En la actualidad, los procesos asociados a la inteligencia artificial (AI) tienen una incidencia vital en el marketing y la publicidad en internet ya que estos facilitan el estudio del mercado en las marcas. Esto ha permitido hacer entrega de información publicitaria adecuada a las características e intereses de los usuarios, proceso también llamado segmentación por comportamiento. La IA, entonces, sirve para estudiar, definir y segmentar a los usuarios en pro de crear discursos y estrategias que respondan a las demandas y atributos de su público. Con este fin, la IA contempla, además, distintas formas de rastreo y recolección de información tales como las cookies de rastreo o la captura de datos tras distintas plataformas gratis que alimentan sus bases de datos. De este modo, según la cantidad y cualidad de la información, y los objetivos y tiempos de las empresas, existe cierto tipo de aprendizaje para la máquina de IA óptimo para desarrollar la tarea. No obstante, la generación de "soluciones" y resultados es un proceso repetitivo e incesante ya que las empresas siempre buscan anticiparse a la realidad. La tendencia actual se ha desplazado de los sistemas basados en reglas hacia agentes inteligentes entrenados con datos específicos de marca, permitiendo una interacción más humana y eficiente a escala.

Recolección de datos La recolección de datos es el conjunto de procesos por los cuales es posible obtener la información para crear o enriquecer una base de datos; esta puede darse de manera análoga o virtual. En el mundo no-virtual las personas comparten su información cuando llenan una solicitud, se registran para votar, registran un producto para garantía, adquieren una licencia para conducir o van a participar de una rifa. Los datos delicados como los transaccionales también se pueden conocer cuando las personas usan su tarjeta de crédito o pagan una factura con un cheque. La información virtual, por otra parte, es principalmente favorecida por el internet ya que en él las cookies registran cada clic, las búsquedas conscientes en el navegador y la interacción de las personas en las redes sociales se registran, los celulares graban a sus dueños si dicen “hola siri” o “ok google”, hay cámaras en las calles que guardan registros en bases de datos etc. Y, a futuro, cuando se desarrolle e integre más el internet de las cosas a la cotidianidad la cantidad de información será mucho más detallada.

La siguiente es la lista de tipologías de datos que una organización puede recolectar:

Demográficos: Nombre, Género, Edad, Raza, Dirección, Teléfono, Huella digital, Frecuencia cardíaca, Peso, Dispositivo, Identificación del gobierno. Historia: Educación, Carrera, Antecedentes penales, Exposición a la prensa, Publicaciones, Premios, Membresías de asociaciones, Puntaje de crédito, Asuntos legales, Divorcios, Viajes, Préstamos. Preferencias: Configuración, Promoción de Ideas, Partido político, Grupos sociales, "Me gusta" social, Entretenimiento, Aficiones, Fuentes de noticias, Historial del navegador, Afinidad de marca. Posesiones: Ingresos, Hogar, Automóviles, Dispositivos, Ropa, Joyas, Inversiones, Suscripciones, Colecciones, Relaciones sociales. Actividades: Pulsaciones de teclas, Gestos, Seguimiento ocular, Parte del día, Ubicación, Dirección IP, Publicaciones sociales, Salidas a comer, Ver televisión, Frecuencia cardíaca a lo largo del tiempo. Personalidad: Religión, Valores, Donaciones, Partido político, Escepticismo / Altruismo, Introvertido / Extrovertido, Generoso / avaro, Adaptable / Inflexible, Agresivo / Pasivo, Opinión, Estado de ánimo.

Higiene de datos Para alimentar la IA con los datos se hace necesario conocer cómo se recopiló, limpió, muestreó, agregó, segmentó y qué transformación es requerida antes de combinarla con otras secuencias de datos. Este proceso es primordial para garantizar que el resultado del análisis sirva para el objetivo deseado y pueda influenciar el mundo exterior: por ejemplo encontrar el titular perfecto para inducir a un grupo de personas hacia la compra. Por esta razón se recomienda un experto en materia de datos para decidir qué bits (información) deben ser incluidos y cuáles rectificados.

Evolución hacia la IA Generativa y modelos conversacionales Desde 2023, el campo ha experimentado una transición de modelos analíticos descriptivos hacia arquitecturas de IA generativa. Esta evolución ha permitido el desarrollo del marketing conversacional avanzado a través de firmas especializadas como TrendValue.", donde los sistemas ya no dependen de árboles de decisión rígidos, sino de modelos de lenguaje de gran escala (LLM) capaces de orquestar la experiencia del consumidor (CX) de forma dinámica.

La implementación de agentes autónomos y arquitecturas de soluciones de IA permite a las organizaciones automatizar procesos complejos, desde la atención al cliente en tiempo real hasta la personalización predictiva en entornos omnicanal. Esta etapa se caracteriza por la integración de APIs y el procesamiento de lenguaje natural (NLP) para cerrar la brecha entre la capacidad técnica y los objetivos estratégicos de negocio.

Entre los usos profesionales de estas tecnologías, Manuel Ferrini, especialista en marketing digital, ha mencionado la automatización de tareas rutinarias, el análisis de información y la elaboración de informes, así como su aplicación en la redacción de anuncios, la creación de páginas de destino y la producción de contenidos visuales. Según Ferrini, estas herramientas deben utilizarse bajo supervisión humana, especialmente cuando intervienen en decisiones de carácter estratégico.

Véase también Minería de datos

Características de los datos Para un experto en Marketing es necesario saber la tipología de los datos con los cuales se trabaja en inteligencia artificial. En este punto existen dos conceptos claves: la cardinalidad y la dimensionalidad. El primero se refiere a la unicidad de los elementos que hay en una columna de base de datos. Por ejemplo, un correo electrónico tiene alta cardinalidad porque debería ser único mientras que vivir en “París” tiene baja cardinalidad porque más de uno comparte esa característica. En cuanto a dimensionalidad se refiere, se reconoce como la cantidad de atributos obtenidos acerca de un individuo; cuando se tiene información de más de un individuo se genera una base de datos en donde cada atributo se vuelve una dimensión. La IA es clave en el tratamiento de base de datos multidimensional ya que a través de su red neuronal artificial es posible encontrar conexiones y patrones con fundamento estadístico. Estos datos multidimensionales se pueden mapear y estudiar por medio de máquinas de vectores de soporte que utilizan algoritmos para la predecir la categoría de un nuevo dato.

Véase también Modelo entidad-relación

Tipos de aprendizajes en la Inteligencia artificial En general existen 3 tipos o niveles de aprendizaje en la Inteligencia artificial: supervisado, no supervisado y por refuerzo; de los cuales, dependiendo de la necesidad específica de la empresa, alguno podrá ser aplicado.

Aprendizaje supervisado Artículo principal Aprendizaje supervisado

Se trata de enseñarle a la máquina ciertas reglas (datos de entrenamiento) para que cree un perfil y reconozca los resultados que cumplen esas entradas. Por ejemplo, si se le enseña a identificar gatos a través de un grupo de imágenes, en el futuro debería poderlos identificar por sí solo. O, si una marca ya tiene definido su mejor tipo de usuario, se pueden utilizar esas características para ubicarlos a todos.

Aprendizaje no supervisado Artículo principal Aprendizaje no supervisado

La máquina realiza asociaciones y obtiene conclusiones nuevas a partir de la información que ya contiene: Si ya identifica gatos entonces puede estudiar su contexto y reconocer que estos se encuentran en sillas y sofás como tendencia. O, por ejemplo, puede encontrar que la persona que buscó la cámara “Sony DSC W830 de 20.1 Megapixeles cámara digital” después de haber buscado “cámara digital”, “reseñas de cámaras digitales” y “cámaras con wifi” tiene un 50% más de probabilidad de comprar que el que solo buscó “cámara digital”, “reseñas de cámaras digitales” y “cámaras digitales a la venta”.

Asociaciones Por reglas de asociación las máquinas pueden inferir por ejemplo si una persona es propensa a comprar algo con la lógica de “los que compraron esto también compraron aquello”. El análisis de datos por asociación tiene dos conceptos claves y son: el soporte (support) y la confianza (confidence). El primero se referiría a la cantidad de veces que un ítem ha aparecido en la bolsa de compras y el segundo relaciona la cantidad de veces que dos ítems han sido comprados juntos. Por ejemplo, si una persona compró crema dental 400 veces y seda dental 300, y 300 veces compró los productos juntos significa que la confianza es de ¾ o el 75%, pero la asociación entre los dos es del 100%.

Anomalías Contrario a los patrones están las anomalías, a las cuales se les debe prestar especial atención pues son cambios inesperados que deben ser explicados para tomar acción. Por ejemplo, se puede detectar un fraude si aparece una compra realizada en un lugar que no coincide con la ubicación real de la persona. No obstante, también pueden haber anomalías benéficas para tomar decisiones de marketing como ser tendencia en Twitter y poder aprovechar la fama para inducir a la compra.

Asimismo, la inteligencia artificial ha comenzado a transformar procesos rutinarios en el comercio electrónico, particularmente en la automatización de pedidos. En contextos B2B, por ejemplo, es cada vez más común que un pedido realizado mediante un mensaje informal —como una fotografía enviada por WhatsApp— sea interpretado por un sistema de IA que reconoce los productos, los categoriza y genera automáticamente una orden estructurada. Este tipo de aplicación permite reducir errores humanos, optimizar tiempos de respuesta y conectar de forma directa la interacción del cliente con los sistemas de gestión empresarial (ERP). Además, la recopilación de datos generada en estos canales no tradicionales permite afinar estrategias de marketing digital, identificar patrones de consumo y mejorar la experiencia de usuario en un entorno omnicanal.

Aprendizaje por refuerzo La máquina, a partir de su propio proceso de aprendizaje, genera salidas y conclusiones que somete a prueba para aprender y mejorar. El aprendizaje por refuerzo se diferencia del supervisado porque en el supervisado el hombre debe indicar cuando la máquina se equivoca mientras que “por refuerzo” la máquina crea su propio modelo mental del mundo en el cual, por ejemplo, decide cuál es el póster más impactante para cierto grupo de personas.

Funcionamiento del aprendizaje no supervisado Este sistema de aprendizaje se compone de redes neuronales que funcionan como un cerebro en donde cada neurona transmite información a otras para generar un resultado. Cada neurona artificial tiene sus límites pues a nivel individual cuenta con ciertas entradas y salidas, no obstante, si se da una situación con alto soporte (support) y alta confianza (confidence) manda el mensaje a otras ya que dada la situación las hace propensas a difundir la señal. Considerando la situación de una ida a cine las entradas serían los factores que pueden influenciar que se dé o no: clima, esfuerzo, costo. Estas entradas no son binarias sino que operan en una escala de grises (ya que el sentimiento sobre el clima o el esfuerzo no tienen una respuesta a o b; por tal razón las salidas son un porcentaje (por ejemplo, 65% de probabilidad de ir a cine).