La agenda de todo marketer está repleta de eventos y congresos de marketing y eCommerce, sin embargo, a veces puede ser difícil asistir a todos los que nos gustaría y nos perdemos aprendizajes valiosos. Y, como nuestra misión es acercarte todo el contenido de calidad que podamos, hoy te traemos las claves de la ponencia que Joan Miró, CEO de Kraz, presentó en el eRetail Congress 2025.
Bajo el título “5 casos de uso de IA en Retail”, Miró nos presentó varias soluciones basadas en IA con las que su compañía está generando un retorno de la inversión (ROI) tangible en grandes marcas del sector.
1. Marketing Mix Modeling (MMM): atribución real más allá del último clic
Históricamente, la medición de la inversión publicitaria ha estado viciada por la atribución digital, que da todo el mérito (y el clic) a Google, ignorando el impacto de otros canales. Si pones un anuncio en televisión o radio, y luego el usuario te busca, el clic se lo lleva Google, pero la realidad es que el esfuerzo inicial fue offline. Además, es un calvario conciliar datos entre Meta, Google y Analytics; “ahí no cuadra nada“, sentencia Miró.
Aquí es donde entra el MMM (Marketing Mix Modeling), una metodología que utiliza IA para simular la curva de ventas de tu negocio. Este modelo no solo tiene en cuenta los medios online (Google, Meta, TikTok, Pinterest) y offline (TV, radio, prensa), sino también las variables de contexto como las promociones, la temperatura, el número de tiendas o las acciones de la competencia.
Al final, la IA descompone tu curva de ventas en una línea de base (lo que venderías sin hacer publicidad) y unas capas incrementales por cada palanca que utilizas (publicidad pagada, estacionalidad, promociones). Esto permite dos cosas fundamentales: calcular el ROI real por palanca (“gasto 1€ en TikTok y obtengo 11€ en ventas“) y hacer simulaciones para optimizar tu mix de inversión y maximizar la respuesta del mercado.
Kraz implementó el MMM para ofrecer una atribución publicitaria real y estratégica a sus clientes retail. Con Kave Home, se logró cuantificar el impacto real en ventas de Pinterest, que superaba lo percibido por la analítica tradicional, permitiendo optimizar el mix de inversión.
En el caso de Uriach, el modelo evaluó con precisión cómo una campaña digital impulsó efectivamente las ventas físicas en sus puntos de venta, un dato clave para la estrategia omnicanal. Finalmente, con Ysabel Mora, Kraz identificó el porcentaje de búsquedas de marca que procedía de estímulos publicitarios frente al tráfico orgánico, aislando el impacto de cada palanca. En definitiva, la visión holística del MMM maximiza el ROI.
2. AI-powered Voice of the Customer: convierte el feedback en acción
La Voz del Cliente (VoC) es oro, pero la IA la convierte en un lingote usable. La clave es ir más allá del social listening y las fuentes públicas para centrarse en las fuentes privadas de input del cliente: el call center, los correos electrónicos, los tickets de soporte y las encuestas de satisfacción.
El producto Lyra de Kraz se encarga de integrar todas estas fuentes, traducir los comentarios (si es necesario), categorizarlos, identificar el sentimiento y asignarlos a temáticas específicas. El valor real de este proceso es la granularidad: no solo detectas grandes temas de conversación, sino que puedes ir al detalle, filtrando comentario por comentario.
Kraz ha implementado Lyra en compañías como SEAT, Camper o Imagin (CaixaBank). El objetivo fue identificar puntos críticos, tendencias y oportunidades de mejora a partir del feedback del cliente. El impacto fue estratégico: la IA permitió trasladar estos insights directamente a los equipos de negocio, reduciendo drásticamente los tiempos de análisis y respuesta. Esto transforma la VoC en una palanca de decisión ágil y centralizada.
3. AI Marketing Intelligence Assistants: tu chatbot con información secreta
Todos pensamos en chatbots para la atención al cliente, pero Joan Miró subraya un uso de mayor impacto: el chatbot para equipos internos. La diferencia crucial está en su entrenamiento, ya que este no utiliza la información pública con la que aprende ChatGPT, sino la información personalizada y propia de tu organización, lo que te da una ventaja competitiva.
Bajo esta idea Kraz desarrolló Atria, un asistente inteligente entrenado con información privada y específica de cada organización. Este asistente de IA es capaz de responder a preguntas complejas basadas en datos confidenciales, informes de investigación o resultados de focus groups que solo existen dentro de tu empresa. Para un responsable de marketing es inasumible leerse 20 entrevistas en profundidad; sin embargo, preguntándole a Atria se obtiene la respuesta en segundos.
Kraz ha implementado Atria con clientes como GB Foods, SEAT o Affinity Petcare. Esta ha permitido escalar el conocimiento interno de las empresas, acelerando el acceso a insights relevantes provenientes de datos confidenciales y no estructurados. Esto profesionaliza la toma de decisiones al basarla en la inteligencia corporativa.
4. Predicción de demanda a nivel SKU: acertar con el stock
El desafío del retail moderno es el gran volumen de SKUs (unidades de mantenimiento de stock). Hablamos de miles de referencias, como las más de 2.000 de Vinoselección o las 700 de algunas farmacéuticas. Predecir la demanda de cada una de ellas es complejo y vital para no perder ventas por rotura de stock ni incurrir en sobrecostes.
En Kraz aplican modelos de IA que aprenden de la historia de ventas y las características de cada producto (formato, categoría, canal, etc.) para hacer predicciones precisas por SKU. La IA toma las series históricas de cada producto y les aplica etiquetas (categoría, atributos, factores de venta) para enriquecer el modelo. Sin embargo, la clave del éxito está en la iteración: no existe un algoritmo mágico. Se prueban multitud de modelos (Arima, Random Forest o XGBoost) para elegir el algoritmo óptimo por producto. Esto permite que, por ejemplo, la predicción para un vino tinto sea distinta que para un vino blanco, asegurando la máxima precisión posible para cada referencia.
Miró puso de ejemplo el caso de éxito de Vinoselección, eCommerce con el que trabajaron en la predicción la demanda de más de 2.000 referencias de vino, ajustando progresivamente los modelos hasta lograr mejorar significativamente la precisión en cada iteración.
5. Segmentación sobre BBDD propias: el genoma del cliente
Finalmente, Miró hablo de la IA en su faceta de herramienta definitiva para la segmentación de clientes. Los clientes tienen múltiples dimensiones de datos, y no basta con saber su edad o sexo. Hay que integrar su perfil demográfico, su comportamiento en comunicaciones (si abre o no emails), toda la data transaccional (qué compra, la secuencia) y su perfil como comprador.
La unión de todos estos datos personales es lo que Kraz llama el “Genoma” del usuario. Analizando este genoma a través de la base de datos completa, la IA asigna a cada cliente a un clúster específico. De esta manera, las marcas pueden identificar y separar grupos muy valiosos, como los “lovers” de una categoría, los “rejectors” (los que nunca compran algo) o, crucialmente, los sensibles a promociones y los que “abusan de las devoluciones”. Esto permite personalizar el mensaje y la oferta con una precisión nunca vista.
Foto: Canva
[…]
La entrada Cómo aplicar la IA para crear soluciones reales que impulsen el retail: 5 casos de éxito de Kraz se publicó primero en Marketing4eCommerce.
