ó icos de los usua ios pa a elabo a un p oceso más
e ec i o a la pa de e icien e pa a lle a a cabo la je a quización de leads.
Po o o lado, la cali icación adicional o manual se basa p incipalmen e en la in uición
de los especialis as de ma ke ing y da os compo amen ales, es ando condicionada de es e
modo en g an medida po la subje i idad. Lo cual gene a una ele ada necesidad de
disposición p uebas y e isiones con inuas, culminando en un empleo ele ado de ecu sos
(Migao Wu, Pa el And ee y Mo ad Benyouce , In o ma ion Thechnology and
Managemen ; 2023)
5. BENEFICIOS DE LA SEGMENTACIÓN DE MERCADOS EN
RETAIL BASADA EN LA IA
La implemen ación de la In eligencia Al icial en la segmen ación de me cados del sec o
e ail ha gene ado una ans o mación signi ica i a en la o ma en que las emp esas
comp enden y se elacionan con sus clien es. Los bene icios de i ados de es a ecnología
an más allá de la ca ego ización de consumido es, aba cando desde la pe sonalización
has a la op imización de los ecu sos emp esa iales. Es a e olución en ecnología pe mi e
a los e ailes desa olla es a egias más p ecisas y e icien es, impac ando posi i amen e
en la en abilidad y sos enibilidad de sus negocios. (Hossam, A. Jou nal o Compu a ional
Social Dynamics. 2022)
La pe sonalización ep esen a uno de los bene icios más ele an es. Los algo i mos de
la IA analizan el compo amien o de cada clien e, sus p e e encias y el his o ial de
comp as a in de o ece o e as pe sonalizadas, ecomendaciones, en ío de in o mación
ele an e, en e o as. Es a hipe pe sonalización ayuda a mejo a de mane a signi ica i a
la sa is acción de los clien es y aumen a las asas de con e sión y la leal ad de es os.
(Lang, L. Jou nal o Science and Technology, 2022)
Debido a que los sis emas de la IA pe mi en in e p e a y almacena abundan e
in o mación sob e los clien es, se pe mi e a las emp esas c ea pe iles de clien es más
de allados, acili ando una comp ensión de los compo amien os, p e e encias y
ca ac e ís icas demog á icas de cada uno de los consumido es. (Sha ma, R. Ma ko a e,
26 may. 2025).
36
La au oma ización de p ocesos median e IA gene a una educción signi ica i a en el
iempo dedicado en analiza da os, ex acción y p epa ación de in o mación. G acias a
es a educción y op imización del iempo, los equipos de ma ke ing pueden en oca sus
es ue zos a la mejo a en el desa ollo de es a egias y en la c ea i idad mien as mejo an
la e iciencia ope acional gene al (Sha ma, R. Ma ko a e, 26 may. 2025).
La op imización de ecu sos gene a una asignación más e ec i a del p esupues o del
depa amen o de ma ke ing de la emp esa, dado que la IA pe mi e en oca el gas o
publici a io en segmen os de clien es de al o alo , iden i icando cuáles gene an una
mayo en abilidad (Cummings A., R. Shopi y, 30 jun. 2025). Es a p ecisión en la
segmen ación pe mi e que los es ue zos de ma ke ing es én alineados con la demanda eal
de los clien es.
Es udios como el expues o en Expansión, indica que los mino is as que adop a on IA y
machine lea ning egis a on un c ecimien o de sus ing esos en o no al 8,10% en e 2023
y 2024, en e al 5,10% de quienes no implemen a on es e ipo de ecnologías en sus
negocios (Ma abo o, M. Expansión, 2024). Además, según Mo do In elligence
de e minan que el me cado de IA c ece á un 33,17% has a 2029, impulsado po una
mejo a en la e iciencia ope a i a y educción de cos es median e algo i mos de
op imización de p ocesos (Mo do In elligence, Es udio Me cado).
El análisis p edic i o cons i uye un pila undamen al de la segmen ación de me cados
basada en In eligencia A i icial, pe mi iendo a los abajado es de las emp esas an icipa
compo amien os de sus clien es, así como sus p e e encias median e el análisis de
pa ones de comp as. Es as ac i idades acili an a las emp esas pode adelan a se a las
necesidades del me cado y cómo consecuencia ajus a su o e a.
La capacidad de p ocesa in o mación en iempo eal (segmen ación dinámica),
pe mi e a las emp esas esponde de mane a inmedia a a los cambios de los
compo amien os de los consumido es. Es a posibilidad de adap ación casi ins an ánea es
de g an alo pa a las emp esas ya que puede se un ac o cla e pa a e i a posibles
pé didas de clien es. (Chambi-Condo i, 2021).
37
Teniendo en cuen a lo mencionado an e io men e, la IA pe mi e iden i ica a clien es en
iesgo de abandona la ma ca. Po lo an o, la pe sonalización ayuda gene a elaciones
más du ade as con la clien ela al comp ende mejo las p e e encias indi iduales de cada
uno y o ece les expe iencias adap adas, inc emen ando de es e modo la leal ad de sus
consumido es.
A modo de esumen, cabe des aca que la implemen ación de la In eligencia A i icial en
segmen ación de me cados gene a un impac o posi i o en el e o no de in e sión (ROI)
al di igi a los clien es adecuados a las o e as co ec as en el mejo momen o. Po ello la
mejo a en las asas de con e sión implica o o bene icio económico. Al o ece p oduc os
y se icios más ele an es a cada segmen o, las emp esas ienen más p obabilidad de
gene a inc emen os en sus en as (Wes eiche , G., 1 sep. 2020)
6. ESTUDIO DE CASO
Es e apa ado del abajo iene como obje i o analiza cómo di e sas emp esas ges ionan
sus bases de da os, el uso que hacen de la in eligencia a i icial (IA) en el p ocesamien o
de la in o mación y su aplicación en es a egias de ma ke ing y segmen ación.
En el con ex o ac ual, la ges ión e icien e de da os y la in eg ación de ecnologías
a anzadas son ac o es cla e pa a el éxi o de las es a egias de ma ke ing de las emp esas.
A in de comp ende en p o undidad cómo las o ganizaciones abo dan es os e os, en es e
pun o del T abajo de Fin de G ado se ha diseñado una in es igación basada en en e is as
en p o undidad a p o esionales de dis in as emp esas.
Las emp esas seleccionadas pa a es e es udio ep esen an una mues a di e sa, elegida en
unción de a ios ac o es:
• Tamaño de la emp esa: se han incluido pequeñas, medianas y g andes emp esas,
pe mi iendo así analiza cómo a ía la ges ión de da os y el uso de la IA en unción
de los ecu sos y las es uc u as o ganiza i as.
• Tipo de clien e: se ha conside ado an o emp esas B2B cómo B2C, lo que acili a
compa a es a egias de segmen ación y pe sonalización de con enidos en unción
del público obje i o.

38
• Sec o de la ac i idad emp esa ial: las en e is as han sido lle adas a cabo a las
siguien es emp esas: dos agencias de ma ke ing, consul o ía especializada,
emp esa ecnológica y compañía del sec o ecnológico- a macéu ico; lo que
apo a una isión amplia y sec o ial sob e la digi alización y el ma ke ing basado
en da os.
Fac o es
conside ados
Agencia de
Ma ke ing
(Agencia 1)
Agencia de
Ma ke ing
(Agencia 2)
Consul o ía
especializada
Emp esa
ecnológico-
a macéu ica
Emp esa
ecnológica
B2B
•
•
•
•
•
B2C
•
•
•
Pequeña
emp esa
•
•
Mediana
emp esa
•
•
G an emp esa
•
Figu a 11. Tabla de emp esas en e is adas. Fuen e: elabo ación p opia
Las en e is as en p o undidad ealizadas pa a la consecución de es e pun o han sido
especi icadas de al modo que se pe mi a explo a pa ones comunes en e las dis in as
emp esas, es a egias di e enciadas que ealizan y los e os ac uales a los que se en en an
en la ges ión de bases de da os y la aplicación de la IA en las ac i idades de ma ke ing
digi al.
Pa a odo ello, se especi icó un guion el cual ue elabo ado pa a ga an iza la
compa abilidad, indagación y ex acción de espues as, con ando con cinco bloques
p incipales:
1. In oducción y con ex o: se es ablece el p opósi o de la en e is a y se solici a al
en e is ado que explique su ol den o de la o ganización y cómo se elaciona
con la ges ión de da os y el ma ke ing en su emp esa.
2. Ges ión de la base de da os: se explo a cómo se o ganiza la base de da os, que
ipo de in o mación se almacena, qué he amien as se emplean pa a ello, la
ecuencia de depu ación y p o ocolos de ac ualización de los da os, y las medidas
de segu idad y p i acidad implemen adas.
39
3. Uso de la IA: se indaga sob e la in eg ación de la in eligencia a i icial en la
emp esa, las ac i idades pa a las que se emplea (au oma ización de a eas, análisis
de da os, gene ación de con enidos, e c.), las he amien as u ilizadas y los
bene icios pe cibidos.
4. Ma ke ing Digi al y Segmen ación de me cados: se analiza cómo se u ilizan los
da os (con o sin IA) pa a segmen a audiencias, pe sonaliza campañas y medi el
impac o de es as acciones con indicado es cla es cómo la con e sión o el
engagemen .
5. Res os ac uales y pe spec i as de u u o: se iden i ican los p incipales desa íos en
la ges ión de da os y la adopción de IA, así como los planes u u os y la pe cepción
sob e la impo ancia c ecien e de es as ecnologías.
Tipos de Emp esas Analizadas:
Agencia de Ma ke ing (1): pequeña emp esa de 8 empleados, o ien ada a clien es B2B
y B2C. Dada su ecien e undación, posee una base de da os limi ada y un bajo ni el de
digi alización en sus p ocesos y ac i idades dia ias, aunque cuen a con planes de
expansión u u a.
Agencia de Ma ke ing (2): mediana emp esa con 53 empleados y una ayec o ia
consolidada, es a agencia es á en ocada en clien es B2B, la cual almacena abundan e
in o mación y cuen a con una ele ada ca ea de clien es. U ilizan la IA pa a el desa ollo
de di e sas ac i idades y segmen a a sus clien es po sec o es en los que se enma can
( a macéu icas, ho eles, ayun amien os, compañías ele ónicas, e c.)
Consul o ía Especializada: una PYME B2B en ocada a ab ican es de ma e iales de
cons ucción, con 3 empleados p incipales y pe sonal en p ác icas. U iliza he amien as
especí icas que cuen an con IA y busca log a una hipe segmen ación en su ca e a de
clien es.
Emp esa Tecnológica: g an emp esa in e nacional (más de 200 empleados) que o ece
aseso amien o ag onómico basado en ecnología (d ones), donde los da os y la IA son el
núcleo de su negocio.
40
Emp esa Tecnológico-Fa macéu ica: emp esa B2B cuyo in es impulsa la
digi alización de las a macias, ca ac e izada po una al a digi alización p opia de su
modelo de negocio.
6.1. INFORMACIÓN EXTRAÍDA DE LAS ENTREVISTAS
A con inuación, se expond á un análisis compa a i o de la ges ión de bases de da os, el
uso de la in eligencia a i icial (IA) y las es a egias de segmen ación en ma ke ing,
omando como e e encia las cinco emp esas en e is adas. El obje i o es esal a las
di e encias y coincidencias cla es en sus acciones den o de las emp esas, en base a los
dis in os pun os sob e los que se con e sa on en las en e is as.
Ges ión de Base de da os y Digi alización
Agencia (1): su ges ión de da os es p incipalmen e manual y basada en he amien as
básicas (hojas de cálculo, CRM g a ui o). La base de da os de la emp esa es pequeña y la
ac ualización es espo ádica. Po lo an o, la digi alización es básica, con p ocesos poco
au oma izados.
Agencia (2): u iliza un CRM obus o y he amien as de au oma ización de a eas. Su base
de da os es ex ensa y se ac ualizada ecuen emen e median e p ocesos au oma izados y
manuales. La digi alización, aba ca la mayo ía de sus ope aciones.
Consul o ía Especializada: emplea he amien as de CRM complemen ada con
he amien as de sc aping; ales cómo, Oc opus y Phan om pa a nu i su CRM desde
LinkedIn. La limpieza y segmen ación inicial son p ocesos semi-manuales. A pesa de
se una pequeña emp esa mues a un ele ado ni el de digi alización.
Emp esa Tecnológica: no poseen una base de da os, sino un ecosis ema de he amien as
(No ion, Sales o ce, Mic oso , e c.) donde cada equipo ges iona su in o mación de o ma
compa ible. La ac ualización de da os es cons an e debido a la na u aleza de su negocio.
La digi alización es plena, siendo la base de su o e a en el me cado.
41
Emp esa Tecnológico-Fa macéu ica: dado que su misión es digi aliza el sec o
a macéu ico, se asume una in aes uc u a ecnológica muy a anzada en la emp esa, con
un CRM so is icado y bases de da os al amen e es uc u adas. La digi alización y
segu idad son máximas, con ando sus clien es con una p i acidad absolu aa
Uso de la In eligencia A i icial (IA) y Segmen ación de me cados
Agencia (1): el uso de la IA es p ác icamen e nulo, limi ado al uso pa a inspi ación y
edacciones básicas de ex os. Su segmen ación es básica debido al his o ial de se icios
con a ados y po su poco iempo en el me cado.
Agencia (2): in eg an la IA en sus p ocesos de análisis de da os, op imización de
campañas, c eación de con enidos y segmen ación p edic i a. Realizan una segmen ación
a anzada po sec o es ( ele ónicas, concesiona ios, e c.) y amaño de emp esa.
Desa ollan campañas pe sonalizadas y miden el éxi o a a és de dis in as mé icas.
Consul o ía Especializada: emplean IA p incipalmen e pa a a eas de sopo e y
e iciencia: edacción de emails come ciales y c eación de bo ado es iniciales pa a
campañas de ma ke ing a a és de he amien as como Cha gp . También la emplean pa a
gene a con enido cómo in og a ías a pa i de sus da os. Sin emba go, aún no es
empleada pa a la segmen ación au omá ica, aunque econoce su po encial. Usan HubSpo
pa a la c eación de pe iles de emp esa y cuen an con un sis ema de sco ing pa a cali ica
leads, donde abajan con IA pa a au oma iza pa e de la cuali icación. La
hipe segmen ación es cla e pa a su supe i encia. Además, segmen an po e icales y
po ca go, empleando wo k lows en HubSpo basados en los “Pain poin s” iden i icados
pa a nu i leads au omá icamen e. Midiendo su éxi o con mé icas cómo asas de ape u a
(15-25%) CTR (2-5%), en e o os.
Emp esa Tecnológica: la IA es undamen al. Desa ollan sus p opios modelos (machine
lea ning…) en Py hon pa a sus se icios p incipales: p edicción de cosechas, asis en es
i uales, en e o as. Además, usan IA ex e nas (Cha gp , Pe plexi y) pa a mejo a la
e iciencia in e na y educi a eas epe i i as. La segmen ación se basa p incipalmen e en
el ipo de cul i o, ubicación geog á ica y ipo de ecnología necesa ia.
48
Tabla de conclusiones de la in o mación ex aída de las en e is as:
Figu a 12. Resumen de las en e is as. Fuen e: elabo ación p opia
8.2. ANEXO 2
1. In oducción
El obje i o de es a sección es es ablece un con ex o pa a el en e is ado y explica el
p opósi o de la en e is a.
"G acias po u iempo. El obje i o de es a en e is a es en ende mejo cómo manejáis
ues a base de da os, si es áis u ilizando IA en los p ocesos y cómo es as he amien as
os ayudan a segmen a y pe sonaliza es a egias de ma ke ing."
"Quie o asegu a que oda la in o mación compa ida se á a ada con con idencialidad y
se u iliza á únicamen e pa a ines académicos.”
"Pa a empeza , ¿puedes con a me b e emen e cuál es u ol den o de la emp esa y cómo
e elacionas con la ges ión de da os o las es a egias de ma ke ing?"
80%
25%
50%
95%
90%
75%
30%
65%
90%
85%
90%
20%
70%
75%
85%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Consul o ía Especializada Agencia de Ma ke ing (1) Agencia de Ma ke ing (2) Emp esa Tecnológica Emp esa Tecnológica-
Fa macéu ica
Digi alización Uso de la IA Segmen ación

49
2. Ges ión de la Base de Da os
Es a sección busca en ende cómo se o ganiza, adminis a y u iliza la base de da os en la
emp esa.
"¿Cómo es á o ganizada ues a base de da os? ¿Qué ipo de in o mación almacenáis
sob e ues os clien es o usua ios (his o ial de comp as, ubicación, edad, e c.)?"
"¿Qué he amien as o pla a o mas u ilizáis pa a ges iona es a base de da os?"
"¿Con qué ecuencia ac ualizáis ues a base de da os? ¿Tenéis algún p o ocolo o sis ema
au oma izado pa a man ene la ac ualizada?"
"¿Cómo asegu áis que los da os sean p ecisos y ele an es?"
"¿Quién iene acceso a la base de da os den o de la emp esa? ¿Hay di e en es ni eles de
pe misos?"
"¿Qué medidas omáis pa a ga an iza la segu idad y p i acidad de los da os?"
3. Uso de In eligencia A i icial
Se p o undiza á en si emplean IA pa a p ocesa da os o desa olla es a egias
elacionadas con ma ke ing y segmen ación.
“¿Pa a la ges ión de qué ipo de ac i idades empleáis IA?”
"¿U ilizáis in eligencia a i icial en el p ocesamien o o análisis de ues a base de da os?
Si es así, ¿qué he amien as o ecnologías empleáis?"
"¿Cuándo empezas eis a in eg a IA en ues os p ocesos? ¿Qué mo i ó es a decisión?"
"¿Cómo os ayuda la IA a iden i ica pa ones o endencias den o de los da os?"
50
¿U ilizáis IA pa a au oma iza a eas elacionadas con el análisis o segmen ación del
público obje i o?"
“¿U ilizáis la IA pa a lle a a cabo la ges ión del embudo de en as (Fases TOFU; MOFU
y BOFU)?”
“¿Ca ego izáis los leads gene ados a a és de las acciones de ma ke ing; in e acciones
en landing pages, emails ma ke ing, ¿e c.?” Si es así, ¿usáis la IA pa a dicha labo ?
"Desde que habéis implemen ado IA, ¿qué bene icios habéis obse ado en é minos de
e iciencia o esul ados?"
"¿C ees que os ha pe mi ido oma decisiones más in o madas o ápidas?"
4. Ma ke ing y Segmen ación
El obje i o es explo a cómo u ilizan los da os p ocesados (con o sin IA) pa a desa olla
campañas pe sonalizadas y segmen a audiencias.
"¿Cómo u ilizáis los da os almacenados pa a segmen a a ues os clien es o audiencias?"
"¿Qué c i e ios son más impo an es pa a oso os a la ho a de de ini segmen os (edad,
ubicación, compo amien o, e c.)?"
"¿Desa olláis campañas pe sonalizadas basándoos en los segmen os iden i icados? Si es
así, ¿puedes da me un ejemplo ecien e?"
"¿Qué an impo an e es la pe sonalización en ues as es a egias ac uales?"
"¿Habéis no ado mejo as signi ica i as en mé icas cla e como asas de con e sión o
engagemen g acias a es as es a egias basadas en segmen ación?"
"¿Cómo medís el éxi o o impac o de es as campañas pe sonalizadas?"
51
5. Re os y Fu u o
En es a pa e se busca iden i ica desa íos ac uales y explo a planes u u os elacionados
con la ges ión de da os e IA aplicada al ma ke ing.
"¿Cuáles son los mayo es desa íos que en en áis ac ualmen e al ges iona ues a base
de da os o implemen a IA?"
"¿Hay algo que conside es que pod ía mejo a se en ues os p ocesos ac uales?"
"De ca a al u u o, ¿ enéis planes especí icos pa a amplia el uso de IA u o as ecnologías
a anzadas en ues as es a egias?"
"¿C ees que las he amien as basadas en in eligencia a i icial se án cada ez más
esenciales pa a ues o éxi o emp esa ial?"
8.3. ANEXO 3
En e is a 1: Consul o ía Especializada
1. In oducción
"Pa a empeza , ¿puedes con a me b e emen e cuál es u ol den o de la emp esa y
cómo e elacionas con la ges ión de da os o las es a egias de ma ke ing?"
Buenas a des, an es de in oduci a qué me dedico en la emp esa pa a la que abajo, e
oy a expone en que se basa mi emp esa, que misión y qué isión iene. Soy Accoun
Managge de Ma ke ing en “Consul o ía Especializada”, consul o ía especializada en
ab ican es de ma e iales de cons ucción; y en elación con las bases de da os soy
la pe sona enca gada de la ges ión de los mismos, mi misión es asegu a de que se
man iene con inuamen e limpia y saneada; es deci , cada ez que una pe sona
nue a en a a la base de da os me enca go de busca el ca go que dicha pe sona
ocupa en su o ganización y comp oba que és a no se encuen e p e iamen e en la base
de da os y en caso de ya encon a se en e nues a base de da os elimina el duplicado.
52
De es e modo nada más “en a ” una nue a pe sona en la base de da os la segmen amos.
Dicha segmen ación se hace bien po ipo de emp esa; es deci , po e icales, donde al
se una emp esa en ocada en los ma e iales de cons ucción enemos clasi icados
e icales ales como baños, pue as y en anas, muebles de cocina, es uc u as y sus
adi i os, en e o as.
Segmen amos a los posibles clien es o pe sonas que han en ado en nues a base de da os
pa a pode las i cuali icando has a que se con ie an en un lead de ma ke ing y
pos e io men e en un lead de en as, segmen ando en unción de su ca go y en unción
del e ical en el que es én ope ando.
2. Ges ión de la Base de Da os
¿Qué he amien as o pla a o mas empleáis pa a lle a a cabo la ges ión de ues a base
de da os?
La he amien a p incipal que empleamos en la emp esa es HubSpo , es la he amien a a
a és de la cual pi o a oda la es a egia de ma ke ing y ges ión de da os.
En HubSpo los clien es acceden a a és de landing pages que publicamos ambién a
a és de la p opia he amien a de ma ke ing, donde una ez que se desca gan el ac i o
en an den o de la base de da os y la he amien a iene una IA in eg ada que en unción
del dominio di ec amen e gene a una emp esa y luego noso os manualmen e la ubicamos
den o de nues a segmen ación de e icales.
En nume osas ocasiones se pide a la gen e que especi iquen su ca go, pe o o as eces
po e i a pone muchos campos en un o mula io, pa a omen a que se in oduzcan en
la base de da os, solemos me e manualmen e noso os su ca go as hace una búsqueda,
p incipalmen e a a és de LinkedIn.
O as de las he amien as empleadas en la emp esa son Oc opus y Phan om, y dado que
en la emp esa con amos con dos es a egias empleamos una u o a en unción de la
ac i idad a lle a a cabo. La mayo pa e de nues os clien es y posibles clien es se
encuen an en LinkedIn, enemos una cuen a de Sales Na iga o donde a a és de es a
53
cuen a segmen amos aquellos clien es po e icales; es deci , enemos una lis a de
cuen as de las cuales hemos di ido a emp esas po e icales (en o al en o no a 7000
emp esas) y odas ellas, ca gadas desde LinkedIn, lo que hacemos es busca a pe sonas
con cie os ca gos que abajen en dichas emp esas. De ahí ponemos en ma cha
ac i idades de ma ke ing (no es una he amien a de IA cómo al sino de sc aping; es deci
no es un modelo de da os ni un modelo de lenguaje).
Po lo an o, con Oc opus y con Phan om conec amos con esos clien es p ime o pa a
in i a les a nues a ed y una ez que o man pa e de nues a ed les en iamos a chi os
de su in e és o cosas que pensamos que pueden se in e esan e pa a ellos a in de di igi les
hacia una landing page. Pos e io men e, una ez que se desca gan el ac i o de la landing
page acaban en HubSpo den o de nues o CRM. Po ello, la labo de en ío de es os
mensajes es dia ia po qué a amos de nu i al embudo de con e sión.
"¿Con qué ecuencia ac ualizáis ues a base de da os? ¿Tenéis algún p o ocolo
o sis ema au oma izado pa a man ene la ac ualizada?"
In en amos que sea una labo dia ia: sin emba go, ealiza la dia iamen e es di ícil po
p oblemas de iempo, pe o bueno mínimo una ez po semana lle amos a cabo las
labo es de limpieza de da os.
"¿Cómo asegu áis que los da os empleados pa a las campañas sean p ecisos y
ele an es?"
Depende de la campaña. Si es una campaña gené ica, cómo puede se , po ejemplo, una
campaña de esul ados (hemos hecho un in o me sob e la cons ucción y puede se
in e esan e an o a CEO o di ec o es come ciales o pa a p esc ip o es en gene al) no
segmen a íamos mucho. Sí es e dad que exclui íamos pe sonas, po ejemplo, de capi al
p i ado po que no se ía de su in e és o simplemen e les comunica íamos que les
en ia emos un in o me más en ocado en sus obje i os. Si en cambio es un in o me
especí ico de pue as y en anas ahí amos a ene muy en cuen a el e ical, pe o no
amos a ene an o en cuen a el ca go de la pe sona.
Si ue a una in i ación a un e en o de M&A ahí lo que ha íamos es escoge a las pe sonas
que engan un pode de decisión; es deci , que engan capacidad de decisión sob e el

54
u u o de la emp esa, en onces en es e caso si end íamos muy en cuen a el campo del
ca go pa a ubica a esas pe sonas (a las cuales que emos in ia ) y exclui íamos a las
pe sonas de capi al iesgo po azones de compe encia.
"¿Quién iene acceso a la base de da os den o de la emp esa? ¿Hay di e en es
ni eles de pe misos?"
Dado que “Consul o ía Especializada” al se una PYME con dos abajado es y el
socio undado . Los 3 abajado es p incipales enemos ca ác e de
supe adminis ado es en lo e e en e a las bases de da os de los clien es y los es
podemos de ini los pe misos del es o de la o ganización.
El es o de la o ganización se complemen a con pe sonas de p ác icas, po lo que sí
es e dad que ellos iene un ol un poco más limi ado, sob e odo pa a e i a que se
bo en da os po e o es o que den de baja oda la base de da os de clien es. Po es a
azón sí ienen oles de c eación y edición de con enidos y de edición de da os, pe o
no ienen capacidad de modi ica los da os.
3. Empleo de la In eligencia A i icial
“¿Pa a la ges ión de qué ipo de ac i idades empleáis IA?”
Muchas. Una que empleo casi odos los días es pa a la ac i idad de esponde emails,
sob e odo, pa a los emails que ienen acción come cial; es deci , pa a los que necesi as
ealiza a in de ce a acciones. Yo po ejemplo no soy muy buena en en as en onces
ap o echo los cie es que me da la IA que suelen se bas an e buenos.
Las empleamos muchas eces pa a hace los p ime os boce os pa a las campañas de
ma ke ing y publicidad, ob iamen e luego i e ando; es deci , le damos un p on y nos da
un p ime ace camien o y sob e eso amos i e ando (pa a ello usamos la he amien a de
p oyec os de Cha gp ). Los pasos que sigo son los siguien es, gene o el p oyec o, le
in o mo del obje i o de la campaña y una ez que le he comen ado el obje i o le subo
oda la documen ación que me ha mandado el clien e, en onces le digo lo que necesi o
que desa olle.
55
Po ejemplo, necesi o hace una campaña TOFU MOFU BOFU que a a ene una pa e
de email y dos publicaciones de LinkedIn en la ase TOFU, dos publicaciones en el
MOFU y o as dos en el BOFU, a a ene una no a de p ensa y quie o que se es uc u e
de la siguien e mane a: el TOFU a a e sa sob e una campaña de en ol en es, nues o
a ge son a qui ec os que es án diseñando edi icios y que diseñan el ex e io de es os. La
campaña debe ene ca ác e écnico y hay que habla con un lenguaje especí ico del
g emio, pe o no se ha de pe de de is a el ela o y que sea de ono emp esa ial no muy
ce cano, pe o ampoco muy ío y se debe ene en cuen a que el ni el in elec ual de
las pe sonas es al o dado que son ingenie os. Con odo es o, le pido que me dé una p ime a
e sión y con esa p ime a e sión oy i e ando y le oy comen ando los aspec os a
mejo a del p ime bo ado de la campaña.
"¿Cuándo empezas eis a in eg a IA en ues os p ocesos? ¿Qué mo i ó es a
decisión?"
Siemp e se ha u ilizado algún ipo de IA en la emp esa, desde que yo es oy en
ella lle amos usando HubSpo y nos mo i ó p incipalmen e la e iciencia en el
desa ollo de ac i idades y el aho o del iempo al pode op imiza a eas.
¿U ilizáis IA pa a au oma iza a eas elacionadas con el análisis o segmen ación del
público obje i o?"
De momen o no lo es amos u ilizando, lo pod íamos usa , hay he amien as como po
ejemplo Make que pe mi en conec a di e en es he amien as. En onces pod íamos
usa Make a in de conec a HubSpo con Cha gp y nue amen e con HubSpo ; sin
emba go, noso os aho a mismo no lo es amos empleando.
Dado que con amos con muchos da os en la base de da os y ecien emen e hemos
hecho una in og a ía que sido ealizada a a és IA (la hemos u ilizado pa a gene a
con enido) hemos desca gado odos los da os de la base de da os; impo ando
in o mación de SABI de odas las emp esas dadas de al a en ese e ical, los hemos
subido a Cha gp y le hemos pedido que cogiese el e ical y con los da os que gene ase
una in og a ía: núme o de empleados medios del sec o , ac u ación media, can idad
de emp esas den o del sec o e c.
56
Eso si más en ocado al desa ollo de con enidos que ha segmen a la audiencia, sí que
es e dad que de ca a a segmen a la audiencia nos puede ayuda un poco más al ez
en la pa e de de ini el Buye pe sona; es deci , da le da os y que busque po ejemplo
audiencias a ines, o que con los da os subidos e gene e un Buye pe sona.
“¿Ca ego izáis los leads gene ados a a és de las acciones de ma ke ing?, Si es así,
¿usáis la IA pa a dicha labo ?
HubSpo iene una he amien a de cali icación. Cada ez que una pe sona ellena un
o mula io, se me e una cookie den o del na egado de esa pe sona, en onces cada ez
que és a in e ac úa den o de la página web se a egis ando den o de su icha de clien es.
A a és de es as posibilidades, noso os hemos ido de iniendo pun os. (si se desca ga un
a chi o cinco pun os, si isi a la página cinco pun os, si e o na a la página web un pun o,
si se desca ga una newsle e diez pun os)
De es e modo, iden i icamos a las pe sonas que es án más a anzadas pa a pos e io men e
e ec ua un con ac o ele ónico, ya que enemos 5800 pe sonas den o de la base de da os
y somos dos pe sonas y no podemos llama a las 5800 pa a an ea les; es deci , pa a sabe
si es a ían in e esados en nues os se icios. Al ene es a he amien a de sco ing lo que
nos pe mi e es iden i ica a pe sonas más p ocli es a consumi nues o se icio aun sin
habe hablados con ellas.
Gene almen e e ec uamos las llamadas a aquellas pe sonas que cuen an con más de 70
pun os, aunque no hayan demos ado un in e és cie o en nues os se icios, muchas eces
sí descolgamos el elé ono pa a p esen a nos y explica les que hacemos pa a sabe si les
in e esa ía una consul o ía g a ui a pa a conoce nos y pa a conoce mejo cómo
pod íamos ayuda les.
Jun o con es o, cabe des aca que HubSpo al igual que suma pun os ambién qui a pun os,
po ejemplo, en el caso de que una pe sona se dé baja de la newsle e ; sin emba go, es a
in o mación es muy aliosa dado que nos pe mi e, en unción del ipo de clien e que sea,
ealiza ac i idades de eenganche.
57
"¿Cómo os ayuda la IA a iden i ica pa ones o endencias den o de los da os?"
Noso os una de las cosas que hacemos apa e de a ae a los clien es; es de e mina cuál
es su Pain Poin , es deci su pun o de dolo y me a en la ges ión dia ia den o de su
emp esa. Noso os hemos iden i icado seis Pain Poin , po ejemplo: ¿cuál es u e o en la
emp esa? Mi e o es el ma ke ing digi al o mi e o es conoce mejo el me cado.
En onces cada ez que una pe sona elige un e o di ec amen e en a en un Wo k low, y
ese mismo lo que hace es nu i le pa a que aya a anzando au omá icamen e po el
embudo de en as. En onces lo que e pe mi e es es a cons an emen e cuali icando de
mane a au omá ica los clien es sin ene les que en ia emails manuales.
"Desde que habéis implemen ado IA, ¿qué bene icios habéis obse ado en é minos de
e iciencia o esul ados?"
Dado que HubSpo pe mi e gua da y almacena con enidos pe mi e gua da
pa ones y es uc u as que pueden esul a ú iles pa a pos e io es ac i idades y
hace mejo as sob e los modelos an e io es. Además, po ejemplo, los in o mes
que enemos los con e imos en pos pa a RRSS, saca pos de blog. Sob e odo,
lo que nos unciona mucho es la he amien a de Oc opus, dado que es una
he amien a de au oma ización nos pe mi e ab i me cados, gene ándonos
mucho alo . Más que gene a nos alo de negocio, al ez lo que más nos
ayuda es a aho a iempo, y el es ue zo que dedicamos a las a eas, en onces al
aho a iempo nos pe mi e hace más cosas en menos iempo.
4. Ma ke ing y Segmen ación
"¿Desa olláis campañas pe sonalizadas basándoos en los segmen os iden i icados? Si
es así, ¿puedes da me un ejemplo ecien e?"
Las campañas que hacemos no se las en iamos odas a CEO, po ejemplo, si el ema de
la campaña es sob e p esc ipción solo se las en iamos a di ec o es come ciales, a los
esponsables de RRHH y a las pe sonas que no ienen ca gos de esponsabilidad, po que
no c eemos que se aun email que enga que ecibi un CEO po que c eemos que su
a ención es á en o os emas más es a égicos.
64
"De ca a al u u o, ¿ enéis planes especí icos pa a amplia el uso de IA u o as ecnologías
a anzadas en ues as es a egias?"
Sí, que emos in eg a he amien as de au oma ización, CRM y análisis de da os con IA
pa a mejo a aún más la e iciencia en campañas.
"¿C ees que las he amien as basadas en in eligencia a i icial se án cada ez
más esenciales pa a ues o éxi o emp esa ial?"
De ini i amen e. Nos pe mi en compe i con emp esas más g andes al op imiza iempo,
mejo a la c ea i idad y adap a ápidamen e nues as es a egias an e las dis in as
pe iciones y necesidades de nues os clien es.
En e is a 3: Emp esa ecnológica
1. In oducción
"Pa a empeza , ¿puedes con a me b e emen e cuál es u ol den o de la emp esa y cómo
e elacionas con la ges ión de da os o las es a egias de ma ke ing?"
La emp esa pa a la que abajo se llama “Emp esa Tecnológica”, y es una emp esa cuyo
obje i o es el aseso amien o ag onómico basado en la ecnología. No in en amos ende
equipamien o o se icios ecnológicos, sino que lo que in en amos o ece al me cado,
en es e caso el del sec o ag oindus ial, es indica cómo ealiza mayo el abajo de
ag icul o es, ganade os e indus ias ag oalimen a ias, u ilizando pa a ello el
conocimien o ag onómico, po supues o, pe o basándonos en da os obje i os que nos
o ece la ecnología de hoy en día.
Un símil a es e aspec o puede se la pe sona que a al médico debido a una dolencia. El
doc o de hoy en día no es como el de an es, el cual e examinaba isualmen e, omaba
algunas lec u as de disposi i os que u ie a en la consul a y e daba un e edic o ápido.
El medico de hoy en día se basa en da os analí icos, es deci , una ez le indicas las
dolencias, e en ía a ealiza análisis de sang e, adiog a ías, e c. y, después, as
examina los in o mes co espondien es, e da una alo ación. Pues nues a misión es la

65
misma, aseso amos con da os obje i os de epo es o medidas que omamos de
disposi i os y modelos ma emá icos.
Aho a oy a con es a a u p egun a. Mi ca go den o de la emp esa es Impac Manage ,
que suena muy anglosajón (ya que la emp esa es in e nacional), siendo mis obje i os la
ges ión y coo dinación de p oyec os sub encionados de in es igación y desa ollo que
son lle ados den o de la emp esa pa a la mejo a de nues os se icios y p oduc os. En
o as palab as, soy el ge en e de los p oyec os de in es igación que son ges ionados
desde España.
Respec o a cómo me elaciono con la ges ión de los da os y, po o o lado, con las
es a egias de ma ke ing, e indico, que en mi caso es mejo sepa a las, ya que ambas
ienen elación, pe o no oda la ges ión de da os que lle o a mi ca go iene que e con
la pa e de ma ke ing. Pa a inicia el ema, e oy a deci que, en mi emp esa, odo son
da os y bases de da os… desde clien es has a se icios y esul ados, pasando po los
obje i os de los p opios empleados, po lo que una ges ión e icien e de los da os no es
que sea necesa ia, sino que es obliga o ia. Den o de es a ges ión de los da os,
es án aquellos que pe enecen al á ea de ma ke ing, que pa icula men e son aquellos
que se exponen al consumido con la in ención de se a ac i os pa a ende nues os
se icios y p oduc os (ya sabes… el aseso amien o ag onómico basado en da os
obje i os ob enidos median e ecnología…).
2. Ges ión de la Base de Da os
"¿Cómo es á o ganizada ues a base de da os? ¿Qué ipo de in o mación almacenáis
sob e ues os clien es o usua ios (his o ial de comp as, ubicación, edad, e c.)?"
En conc e o no enemos una única base de da os, eso es imposible, a la ez que pelig oso.
Dependiendo de cada equipo en la emp esa, u iliza su in o mación de dis in a o ma, pe o
que sea compa ible con el es o de los equipos de la emp esa. Po ejemplo, en mi caso
conc e o, los p oyec os de in es igación y las ayudas del gobie no que ges ionamos las
cen alizamos en un so wa e llamado No ion. Es e p og ama es muy e sá il y pe mi e
c ea bases de da os en in inidad de combinaciones, no solo la ípica de egis os
gua dados en o ma de abla. Cuando necesi o consul a algún de alle de un p oyec o
66
conc e o, ya sea ges ionado po mí en España o po algún compañe o en o o país,
consul o No ion.
"¿Qué he amien as o pla a o mas u ilizáis pa a ges iona es a base de da os?"
Bueno, al y como he comen ado an e io men e, casi odo en la emp esa son bases de
da os. Los clien es, los se icios, la ac u ación, los empleados, los in en a ios, las
o icinas, los p ocesos, las en as, la con abilidad…. Todo son bases de da os que deben
se manejadas co ec amen e. No obs an e, es lógico que se usen dis in as me odologías
y so wa es según el ámbi o de la base de da os. Po ejemplo, usamos los ípicos
p og amas de hojas de cálculo, o de base de da os de Mic oso , ambién usamos No ion,
SalesFo ce, Con luence, Ji a, Slack, Keyno e, Can a…. Al inal odos es os so wa es
ienen una pa e de bases de da os y los u ilizamos pa a ene la in o mación con olada y
ac ualizada. Dependiendo el ámbi o, un so wa e se á mejo que o o.
"¿Con qué ecuencia ac ualizáis ues a base de da os? ¿Tenéis algún p o ocolo o sis ema
au oma izado pa a man ene la ac ualizada?"
Todos los días… siemp e hay algo nue o que in oduci …. Un con ac o, una nue a
con oca o ia de p oyec o, cambio de es ado de un p oyec o que hemos solici ado, una
sub ención pe cibida en la cuen a banca ia, la con abilidad de los p oyec os… Al inal,
se abaja dia iamen e con los da os, los cuales siemp e es án o denados en bases de da os.
O os compañe os, po ejemplo, los de Ven as, pues ienen sus p opias bases de da os
compa idas, donde se pueden e , po ejemplo, las opo unidades de negocio ganadas o
pendien es, los da os de clien es, los se icios o ecidos…. De la misma o man, como
odos los días hay cambios en los clien es, odos los días se modi ican las bases de da os.
Po es o mismo es c ucial que las bases de da os sean áciles de u iliza , comp ensibles
y bien es uc u adas.
"¿Cómo asegu áis que los da os sean p ecisos y ele an es?"
Bueno, eso se consigue con el p opio uso. Cuando un equipo c ea una nue a base de
da os, las p ime as e siones suelen se bas as y udimen a ias, con pocos campos o no
muy bien de inidos. A medida que se a u ilizando, la base de da os suele cambia . Po
eso, po ejemplo, No ion es muy e sá il, ya que es un. P og ama que e pe mi e maneja
67
los da os a u gus o, cambiando cuando uno lo c ea con enien e sin pe de la
in o mación. Al inal, con el uso as ap endiendo si una base de da os es á bien
implemen ada o no, y si la in o mación que con iene es ele an e pa a u abajo en el
día a día.
"¿Quién iene acceso a la base de da os den o de la emp esa? ¿Hay di e en es ni eles
de pe misos?"
Buena p egun a. No odos los empleados ienen acceso a odas las bases de da os de la
emp esa, incluso miemb os del mismo equipo ienen ni eles de acceso di e en es. De
hecho, si no sabes maneja bien una base de da os conc e a, puede se muy pe judicial,
po lo que solemos ene egis os de quien iene acceso a que, y pa a qué. Es e g ado de
acceso suele i acompañado del ni el que ienes en el o ganig ama de la emp esa.
"¿Qué medidas omáis pa a ga an iza la segu idad y p i acidad de los da os?"
Lo p ime o de odo es que cada empleado iene i mado un acue do de con idencialidad.
No podemos deja libe ad sob e es o, ya que el espionaje y la compe encia en e
emp esas es muy ue e. De hecho, ambién suele habe cláusulas en los con a os po si
decides i e de la emp esa a la compe encia. No obs an e, la segu idad y p i acidad de los
da os es muy su il, ya que es di ícil de con ola cuando abajas pa a una emp esa de más
de 200 empleados de una quincena de países en e Eu opa, Amé ica y Asia. Se con olan
logs de accesos y demás, pe o puede habe b echas de segu idad.
Hablando de es as b echas, ene con olada la segu idad de los se ido es de la emp esa
es c ucial. En es e aspec o sí que ponemos especial a ención, exis iendo un equipo de
pe sonas especí icamen e pa a es e come ido.
3. Uso de la In eligencia A i icial
“¿Pa a la ges ión de qué ipo de ac i idades empleáis IA?”
En gene al usamos IA has a pa a hace consul as en el día a día, pe o lo impo an e en la
emp esa es la aplicación de es e ipo de he amien as en los se icios y disposi i os que
o ecemos al sec o ag oalimen a io. Po ejemplo, muchos de nues os p ocedimien os
in e nos pa a ob ene esa alo ación de aseso amien o que hablamos al p incipio de la
68
en e is a es án elacionadas con la IA. De hecho, noso os c eamos nues a p opia IA,
pe o no hay que con undi es e é mino con máquinas del u u o (o puede que no an del
u u o) que azonan solas. Po ejemplo, exis en modelos p edic i os y algo i mos que
es án basados en dis in os ni eles de IA, como puede se machine lea ning o
edes neu onales. Po pone ejemplos:
- P edeci cuan a cosecha de oma e as a ene … con un adelan o de 30 o 40 días, es á
basado en In eligencia A i icial.
- Tene un asis en e i ual ipo Wha sApp en nues a pla a o ma de se icios al clien e,
pa a que es e p egun e cuan a agua o e ilizan e debe aplica hoy, es IA.
- C ea gemelos digi ales pa a hace simulaciones de c ecimien o de cul i o o de posibles
anomalías en es os… es IA.
Al inal, nues a IA es la aplicación de p edicciones a u u o en base a hechos y da os
eales que es án sucediendo en es e momen o. Po supues o, ol emos a las bases de
da os. Pa a ene buenas p edicciones, hay que en ena los modelos de p edicción, que
necesi an bases de da os… muy g andes, muy il adas y cuyos da os sean segu os y
ele an es.
No quie o ala ga me en es e pun o, pe o la IA es á en oda la emp esa… has a
pa a c ea publicidad en ma ke ing, po ejemplo, o pa a iden i ica pa ones de gas os
den o de la emp esa…
"¿U ilizáis in eligencia a i icial en el p ocesamien o o análisis de ues a base de da os?
Si es así, ¿qué he amien as o ecnologías empleáis?"
En gene al la IA que u ilizamos se basa en dos ipos. Po un lado, u ilizamos los asis en es
que odo el mundo conoce, como cha gp , Pe plexi y, e c., que no son más que in e aces
in ui i as de los modelos de IA. Noso os aplicamos es e ipo de IA, po ejemplo, pa a
educi es ue zos en esc ibi nues os p opios códigos y modelos de IA, que es el o o ipo
de IA que usamos.
En mi caso pa icula , no suelo u iliza o c ea IA pa a nues os se icios, ya que pa a ello
enemos desa ollado es, pe o si la u ilizo pa a ob ene in o mación sob e p oyec os,
69
a ículos de in es igación u o os documen os que, de caso con a io, “pe de ía” mucho
iempo leyéndolos. Al inal, la IA nos acili a aquellas a eas que no ienen ecompensa o
que son muy epe i i as.
Respec o a la IA que usamos en nues os se icios, como he dicho, la c eamos noso os
mismos, gene almen e en lenguaje Py hon, ya que es os modelos no es án en el me cado.
En gene al, enemos un se ido con los modelos pa a que co an cuando sea eque ido
po los clien es o po nues os p ocedimien os in e nos.
"¿Cuándo empezas eis a in eg a IA en ues os p ocesos? ¿Qué mo i ó es a decisión?"
Si no ecue do mal, comenzamos en 2018, con la inco po ación de uno de los empleados
que iene el í ulo de doc o en ingenie ía in o má ica en es e ema de la IA. La e dad es
que su inco po ación ue un acie o. Cuando la gen e de a pie ni siquie a conocía lo que
e a la IA, noso os ya es ábamos c eando p ocedimien os… luego llegó la e a del cha gp
y odo es o se hizo más amoso
"¿Cómo os ayuda la IA a iden i ica pa ones o endencias den o de los da os?"
En es e caso conc e o no soy muy expe o. Simplemen e oy a comen a e que u ilizamos
modelos ma emá icos pa a de ec a es e ipo de endencias.
¿U ilizáis IA pa a au oma iza a eas elacionadas con el análisis o segmen ación del
público obje i o?"
No sab ía con es a e a eso. Se que enemos segmen ado el público obje i o po
ca ego ías, pe o en el caso de la ag icul u a, no c eo que sea necesa ia aplica IA pa a
ello. Cuando uno lle a en el sec o a ios años, sabe de qué pie cojea cada clien e
po encial.
“¿U ilizáis la IA pa a lle a a cabo la ges ión del embudo de en as (Fases
TOFU; MOFU y BOFU)?”
Si e e ie es a u iliza Fanels pa a la ges ión de las en as, c eo que no hemos
llegado a ene que u iliza la IA pa a es e ipo de es a egias.

70
“¿Ca ego izáis los leads gene ados a a és de las acciones de ma ke ing; in e acciones
en landing pages, emails ma ke ing, ¿e c.?” Si es así, ¿usáis la IA pa a dicha labo ?
Po supues o. Los leads son pa e impo an e del día a día de la emp esa. Son los clien es
po enciales y, po ello, las en as po enciales. U ilizamos bases de da os pa a ene los
ca alogados, pe o no c eo que lleguemos a u iliza IA.
"Desde que habéis implemen ado IA, ¿qué bene icios habéis obse ado en é minos de
e iciencia o esul ados?"
G acias a la IA hemos conseguido ob ene se icios basados en la p edicción a u u o,
que es c ucial pa a los ag icul o es, ya que exis en mul i ud de ac o es que se escapan al
manejo del cul i o en el día a día en el campo. Eso nos ha dado un nomb e econocido
en el me cado.
"¿C ees que os ha pe mi ido oma decisiones más in o madas o ápidas?"
No, lo que ha pe mi ido es una mayo con ianza en los aseso amien os que damos a los
clien es. P edeci cosechas, plagas o p oblemas sin IA es di ícil. Exis e el Big Da a, pe o
no es lo mismo.
4. Ma ke ing y Segmen ación
"¿Cómo u ilizáis los da os almacenados pa a segmen a a ues os clien es
o audiencias?"
En gene al, lo que solemos hace es almacena po enciales clien es (leads) po ca ego ías
en los dis in os e en os a los que amos, ( e ias, jo nadas, wo kshops…. De es e modo,
enemos con olada la segmen ación. Pe o más impo an e que la p opia segmen ación de
los po enciales clien es es, en el caso de la ag icul u a, el momen o del año en el que nos
encon amos.
En el ámbi o ag ícola, odo se mue e po campañas de cul i o, po lo que hay dos
dis inciones en el año, los cul i os de in ie no y los cul i os de e ano. Gene almen e,
el pequeño ag icul o iene ambos, pe o las g andes emp esas se dedican
mayo i a iamen e a uno u o o. Es o nos pe mi e lanza campañas en unción en el
momen o en que se encuen en. Po ejemplo, pa a un ag icul o de cul i os de p ima e a
71
– e ano, en o oño es á p epa ando el suelo pa a la siguien e campaña, po lo que es un
buen momen o pa a anuncia aquellos se icios pa a el cul i o de e ano y aquellos que
ienen que e con la maquina ia ag ícola, pues, una ez en a en campaña, ya no p es an
a ención ni an a adqui i nada nue o.
Los ag icul o es plani ican la campaña de cul i o y luego se dedican plenamen e a ella.
No e suelen hace mucho caso pa a se icios o p oduc os nue os has a que cosechan…
"¿Qué c i e ios son más impo an es pa a oso os a la ho a de de ini segmen os (edad,
ubicación, compo amien o, e c.)?"
Bueno, el mayo segmen o es el p opio cul i o, ya que los se icios y p oduc os dependen
de es os, pe o la localización ambién es impo an e, ya que las dis in as egiones suelen
ene cul i os mayo i a ios. También in en amos i p ime o a aquellos clien es que
en endemos que son más p opensos a u iliza la ecnología y, po supues o, a los g andes
clien es…
"¿Desa olláis campañas pe sonalizadas basándoos en los segmen os iden i icados? Si
es así, ¿puedes da me un ejemplo ecien e?"
Si, po supues o, como oda emp esa. Po ejemplo, aho a mismo hay una campaña de
descuen os en ampas pa a insec os. Con odo lo que ha llo ido en España es e in ie no
y o oño, la p oli e ación de plagas a a se al a, po lo que ap o echamos es a si uación
pa a in en a in oduci más en as en el me cado.
"¿Qué an impo an e es la pe sonalización en ues as es a egias ac uales?"
La pe sonalización es c ucial. De hecho, enemos equipos que se dedican a segmen os
conc e os. Si alguno de es os equipos iene un lead que pe enece a o o segmen o, le
pasa el con ac o. In en amos especializa nos pa a a ende bien las necesidades y
en ende la p oblemá ica de cada ni el de segmen ación.
"¿Habéis no ado mejo as signi ica i as en mé icas cla e como asas de con e sión o
engagemen g acias a es as es a egias basadas en segmen ación?"
Po supues o. El ag icul o , aunque no enga conocimien o de ecnología, sabe muy bien
lo que necesi a. Es un emp esa io que iene muchas di icul ades y eso le ha hecho
72
pe ecciona sus es a egias de ges ión de la explo ación ag a ia, que es su emp esa. Si
no conec amos co ec amen e con el clien e, no hacemos en a, y eso nos lo can a los
análisis que hace el equipo de en as y el de calidad.
5. Re os y u u os
"¿Cuáles son los mayo es desa íos que en en áis ac ualmen e al ges iona
ues a base de da os o implemen a IA?"
C eo que el mayo desa ío es que cada ez es más g ande, con mayo can idad de
campos, ya que es amos c eciendo a un i mo muy ápido. Po ejemplo, en eb e o
hicimos la comp a de una emp esa en B asil, que iene ag icul o es con 50000 hec á eas.
Eso es mucho campo, muchos clien es y ambién muchos p oblemas que esol e . C eo
que es c ucial encon a una me odología AGILE que e pe mi a c ece a medida que se
an sumando emp esas y clien es al g upo.
En el lado de la IA es simila , cada ez enemos más clien es, con más ipos de cul i os,
condiciones climá icas, ipos de manejo…. Todo iene que es a con olado y
pa ame izado. La IA nos ayuda a e que se nos escapa… y cómo podemos o ganiza lo
mejo .
"¿Hay algo que conside es que pod ía mejo a se en ues os p ocesos ac uales?"
Siemp e hay cosas que mejo a . Pe o no es solo mejo a , sino adap a e a los cambios
(COVID, gue a, subidas de p ecio, desas es clima ológicos, el cambio climá ico, el
cambio de la men alidad del consumido …) Aunque c eas que ienes un p oceso pe ec o,
a a du a poco si no lo as adap ando a las ci cuns ancias, po lo que siemp e es á en
cons an e e olución.
"De ca a al u u o, ¿ enéis planes especí icos pa a amplia el uso de IA u
o as ecnologías a anzadas en ues as es a egias?"
Si, el equipo de Digi al iene en el oadmap oda una ba e ía de implemen aciones. Con
los g andes a ances que se es á haciendo en el campo de la IA, hay que i cogiendo lo
mejo , cambiando écnicas, p ocesos, p ocedimien os… y cos umb es. Po ejemplo,
enemos en men e implan a aseso amien o usando imágenes de sa éli es
73
hipe espec ales. Puede no sona muy a anzado, pe o ealmen e lo es. Aho a mismo no
hay emp esa de se icios ag ícolas que lo enga en e su po olio.
"¿C ees que las he amien as basadas en in eligencia a i icial se án cada ez
más esenciales pa a ues o éxi o emp esa ial?"
Eso pa ece. Yo ya no uso ni calculado a, o ni hago búsquedas en Google. Suelo p egun o
a alguna IA pa a que me de in o mación. Eso sí, siemp e hay que con as a la pa a que
comp uebes que sea e az. A menudo la IA es men i osa y aga, sob e odo la que es
g a ui a…
En e is a 4: Agencia de Ma ke ing (2)
1. In oducción
Buenas a des, mi pues o en la Agencia de Ma ke ing (2) es Accoun Manage . Nues a
emp esa cons a de 53 empleados y una ayec o ia consolidada en el me cado, mi ol
den o de la agencia se cen a en ges iona de mane a es a égica las campañas digi ales
pa a nues os clien es, los cuales son p incipalmen e o as emp esas. Po es a azón mi
abajo es á ligado de mane a di ec a con la ges ión de la base de da os de la o ganización,
la cual segmen amos po sec o es en los que se enma can cada uno de nues os clien es;
es deci , las dis in as emp esas pa a las que abajamos, po ejemplo, a macéu icas,
concesiona ios, inmobilia ias, ayun amien os, ho eles, en e o os. Den o de mis
esponsabilidades se incluye la supe isión de los p ocesos y ac i idades lle adas a cabo;
es deci , las dis in as campañas o acciones, así cómo de implemen a es a egias de
op imización y e iciencia del abajo del pe sonal de la agencia y lle a a cabo análisis
p edic i os.
2. Ges ión de la Base de Da os
“¿Cómo es á o ganizada ues a base de da os? ¿Qué ipo de in o mación almacenáis
sob e ues os clien es o usua ios (his o ial de comp as, ubicación, edad, e c.)?"
Nues a base de da os es ex ensa y al amen e es uc u ada, la cual es á o ganizada
p incipalmen e po sec o es y amaños de emp esas. Almacenamos in o mación de allada
80
En e is a 5: Emp esa ecnológico- a macéu ica
1. In oducción
Pa a empeza , ¿puedes con a me b e emen e cuál es u ol den o de la emp esa y cómo
e elacionas con la ges ión de da os o las es a egias de ma ke ing?"
Soy un empleado del Depa amen o de Ma ke ing Digi al de la emp esa “Tecnológico-
a macéu ica” que se dedica a impulsa la digi alización del sec o a macéu ico.
Lle amos en el me cado desde 2017 y ac ualmen e es amos abajando con más de 3700
a macias.
Mi labo p incipal es ges iona las es a egias de ma ke ing pa a llega a a macias,
además de supe isa cómo u ilizamos los da os pa a segmen a nues os di e en es ipos
de clien es. Al ges iona una g an base de da os a amos de conec a con a macias,
ges iona in en a ios en iempo eal y acili amos sus en as ía online. Po es a azón la
ges ión de da os es “el cen o” de nues a o ganización.
2. Ges ión de la Base de Da os
"¿Cómo es á o ganizada ues a base de da os? ¿Qué ipo de in o mación almacenáis
sob e ues os clien es o usua ios (his o ial de comp as, ubicación, edad, e c.)?"
Nues a base de da os es bas an e compleja ya que manejamos di e en es ipos de
in o mación. Po un lado enemos da os de las a macias: ubicación, amaño, olumen de
en as, ipo de clien e (u bano/ u al), ni el de digi alización, p oduc os que más enden,
e c.
Además de es o, almacenamos da os de compo amien os: qué medicamen os buscan más
a a és de la pla a o ma digi al, pa ones de desabas ecimien os po zonas geog á icas,
ho a ios de mayo a luencia y ac i idad, así cómo engagemen con nues as he amien as
de digi alización.
"¿Qué he amien as o pla a o mas u ilizáis pa a ges iona es a base de da os?"
Empleamos un CRM especializado pa a el sec o a macéu ico, combinándolo con
he amien as de análisis de da os. También con amos con sis emas que nos pe mi en

81
maneja da os en iempo eal, siendo es o c ucial cuando una a macia necesi a po
ejemplo localiza un medicamen o desabas ecido en cues ión de minu os.
"¿Con qué ecuencia ac ualizáis ues a base de da os? ¿Tenéis algún p o ocolo o
sis ema au oma izado pa a man ene la ac ualizada?"
Los da os se ac ualizan en iempo eal. Po ejemplo, si una a macia iene un
medicamen o disponible y o a lo necesi a disponemos de esa in o mación de mane a
inmedia a. Los da os de segmen ación y ma ke ing los e isamos semanalmen e, y
hacemos limpiezas p o undas mensualmen e.
"¿Cómo asegu áis que los da os sean p ecisos y ele an es?"
Tenemos sis emas au omá icos de alidación y ambién de e i icación manual. Además,
abajamos di ec amen e con las a macias, así que son ellas mismas las que nos ayudan
a man ene la in o mación ac ualizada dado que se bene ician di ec amen e de ello.
"¿Quién iene acceso a la base de da os den o de la emp esa? ¿Hay di e en es ni eles de
pe misos?"
Tenemos dis in os ni eles de acceso. El equipo de desa ollo iene acceso comple o pa a
man ene la pla a o ma en uncionamien o, el depa amen o de ma ke ing iene acceso a
da os de segmen ación y en as. Al abaja con da os de salud y a macias, es amos
suje os a no ma i as y a p i acidad de nues os clien es es absolu amen e sag ada pa a la
emp esa.
3. Uso de la In eligencia A i icial
“¿Pa a la ges ión de qué ipo de ac i idades empleáis IA?”
Empleamos la IA an o pa a nues as ope aciones in e nas cómo pa a los se icios que
o ecemos a las a macias. Po una pa e, in e namen e la usamos pa a lle a a cabo
análisis p edic i os de demanda, op imización de nues a ed de dis ibución y
au oma ización de ac i idades de ma ke ing, sob e odo.
82
Po o o lado, pa a nues os clien es, o ecemos análisis de en as a a és de his o iales
con IA, ges ionamos el s ock, sis emas de ecomendación pa a pa a a macia y análisis de
pa ones de consumo local.
"¿U ilizáis in eligencia a i icial en el p ocesamien o o análisis de ues a base de da os?
Si es así, ¿qué he amien as o ecnologías empleáis?"
Cla o, la IA nos ayuda a iden i ica pa ones que se ía imposible de ec a de mane a
manual. Po ejemplo, podemos p edeci qué medicamen os an a ene p oblemas de
suminis o en cie as zonas, o iden i ica qué a macias ienen más po encial pa a
aumen a sus en as ía online.
"¿Cuándo empezas eis a in eg a IA en ues os p ocesos? ¿Qué mo i ó es a decisión?"
Empezamos a in oduci la IA ha á unos 3 año, aunque siemp e hemos sido una emp esa
muy o ien ada a la ecnología y digi alización dado nues o modelo de negocio. Lo que
nos mo i ó p incipalmen e ue el da nos cuen a de que la can idad de da os que
manejamos es an ele ada que sin una au oma ización de p ocesos, no pod íamos o ece
un se icio an en iempo eal a más de 3700 a macias.
"¿Cómo os ayuda la IA a iden i ica pa ones o endencias den o de los da os?"
La IA nos ayuda a de ec a co elaciones que no son ob ias. Un ejemplo es que nos
pe mi e iden i ica que cie as combinaciones de p oduc os de pa a a macia se enden
mejo en de e minadas épocas del año en de e minadas zonas, o que cie os ipos de
a macias esponden mejo a de e minados ipos o medios de comunicación.
¿U ilizáis IA pa a au oma iza a eas elacionadas con el análisis o segmen ación del
público obje i o?"
Si enemos algo i mos que segmen an au omá icamen e las a macias según dis in as
a iables: amaño, ubicación, ni el de digi alización, ipo de clien ela, olumen de en as,
e c. Es o nos pe mi e pe sonaliza las comunicaciones con és as y las o e as.
83
“¿U ilizáis la IA pa a lle a a cabo la ges ión del embudo de en as (Fases TOFU; MOFU
y BOFU)?”
Tenemos sis emas que iden i ican en qué ase del unnel se encuen a cada a macia
po encial, y a a és de es o ajus amos la comunicación. Po ejemplo, una a macia que
nunca ha endido online necesi a un mensaje di e en e a una que ya es á digi alizada, pe o
quie e op imiza o os p ocesos in e nos de la misma.
“¿Ca ego izáis los leads gene ados a a és de las acciones de ma ke ing; in e acciones
en landing pages, emails ma ke ing, ¿e c.?” Si es así, ¿usáis la IA pa a dicha labo ?
Si, usamos leads sc aping au omá icos que conside a los di e sos ac o es se
segmen ación y a a és de la IA se nos pe mi e isualiza una especie de lis ado de las
dis in as a macias, bien po ubicación, zona geog á ica, ni el de digi alización, en e
o eas y sabe a cuál de ellas debemos de con ac a p ime o y jun o con eso el depa amen o
de ma ke ing con es a in o mación puede ija dis in as campañas pa a cada a macia o
g upo de a macias que se encuen en en cada pa e del lis ado en base a sus pun uaciones.
"Desde que habéis implemen ado IA, ¿qué bene icios habéis obse ado en é minos de
e iciencia o esul ados?"
El impac o ha sido eno me y posi i o. Hemos mejo ado de mane a muy buena en la
p ecisión de nues as p edicciones de demanda, educiendo el iempo de espues a pa a
localiza medicamen os, y aumen ando las asas de con e sión en en as online.
4. Ma ke ing y Segmen ación
"¿Cómo u ilizáis los da os almacenados pa a segmen a a ues os clien es o
audiencias?"
Segmen amos po los c i e ios que e he comen ado an es (ubicación, zona geog á ica…)
"¿Qué c i e ios son más impo an es pa a oso os a la ho a de de ini segmen os (edad,
ubicación, compo amien o, e c.)?"
Pa a noso os los c i e ios cla e son: ni el de digi alización ac ual (po que de e mina qué
se icios pueden ap o echa ), amaño de la a macia (ya que a ec a el olumen de
84
negocio po encial), ubicación (las necesidades u banas y las u ales son muy di e en es)
y ape u a al cambio ecnológico po pa e de la a macia.
"¿Desa olláis campañas pe sonalizadas basándoos en los segmen os iden i icados? Si es
así, ¿puedes da me un ejemplo ecien e?"
Si, po ejemplo, pa a a macias u ales pequeñas en ocamos el mensaje en cómo pueden
compe i con las g andes cadenas a a és de la digi alización. Pa a a macias u banas
g andes, hablamos más de aspec os elacionados con la op imización y e iciencia. Pa a
pa a a macias ya digi alizadas, nos cen amos en se icios a anzados cómo p edicciones
analí icas.
"¿Qué an impo an e es la pe sonalización en ues as es a egias ac uales?"
Es absolu amen e c í ica. El sec o a macéu ico es muy di e so, una a macia de ba io
en un pueblo de 2000 habi an es iene necesidades muy di e en es a una a macia del
cen o de Mad id. Sin pe sonalización, nues o mensaje simplemen e no se ía nada
e ec i o.
"¿Habéis no ado mejo as signi ica i as en mé icas cla e como asas de con e sión o
engagemen g acias a es as es a egias basadas en segmen ación?"
Sí, nues as asas de ape u a en emails han mejo ado un 40% y el iempo de ciclo de
en as se ha educido ya que llegamos a cada a macia con el mensaje co ec o desde el
p incipio.
"¿Cómo medís el éxi o o impac o de es as campañas pe sonalizadas?"
Moni o eamos desde mé icas básicas cómo open a es y clics en CTAs, has a
con e siones inales y alo del clien e a la go plazo. Además, medimos mé icas del
sec o cómo iempo has a p ime a en a online e inc emen o en el olumen de
ansacciones a a és de la página web.
85
5. Re os y Fu u os
"¿Cuáles son los mayo es desa íos a los que os en en áis ac ualmen e al ges iona ues a
base de da os o implemen a IA?"
El mayo e o al que nos en en amos es la di e sidad del sec o a macéu ico, ya que
enemos a macias supe digi alizadas has a a macias que apenas usan email. También
las egulaciones del sec o , dado que cambian cons an emen e, po lo que enemos que
asegu a nos de cumpli las a aja abla.
La calidad de los da os ambién es un desa ío po que dependemos de que las a macias
nos p opo cionen in o mación ac ualizada y no odas ienen los mismos p ocesos.
"¿Hay algo que conside es que pod ía mejo a se en ues os p ocesos ac uales?"
Que emos mejo a la in eg ación la in eg ación de in o mación de da os in e nos de las
a macias pa a ene da os aún más p ecisos en iempo eal. También es amos abajando
en hace nues os algo i mos de IA más explicables pa a que los a macéu icos en iendan
mejo po que les ecomendamos cie as acciones.
"De ca a al u u o, ¿ enéis planes especí icos pa a amplia el uso de IA u o as ecnologías
a anzadas en ues as es a egias?"
Es amos desa ollando asis en es de IA pa a ayuda a las a macias con consul as écnicas
24/7. Que emos implemen a un compu e isión pa a op imiza el s ock de los p oduc os
de las a macias basados en da os de comp a
"¿C ees que las he amien as basadas en in eligencia a i icial se án cada ez
más esenciales pa a ues o éxi o emp esa ial?"
To almen e, el sis ema a macéu ico es á en plena ans o mación digi al acele ado as la
pandemia. Las a macias que no adop en ecnologías in eligen es ana. Aqueda se a ás.
Pa a noso os, la IA no es opcional, es lo que nos pe mi e o ece alo eal en un sec o
an complejo y egulado.

86
Pa a explica me mejo , la di e encia en e usa la IA y no usa la es la di e encia en e
pode ayuda a 10 a macias o a más de 3700 a macias, man enido un se icio
pe sonalizado y de calidad.
87
9. BIBLIOGRAFÍA
A jona Caballe o, J. M. (2023, 17 de eb e o). El ap endizaje au omá ico: la ciencia
de ás de la oma de decisiones [En ada de blog].
h ps://www.ui1.es/blog-ui1/el-ap endizaje-au oma ico-la-ciencia-de as-de-la- oma-de-
decisiones
Alba, T. (s. .). Cuáles son los bene icios de u iliza un cha bo en u es a egia de
ma ke ing [En ada de blog]. Es e a C ea i a.
h ps://www.google.com/u l?sa= &sou ce=web& c =j&opi=89978449&u l=h ps://es e
ac ea i a.com/cuales-son-los-bene icios-de-u iliza -un-cha bo -en- u-es a egia-de-
ma ke ing/& ed=2ahUKEwjYwajRsYSMAxVI_7sIHRC NhcQFnoECBIQAQ&usg=A
O Vaw0s DESVMOkcpsJYWjby9i
A xon Es a egia. (2025, 23 de mayo). Clasi icación de nues os clien es: mé odo Pa e o
ABC [En ada de blog].
h ps://www.a xones a egia.com/clasi icacion-de-nues os-clien es-me odo-pa e o-abc/
Asana. (2025). Qué es el p incipio de Pa e o o la egla 80/20 [En ada de blog].
h ps://www.google.com/u l?sa= &sou ce=web& c =j&opi=89978449&u l=h ps://asan
a.com/es/ esou ces/pa e o-p inciple-80-20-
ule%23:~: ex %3Dp incipio%2520de%2520Pa e o-
,Resumen,del%252020%2520%2525%2520de%2520las%2520acciones.& ed=2ahUK
EwiHj8D gPCLAxWlA9sEHYOYA1cQFnoECBUQAw&usg=AO Vaw0P6zYT Beu7
qI GPRPOM2X
Au aQuan ic. (s. .). Tecnologías de la indus ia 4.0 [En ada de blog].
h ps://www.au aquan ic.com/es/blog/ ecnologias-indus ia-in eligen e/
A ms ong, G., & Ko le , P. (s. .). Fundamen os del ma ke ing [PDF].
h ps:// q.c g.u n.edu.a /plugin ile.php/14584/mod_ esou ce/con en /1/Fundamen os%
20del%20Ma ke ing-Ko le .pd
88
adSalsa. (s. .). Segmen ación de audiencia: más allá de lo básico con in eligencia
a i icial [En ada de blog].
h ps://www.adsalsa.com/segmen acion-de-audiencia-con-
ia/#:~: ex =El%20machine%20lea ning%20o%20ap endizaje,poco%20 iempo%20en%
20el%20p oceso
Boolea. (2024, 28 de oc ub e). Segmen ación in eligen e [En ada de blog].
h ps://boolea.es/segmen acion-in eligen e/
BESAP (23 de ma zo, 2025) Cómo op imiza u unnel de en as: guía p ác ica pa a
mejo a con e siones. Consul o ía de ma ke ing de BESAP.
h ps://www.besap.es/pos /op imiza - unnel- en as-guia-p ac ica
Blanco, E. (2023, 10 de ma zo). Landing page: qué son y cómo c ea una que cumpla
obje i os [Blog pos ]. RD S a ion. h ps://www. ds a ion.com/blog/es/landing-page/
Bilbao Aldama, A. (2020, ab il). La nue a e a de la dis ibución en el e ail: ¿adap a se
o mo i ? [T abajo in de g ado, Uni e sidad Pon i icia de Comillas].
h ps:// eposi o io.comillas.edu/xmlui/bi s eam/handle/11531/41379/TFG%20-
%20Bilbao%20Aldama%2c%20Ana.pd ?sequence=1&isAllowed=y
Cas o Ri e o, I. y Rod íguez Muñoz, L. (2024) P opues a de una es a egia emp esa ial
pa a la au oma ización del p oceso de en as en el sec o público [T abajo in de g ado,
Uni e sidad Poli écnica de Bogo á, Maes ía en ge encia de p oyec os]
h ps://alejand ia.polig an.edu.co/bi s eam/handle/10823/7638/PROYECTO%20TRAB
AJO%20FINAL%20-%20TERCERA%20ENTREGA-
1.pd ?sequence=1&isAllowed=y#page50
Cano de la To e, J. (2023) Op imización del p oceso de cap ación de clien es median e
machine lea ning: un es udio aplicado a Doo inde [T abajo in de mas e , Uni e sidad
Poli écnica de Mad id, Escuela Técnica Supe io de Ingenie os In o má icos]
h ps://oa.upm.es/74930/1/TFM_JAVIER_CANO_DE_LA_TORRE.pd #page19
89
Chambi-Condo i, P. P. (2021). Clus e ing con in eligencia a i icial pa a segmen ación
de me cados en las o ganizaciones [Memo ia del Cong eso de Técnicos Académicos].
Colegio de Técnicos Académicos.
h ps:// ecnicosacademicos.cuau i lan.unam.mx/Cong esoTA/memo ias2021/ e pd /Ex
enso3_pape 2021.pd
Cá denas, F. (9 de diciemb e, 2020) C ea u embudo de en as y op imiza u p oceso
come cial. HubSpo . h ps://blog.hubspo .es/sales/embudo- en as
Cen o Nacional de Desa ollo Cu icula En Sis emas No P opie a ios. Ma ke ing Digi al
[REA Emp esa e Inicia i a Emp endedo a]
h p://desca gas.educalab.es/cedec/p oyec oedia/FP/EIE/con enidos/eie_desa io4/Pildo
a_ o ma i a_ma ke ing_digi al_.pd
Có doba, G. (2011, 10 de eb e o). Análisis RFM en e ail. Empezando a segmen a
clien es (I) [En ada de blog].
h ps://www.unica360.com/analisis- m-en- e ail-empezando-a-segmen a -clien es-i
CAAD Re ail Design. (2020, 14 de ene o). Cómo ap o echa el Big Da a en
e ail [En ada de blog].
h ps://caad-design.com/como-ap o echa -el-big-da a-en- e ail
Capgemini. (2018, 17 de diciemb e). In o me sob e in eligencia a i icial en el sec o
e ail [No a de p ensa].
h ps://www.capgemini.com/es-es/no icias/no as-de-p ensa/in o me-sob e-in eligencia-
a i icial-en-el-sec o - e ail/
Clien i y. (2023, 18 de julio). ¿Cómo au oma iza la segmen ación de clien es con un
CRM? [En ada de blog].
h ps://clien i y.com/blog/segmen acion-de-clien es-con-c m
Comisión Nacional de los Me cados y la Compe encia. (2025, 10 de ene o). [Página web
ins i ucional]
h ps://www.cnmc.es/index.php/eu/node/412479
96
Súma e. (2024, 21 de ma zo). Machine lea ning en ma ke ing: es a egias basadas en
da os [Analí ica Web].
h ps://www.suma e.eu/blog/machine-lea ning-ma ke ing-mejo a -con-es a egias-
basadas-da os/
Sha ma, R. (2025, 24 de eb e o). AI cus ome segmen a ion: Unlock e ail g ow h
s a egies. Ma ko a e. h ps://ma ko a e.com/ai-cus ome -segmen a ion/
Tomas, D. (2025, 8 de ene o). Del A/B es ing al AI es ing: Cómo la in eligencia a i icial
e oluciona las p uebas A/B[En ada de blog]. Cybe click.
h ps://www.cybe click.es/nume ical-blog/del-ab- es ing-al-ai- es ing
The Black Box Lab. (2022, 6 de mayo). Machine lea ning: di e encias en e algo i mos
de clasi icación y eg esión [En ada de blog].
h ps:// heblackboxlab.com/machine-lea ning-di e encias-en e-algo i mos-
clasi icacion- eg esion/
Thompson, I. (2005, agos o). Segmen ación del me cado [PDF].
h ps://gc.scalahed.com/ ecu sos/ iles/ 161 /w24313w/Segmen acion_del_Me cado.pd
Uni e sidad Eu opea. (2022, 11 de oc ub e). Ap endizaje supe isado y no
supe isado [En ada de blog]. Uni e sidad Eu opea.
h ps://uni e sidadeu opea.com/blog/ap endizaje-supe isado-no-supe isado/
Wes eiche , G. (2020, 1 de sep iemb e). Re o no de la in e sión (ROI). Economipedia.
h ps://economipedia.com/de iniciones/ e o no-de-la-in e sion- oi.h ml
Wu, M., And ee , P. y Benyouc e , M. (2023) The s a e o lead sco ing models and hei
impac in sales pe o mance. In o ma ion Technology and Managemen .
h ps://pmc.ncbi.nlm.nih.go /a icles/PMC9890437/

97
Zama eño A mendia, G. (s. .). Bene icios de la IA en la segmen ación de me cados en
e ail [Lib o elec ónico]. Google Books.
h ps://books.google.es/books?hl=es&l =&id= 3XlDwAAQBAJ&oi= nd&pg=PA7&dq
=bene icios+de+la+IA+en+la+segmen ación+de+me cados+en+Re ail&o s=VYzSKwU
9Cw&sig=k29jxMMpnI8qHKOiSyHwd VHRc8