Rappi, el unicornio colombiano, sabe desde el momento de su nacimiento que la innovación es la clave para sobresalir en el mercado. Detrás de los miles de pedidos que realiza a diario, su ADN se potencia con proyectos de inteligencia artificial como el uso de algoritmos para definir cómo asigna una orden a un repartidor, teniendo en cuenta que recibe más de 20.000.000 al mes en los nueve países donde cuenta con operación.
Según Alejandro Comisario, senior VP of Engineering de Rappi, la compañía también utiliza IA para optimizar el área de servicio al cliente. Así, a través de la aplicación cuenta con un centro de ayuda que tiene diferentes opciones de problemas o necesidades más comunes que pueden ser solucionadas automáticamente.
“Otro ejemplo de esto es la tecnología que implementamos en el Sistema de Recomendaciones de Restaurantes. Desde Rappi tenemos el reto de poner banners personalizados en la página principal, ya que el 70% de los clics se dan en la primera pantalla. Así, nuestro objetivo es recomendar al usuario restaurantes basándonos en su intencionalidad de compra”, aseguró.
A partir de esto, continuó Comisario, “tenemos que hacer una definición matemática de por qué dos restaurantes son similares teniendo en cuenta no solo el producto, sino que estén en la misma área de la ciudad y que estén abiertos o disponibles en un horario similar”.
Así las cosas, Rappi considera que el uso de inteligencia artificial ha permitido segmentar usuarios y entender mejor sus comportamientos para sugerir ciertos establecimientos o productos, y mejorar su experiencia y consumo dentro de la app.
Sobre el principal reto al implementar la IA, la empresa tiene claro que fue entender sus alcances y cómo empezar a adaptarla enfocada en la experiencia de los usuarios. Eso explica su premisa, que era tener presente que el 80% de los proyectos de IA fallan porque las expectativas no son definidas al principio.
“Hemos aprendido a no tener miedo de realizar un proyecto sin machine learning. Es más, el primer proy ecto no debería tenerla. Es más importante hacer un modelo sencillo al principio y garantizar que la implementación sea correcta, ya que, si el modelo es muy complejo, su correcta implementación no podrá ser garantizada”, asegura Comisario respecto a los aprendizajes.
Según él, es indispensable construir un proyecto alineado con las personas líderes de negocio, y para las compañías también es muy relevante “aprender cuándo parar, ya que el data science siempre querrá probar una nueva metodología pero no siempre es beneficiosa para el logro de los resultados que queremos”.
“Siempre buscamos nuevas maneras de automatizar inclusive la forma en la que la IA nos puede ayudar, generamos hackathons, sesiones de brainstorming con producto y tech, y tenemos y seguimos refinando un proceso para poder filtrar las mejores ideas lo más rápido posible.
Depende de cómo evolucione este proceso, el principal filtro sigue siendo el mismo: ¿qué problema no le estamos solucionando a nuestros usuarios y repartidores, o cuáles los podemos solucionar infinitamente mejor?
Sin duda, una tendencia en aumento es el rol que diferentes soluciones digitales y las herramientas tecnológicas tienen para soportar el trabajo de los equipos de Inteligencia Artificial, Data Science y Machine Learning. Esto brinda una oportunidad única para sacar el mayor provecho de los datos disponibles, y de esta manera solucionar problemas y adelantarse a los desafíos que se puedan presentar”.
