Hemos implantado la IA, pero ¿dónde están los resultados? Lo que el comercio electrónico necesita para crecer, según los datos

Hemos implantado la IA, pero ¿dónde están los resultados? Lo que el comercio electrónico necesita para crecer, según los datos

El pasado 6 de agosto celebramos en la oficina de Snowflake en Corea, en Yeoksam (Seúl), un Lunch & Learn sobre “Casos de éxito en comercio electrónico con IA y datos”.

Asistieron profesionales de sectores muy diversos, como alimentación y bebidas, belleza, moda y bienes de consumo, de empresas como HiteJinro Beverage, Nestlé Korea, Nongshim Kellogg, adidas Korea, APR o Kenvue Korea, para analizar juntos qué condiciones hacen falta para que la IA y los datos se traduzcan en resultados reales en el trabajo.

¿Qué hace falta para que la IA dé respuestas fiables?

En la primera sesión, Eom Sang-ryeol, representante comercial de Snowflake, señaló tres puntos en los que la IA se detiene en la fase de operación real: el contexto, la gobernanza y el costo.

Conectar sin más tablas o archivos a un LLM genérico no basta para reflejar de forma coherente las definiciones de indicadores de cada departamento, las reglas de excepción o los permisos sobre los datos. En cambio, si se conectan a los datos indicadores comunes y reglas de negocio, la IA puede dar respuestas más precisas y reproducibles a una misma pregunta.

El caso de análisis interno de Anthropic presentado en el evento lo respaldó. La precisión de las respuestas, que se quedaba en el 21% sin definiciones de datos acordadas, subió por encima del 95% tras aplicar criterios comunes. En la demo de Snowflake CoWork que siguió, se vio cómo, cuando los datos de la empresa, el sistema semántico y las políticas de seguridad funcionan en un mismo entorno, la IA va más allá del análisis y conecta con la siguiente acción.

Convertir los datos dispersos del comercio electrónico en resultados de ventas

Park Jun-young, representante comercial sénior de MarqVision, presentó los problemas de distribución en el mercado gris, alteración de precios y falsificaciones que surgen cuando los datos de marca, producto, precio y vendedor están dispersos en varios canales.

Marq AI conecta estos datos en una única ontología de marca e identifica a los vendedores de alto riesgo y sus redes relacionadas mediante la supervisión de precios y la inteligencia de vendedores. A partir de ahí, la marca puede fijar prioridades centradas en resultados de negocio, como los precios y las ventas recuperados o el tiempo de respuesta, y no en el simple número de detecciones.

En el caso real de Yonsei Dairy, en el año siguiente a la implantación de Marq AI no solo subió su precio de suministro a Coupang, sino que aumentó su PPM entre un 3 y un 5% y redujo un 70% el tiempo de trabajo respecto a su respuesta anterior. Es un caso que muestra que la gestión del mercado gris puede ser el punto de partida para estabilizar el orden de la distribución online y recuperar la rentabilidad.

Más que una IA mejor, la clave es una mejor estructura de datos

La conclusión clave del evento fue clara.

Lo que determina los resultados de la IA no es un modelo más caro, sino una estructura que conecte los datos y los criterios de la empresa para que la IA pueda entenderlos. Tras las sesiones, hubo un almuerzo y networking en el que cada empresa compartió sus retos de uso de datos y de gestión del comercio electrónico en el día a día.

Gracias a todas las personas que nos acompañaron. Si quieres saber cómo conecta Marq AI los datos dispersos del comercio electrónico para proteger la confianza y los ingresos de las marcas, consulta los casos de éxito de MarqVision.