Del problema al match: cómo plantearíamos buscar casa con IA

Esta clase fue distinta de las anteriores: en vez de escuchar, nos tocó construir. Forma parte del módulo Business Data and AI Strategy y fue un taller de casos de uso con IA, la sesión de innovación del módulo. Este artículo cuenta el caso desde el problema hasta la propuesta de valor. Es la parte práctica que acompaña a la teoría: el caso seguirá creciendo con las siguientes clases y lo iré enlazando con la teoría que lo explica.

El caso

El profesor nos planteó un caso realista: una empresa dedicada a la búsqueda de viviendas, que funciona como agencia inmobiliaria. En equipo y sobre una pizarra colaborativa teníamos que levantar el problema, valorar alternativas, proponer una solución con una propuesta de valor basada en el dato y perfilar un plan: cómo lo haríamos y cómo mediríamos el éxito. Terminamos con un mini pitch de cuatro minutos por equipo.

Trabajamos con una versión adaptada del Lean Canvas, un lienzo para ordenar una idea de negocio. Se recorre en tres pasos, y me parece una buena forma de ordenar cualquier idea:

Paso 1: entender el problema

Partimos del recorrido de una persona que quiere comprar una casa, de la idea a la firma: piensa en comprar, investiga la zona, busca en portales, contacta y concierta visitas, negocia el precio, firma las arras, busca financiación y formaliza la compra ante notario y banco. El profesor señaló dos tramos como el foco del caso: la búsqueda en portales y el contacto para concertar visitas.

El material planteaba dos puntos de vista: el de quien busca casa y el de la agencia, que pierde contactos de calidad porque no puede atender todas las llamadas y no distingue quién tiene un interés real. Nos quedamos con el primero. A lo largo del recorrido, quien busca se hace preguntas como dónde buscar, cuánto se puede gastar o cuál es el precio justo; los filtros no responden a lo que de verdad quiere saber, la información está repartida entre imágenes y textos, y todo es un proceso manual y reactivo, con una negociación y un papeleo que exigen mucha dedicación. Además, por lo que nos contaron compañeros, buscar casa puede ser una experiencia agotadora: horas comparando y peleando con otras personas por las mismas viviendas. En el lienzo lo resumimos en tres líneas: no hay un portal único de oferta y de información, se pierde mucho tiempo buscando y la experiencia de uso es mala.

¿Y qué hace hoy la gente? Buscar en portales individuales. Es la alternativa que existe, y tiene costes claros: se pierde tiempo, las viviendas aparecen repetidas y hay que llamar una por una.

Paso 2: diseñar la solución

Nuestra idea fue crear un modelo centralizado que unifique la búsqueda. Algo parecido a esos comparadores que reúnen a muchas empresas y te dan el mejor precio para un billete de tren, pero con las viviendas de varios portales.

La pieza clave es un agente conversacional. En vez de rellenar filtros, la persona habla con él, también por voz, y le cuenta qué busca y cómo vive. Esa conversación es dato no estructurado: el agente lo convierte en variables, las cruza con el catálogo de viviendas y devuelve un porcentaje de match con cada una, explicando por qué encaja: «creo que este piso es para ti por esto y esto, y te vas a sentir bien por esto otro».

Las viviendas llegarían por conexiones API con las plataformas o, si no fuera posible, mediante un modelo de extracción de datos (scraping).

Los objetivos clave que nos marcamos fueron cuatro:

• Conseguir la confianza del cliente.
• Modernizar el proceso de búsqueda.
• Ofrecer un modelo conversacional que dé las alternativas por voz.
• Convencer de que los pisos ofrecidos están escogidos a su medida.

La pregunta incómoda del profesor

Aquí llegó el reto: ¿por qué la empresa más grande del sector, que ya tiene herramientas parecidas, querría contratarnos o enviarnos su tráfico? Nuestra respuesta fue darle la vuelta: no íbamos a vendérselo a ella. Como domina casi todo el mercado, nos pusimos del lado de las pequeñas: juntarlas en una plataforma donde todas pudieran convivir y competir con más fuerza.

Paso 3: convertirla en negocio

La propuesta de valor

Ahorrar tiempo y mejorar la experiencia de búsqueda con una hiperpersonalización unificada y con servicios extra. Son tres ideas:

• Hiperpersonalización. Con las fotos de las plataformas generamos un render 3D realista y lo ambientamos según lo que la persona nos ha contado. Si busca casa para vivir con hijos, perro y su suegra, la vivienda se adapta a esas necesidades para que se imagine viviendo allí; si es soltera y quiere compartir con amigos, el render muestra otro uso. Verse en la casa aumenta el interés.
• Unificación. Reunimos la oferta y damos el porcentaje de match. Además, gestionamos el contacto: si alguien ve una vivienda a través de nuestra aplicación, enviamos nosotros un mensaje ya preparado a la plataforma, a la inmobiliaria o al particular para pedir una visita.
• Servicios extra. Cuando alguien ya está decidido y le ha gustado su render, podemos ofrecerle una empresa de reformas que le dé buen precio según el estilo de la casa, orientación legal y financiera (cuánto va a costar de verdad, qué conviene saber de las arras o de los seguros de hipoteca) y enlace con brokers de hipotecas.

A quién va dirigida

A dos públicos: personas que buscan piso para comprar, porque la idea es para venta, y los pequeños portales inmobiliarios que quieran unirse para dar un servicio conjunto.

Dos retos

Nos planteamos dos preguntas difíciles. La primera, cómo agrupar la oferta: con acuerdos con plataformas, brokers y publicidad, un modelo B2B. La segunda, cómo rentabilizarlo. Por un lado, ingresos de reformas, brokers y servicios legales; por otro, una suscripción para quien busca casa. Una búsqueda dura unos tres o cuatro meses, hasta que se compra, y mucha gente se suscribe a un asistente de IA para un trabajo concreto y luego se da de baja. Aquí sería igual: se paga mientras dura la búsqueda y se obtiene todo el servicio personalizado. Con los portales, los acuerdos serían por el tráfico que les enviamos, por contactos o por suscripción; eso quedó por definir.

El concepto general

En una línea: un pacto con los pequeños portales y un agente de IA multimodal que habla con el cliente y trae toda la información. Detrás hay un sistema de recomendación, conexión por API con los portales, los datos del usuario compilados, los datos de cada portal y un modelo de IA que aprende de las búsquedas que acaban bien. En la pizarra apuntamos una idea más: un asistente formado por subagentes, según la fase en la que se encuentre quien compra.

Cómo mediríamos el éxito

El profesor nos dio tres miradas de partida: la de la persona que busca (tiempo de búsqueda, número de visitas físicas y satisfacción), la de la agencia (contactos de calidad y operaciones cerradas) y la de la empresa (ingresos y base de usuarios). Nosotros nos quedamos con tres métricas:

• Tráfico de clientes, orgánico y de pago: cómo conseguimos que la gente entre en la plataforma.
• Conversión vía API: de las personas con las que hablamos y a las que damos matches, cuántas enviamos a una plataforma y cierran una visita en persona. Como estamos conectados por API, los portales nos informan; esa visita es nuestra conversión, y la compra sería un extra.
• Satisfacción: una encuesta al terminar la conversación.

La pieza que falta: partir también del dato

En los anexos de la presentación había una idea que me pareció útil para este caso. El diseño de producto tradicional empieza por la persona y su problema, que es justo lo que hicimos. Pero hay otra puerta de entrada: empezar por el dato como activo y buscar dónde encaja. Se resume en unas pocas preguntas: qué datos tenemos y de qué calidad son, si son únicos o nos darían un posicionamiento diferencial, en qué procesos de nuestro cliente podrían serle útiles y si pueden producir una experiencia diferente a la actual. Y un aviso importante: el proceso no es lineal, se va y se vuelve entre explorar, encajar, idear, ejecutar y evaluar. La fuente que citaba la presentación es The Design Thinking Playbook.

Si lo aplico a nuestro caso, los activos serían las conversaciones con las personas que buscan, el catálogo de las plataformas y sus fotografías: con ellos se hacen el match y el render.

Lo que me llevo

• Primero el problema, después la tecnología. La idea solo tiene sentido porque el dolor es real: las horas que se pierden buscando casa.
• Una buena pregunta cambia el enfoque. «¿Por qué la grande querría trabajar con vosotros?» nos hizo pasar de competir con ella a unir a las pequeñas.
• Se puede empezar por el problema o por el dato. Conviene hacer las dos cosas, porque el camino no es lineal.
• Una idea de IA es también una idea de negocio. Sin ingresos y sin métricas, se queda en un prototipo. Y todo se apoya en el dato: de la conversación a las variables, de las variables al match y del match a la conversión.

El caso continúa en las siguientes clases.

Gracias a David Rey por la clase en la que se basa este artículo.