Implementación de tecnología NFC en el canal HORECA: sostenibilidad, fidelización y definición del perfil del usuario

Tabla 1.
Comparación de diferentes parámetros en las tecnologías NFC BLE y Zigbee

La tecnología aplicada a los tickets digitales se basa en la transferencia de datos entre dos dispositivos: un emisor y un receptor. De forma generalizada, en la actualidad, no existe una empresa líder en la generación de tickets digitales Sin embargo, a partir de la pandemia del Covid-19 grandes compañías, como las dedicadas al sector de la alimentación minorista, parecen estar apostando por ello (Bai et al., 2021). Las razones que han llevado a estas compañías a adoptar esta estrategia no sólo se basan en su política medioambiental, descartando progresivamente el uso del papel, sino que también buscan posicionarse en la lucha por la información. Identificar patrones y tendencias del consumidor mediante el uso del Big Data se ha convertido casi obligatorio si la empresa quiere sobrevivir a largo plazo.

Aunque todavía son pocas las empresas que utilicen la tecnología NFC, tienen en común que sus tickets digitales se caracterizan por funcionar mediante códigos QR. Este artículo propone analizar la extensión del uso de la tecnología NFC en este último aspecto y desarrollar aplicaciones que, simplemente con utilizar el teléfono móvil dentro del establecimiento, se almacene el ticket generado dentro del dispositivo móvil del cliente (Chaudhari et al., 2015).

Metodología

El primer paso es analizar las posibles problemáticas encontradas con la emisión de los tickets en el sector HORECA. La utilización de rollos de papel, la tinta, el tipo de impresora suponen costes fijos para el negocio y, además, el contacto toxico a los competentes y residuos de los tickets pueden derivar en la aparición de riesgos laborales (Buczacki et al., 2021). Una vez identificados los potenciales inconvenientes de la utilización del ticket, se procede a buscar soluciones para sustituir los mismos y aprovechar, al mismo tiempo, datos que obtenemos de los usuarios (García-Madurga et al., 2021). Uno de los factores para tener en cuenta es que el escenario alternativo en el que se implantase un método distinto al de los tickets se debe caracterizar por su sostenibilidad.

La política medioambiental de las empresas esta, cada vez, más extendida y es más holística. En lo que a los tickets se refiere, para su producción se consumen anualmente 3 mil millones de árboles y cerca de 80 millones de metros cúbicos de agua. De hecho, si existiese una alternativa virtual al ticket se podría ahorrar, en una empresa mediana, entre 5 y 10 mil euros al año (Kamalesh et al., 2011). Como respuesta a los problemas anteriormente expuestos, se crea la iniciativa FastVisit. Un proyecto auspiciado por el uso de la tecnología NFC como medio de transmisión de información, aprovechando sus beneficios y posibilidades de rentabilizar y obtener los máximos beneficios tanto para los gestores empresariales como para los usuarios.

El funcionamiento de la tecnología NFC es bastante sencillo ya que únicamente intervienen dos dispositivos (el que inicia la comunicación, llamado “iniciador” y el que responde, denominado “objetivo”). El intercambio de información se inicia cuando ambos dispositivos se acercan a una distancia entre 4 a 10 cm. El uso más común del NFC es la realización de pagos con teléfonos móviles o tarjetas. Sin embargo, en este caso de estudio, se aplica esta herramienta digital a la restauración y sus clientes, reemplazando el ticket convencional y evolucionando a lo digital (Ramos-de-Luna et al., 2016).

La integración de la tecnología NFC en los teléfonos móviles empezó en el 2009, con el fin de brindar la posibilidad de conectar con otras tecnologías de una forma más sencilla e intuitiva. Además, tiene como principal ventaja la movilidad, que está integrada en el teléfono y es una tecnología potencial en el intercambio seguro de datos, la cual es necesario para la aplicación del NFC en la hostelería (Grassie, 2007).

Cada NFC se caracteriza por tener un identificador único de fábrica, al igual que los tickets. De hecho, cada transacción realizada tiene emparejada el identificador de un NFC al mismo tiempo que queda registrada en una base de datos (Grassie, 2007). En este punto es necesario aclara que, la información proporcionada al cliente no es la misma que se registra en la base de datos. La información recompilada por la empresa es mayor, ya que cada usuario tendrá su propio registro, el cual recogerá la información relativa a la transacción comercial, como el NIF, localización, numero del ticket y los datos que usualmente suelen importar: pedidos, cantidad, precio e importe total.

Por lo tanto, el ticket contiene todos los datos de una factura, al que, aplicando fórmulas matemáticas, se le añade una cadena o secuencia de caracteres denominado firma electrónica. Esta firma garantiza la integridad de la información (impide falsificaciones) y autenticidad del cliente (el cliente no puede negar haberla generado y enviado). Al detectar estos datos, la factura electrónica adquiere plena validez fiscal y legal, por lo que se elimina la necesidad de imprimir el documento al usuario.

Resultados

La iniciativa FastVisit, provista de la tecnología NFC, es capaz de registrar información tal como quién consumió ese pedido, en qué fecha, mesa, edad o tipo de pago. Estos datos obtenidos serán utilizados para ofrecer un sistema de fidelización con ofertas personalizadas y hacer predicciones eficaces para los clientes. El objetivo principal es especializarse en usuarios verificados que fidelizar. Además, también existe una ganancia de imagen de la empresa al aumentar el grado de sostenibilidad de su gestión.

Con el fin de realizar el procesamiento de la información se ha utilizado una base de datos ofrecido por Google (Google Cloud Platform). Los datos son procesados en base a diversos patrones y parámetros. Dentro de los servicios de Google se utilizan Big Query, Cloud Functions y Firebase. Big query indexa toda la información, de la base de datos, de forma estructurada para un gran volumen de usuarios (Challita et al., 2018). Cloud Functions permite integrar funciones dentro de la base de datos para realizar operaciones, acciones y procedimientos. Por último, Firebase es una base de datos que incluye varios servicios como la autentificación, el análisis, la provisión de datos en tiempo real o el almacenamiento de archivos (Bisong, 2019).

Con todas las herramientas nombradas anteriormente, se detectarán las tendencias de consumo de nuestros usuarios. El proceso comienza con la utilización de un comando por el cual se detecta cuando un usuario añade un ticket. Este registro es enviado desde la aplicación FastVisit a la base de datos. Posteriormente, se integran las funciones y comandos en Cloud Functions, para utilizarlos con los datos de todos los usuarios que, en un intervalo de tiempo, añadieron un ticket.

A continuación, se procede a utilizar Firebase. Para ello se implementará un modelo de machine learning que convierte las palabras, frases y oraciones en un vector con múltiples dimensiones. Es importante realizar una aplicación efectiva de las técnicas y los principios del Procesamiento del Lenguaje Natural (PNL) para obtener información significativa a partir de los datos del texto (Nigam et al., 2020). Un ejemplo de ello es el propuesto en la Figura 1, en donde se representa Una relación causal entre los conceptos hombre-mujer y rey-reina, ya que estas parejas de concepto dependen de la característica de sexo. Para obtener el vector de reina se puede hacer la siguiente operación.$v\left(\mathrm{reina}\right)=v\left(\mathrm{rey}\right)-v\left(\mathrm{hombre}\right)+v\left(\mathrm{mujer}\right)$

Lo mismo sucede con las parejas de verbos, que comparte el tiempo verbal, así que pertenecen a las mismas dimensiones.

El siguiente paso es utilizar TensorFlow, un programa de Google, de código abierto y que facilita la creación de modelos de aprendizaje automático para computadoras de escritorio, dispositivos móviles, la web y la nube (Introducción a TensorFlow). Con el fin de poder programar TensorFlow se debe poseer previamente un conjunto amplio de datos verificados (Ertam & Aydın, 2017). En este caso de estudio se han recompilado un conjunto de 17 mil consumiciones. La clasificación se realiza utilizando el título de la consumición como entrada y la categoría a la que pertenece como salida. A continuación, se emplea una aplicación programada con una verificación de 50 billones de datos para que, el introducir texto en español se produzca un vector de 128 dimensiones.

Al mismo tiempo aplicamos una optimización del software ADAM, el cual está diseñado para acelerar el proceso de optimización de los datos, como disminuir el número de evaluaciones de funciones requeridas para alcanzar los óptimos, o mejorar la capacidad del algoritmo de optimización (Optimización de Descensos de Gradiente).

Procedemos a entrenar nuestra máquina para que se ajuste a nuestras necesidades en cuanto a las consumiciones. Lo hacemos con 30 épocas. Una época es el intervalo que se comprende respecto de una observación de las ponderaciones de un modelo ML hasta la siguiente actualización sobre la misma. La última época tiene una precisión del 99,40% y una pérdida del 2%. La pérdida se refiere al error entre la entrada y las predicciones que hace nuestra máquina (Figura 2).

Tensorflow no sólo convierte en vectores las consumiciones que se introducen en la aplicación, si no que distingue la importancia de las palabras. Por ejemplo, diferencia la relevancia de la palabra “pollo” en “arroz con pollo” y “pollo con queso”. Por su parte, cada usuario tiene un vector de 128 dimensiones que lo caracterizan. Utilizamos las propiedades de los vectores por las cuales, al ser sumados, obtenemos el vector resultante con la misma dimensión. Cada oferta se caracteriza, del mismo modo, por este procesado de vectores. Calculando el ángulo entre los dos vectores, el del usuario y el de la oferta, se conoce el porcentaje de compatibilidad entre ellos. De esta forma, podemos enviar ofertas personalizadas a audiencias especificas comparando sus vectores (Figura 3).

A continuación, creamos el perfil de un usuario conforme su patrón de consumo. Por ejemplo, su lista de compras se compone de arroz con pollo, ensalada, pollo con queso y gambas. Ante la disponibilidad de su información de consumo se procede a la creación de su vector y este es comparado con el vector de oferta de diferentes categorías. Es relevante aclarar que, aunque sean plantos diferentes, la aplicación encuentra similitudes en 128 aspectos diferentes. El siguiente paso es comparar esta información con 18 categorías para que, las que superen el 60% de similitud, sean identificadas como relevantes para el usuario.

Observamos, mediante la Figura 4, que el usuario es consumidor habitual de arroz, carne, ensaladas, mariscos, pescado, quesos y salsas. Esta técnica se puede hacer aún mas compleja detallando el análisis por ingredientes de cada plato.

La forma efectiva de conseguir los datos de consumo del cliente es descargando la aplicación FastVisit. El cliente, instalar la aplicación en su móvil y registrarse (para lo cual debe aceptar los términos y condiciones sobre el manejo de la información que reflejará su ticket, a la vez que autoriza el envío de ofertas y promociones personalizadas). En el momento de abonar el importe de la consumición a través de una tarjeta con tecnología NFC y conectarla a una TPV, la información del usuario queda registrada. Esto es posible ya que el TPV es un sistema que permite gestionar, de forma unificada, las ventas de un establecimiento, es decir, desde cobrar hasta imprimir el ticket para el cliente pasando por controlar el stock de la tienda (Snellman et al., 2001).

Al emparejar el identificador del NFC con el del ticket y se registra toda la información en la base de datos. En lo que respecta al usuario, al colocar el teléfono que tiene instalada la aplicación FastVisit encima de la tarjeta NFC, de forma instantánea puede ver el ticket, guardarlo o descartarlo posteriormente. Al agregar el ticket, también se registrará el establecimiento con su información básica como el horario, precio o carta.

Sera, así como cada usuario recibirá notificaciones en cuanto ofertas de los restaurantes que haya ido anteriormente y tenga guardado en la aplicación. Así, se persigue que nuestro cliente, fidelizará y atraerá más usuarios, a la misma vez que se suprimen los costes de la impresión de ticket, desperdicio de alimentos y se conocerán el tipo de consumiciones realizadas.

Conclusiones y discusiones

La aplicación FastVisit responde a dos retos actuales del sector HORECA. El primero de ellos obedece a la necesidad de aumentar el grado de sostenibilidad de esta actividad económica. La reducción del consumo de papel, así como la diminución de la cantidad de desperdicios alimenticios, se erigen como respuesta a la implicación de la hostelería en las políticas verdes. El segundo reto obedece a la necesidad de conocer con una mayor profundidad el perfil de sus clientes, y de esta forma, poder adaptar más adecuadamente la oferta de servicios a la demanda.

La aplicación de las nuevas tecnologías es la forma más rápida y eficaz para superar estos dos retos, por lo que la creación de la aplicación FastVisit se encuadra en esta dinámica. El uso cada vez más masivo de las aplicaciones móviles, combinado con el pago mediante la tecnología NFC, crean un marco de posibilidades para el sector privado. La hostelería ha identificado una oportunidad en la identificación de los hábitos de consumo que puede aprovechar para fidelizar la clientela, atraer a otra nueva y mejorar su perfil medioambiental.

Además, el análisis realizado sobre FastVisit describe cómo es posible crear una aplicación de este tipo sin una gran inversión. Este hecho pone en relieve que, las pequeñas y medianas empresas, con un presupuesto mucho más limitado al de sus grandes competidoras, también pueden sumarse a la digitalización. Las herramientas utilizadas están disponibles a través de Google, por lo que su acceso esta extendido, y los dispositivos fiscos utilizados, una tarjeta bancaria con sistema NFC, un TPV y un teléfono móvil inteligente, son de uso generalizado. Por ello, este caso de estudio puede servir como ejemplo para mostrar como pequeñas iniciativas también son validas para implementar el uso de las nuevas tecnologías en las PYMES.

A pesar de las ventajas de la aplicación, esta también presenta sus inconvenientes. El mas grande de ellos es la negativa del cliente a la instalación de la aplicación en su teléfono móvil. Para solucionar este escollo es imprescindible garantizar el buen funcionamiento de la misma, proporcionando una interfaz atractiva, una interacción sencilla y un consumo de recursos del teléfono asumible por el usuario.

Una de las formas de mejorar el atractivo de la aplicación es mejorando un sistema de recompensas. Aunque este ya ha sido incorporado a FastVisit, su ampliación forma parte de las futuras líneas de investigación. También esta pendiente la extensión del funcionamiento a esta aplicación, basado en el análisis de datos y en la predictibilidad de los consumos futuros, a otros sectores productivos.

Declaración de conflicto de intereses

Los autores declaran que no tienen intereses financieros en competencia conocidos ni relaciones personales que pudieran parecer influir en el trabajo presentado en este artículo.

Agradecimientos

Esta investigación ha sido financiada por la Consellería de Cultura, Educación e Ordenación Universitaria de la Xunta de Galicia en España la beca postdoctoral ED481B2018/095 y las siguientes becas: ED431C2018/48 y ED431E2018/07. Además, esta publicación forma parte del proyecto español de I+D+i RTI2018-099225-B-100, financiado por MCIN/ AEI/10.13039/501100011033/ y FEDER "Una forma de hacer Europa". Los autores agradecen también las valiosas aportaciones de Juan Carlos López Rodríguez.