La irrupción de nuevas técnicas de modelación adaptadas y asociadas al gran aumento en la capacidad de computación de los ordenadores están posibilitando la adopción y ejecución de los algoritmos de machine learning para resolver muchos problemas de negocio de forma más eficiente y con mayor acierto que con técnicas anteriores.
Su aplicación ofrece un amplio abanico de posibilidades que facilitan la resolución de dificultades, permitiendo abordar nuevas soluciones para crear un paradigma en que la captación, transformación y el uso de los datos dirigen las decisiones estratégicas de negocio desde el más alto nivel. A continuación, señalo algunos ejemplos de cómo esta aplicación del machine learning impacta realmente en negocio.
En publicidad programática, permite hacer campañas mejor dirigidas y con una tasa de conversión mayor. Para conseguirlo, hay que aprovechar los datos de las redes sociales (intereses, likes, artículos, opiniones), determinar los atributos relevantes para la campaña y aprender del perfil y del producto/servicio anunciado para establecer las características que aumentan la tasa de acierto para cada usuario.
Proporciona una mejor recomendación sobre los productos y una personalización de la oferta. Para ello, es necesario basarse en el histórico de transacciones, opiniones, frecuencia de compra, gustos, etc. del usuario y enriquecer la información con datos de usuarios similares en cuanto a perfil de consumo y perfil sociodemográfico.
Se puede controlar el fraude ya que mediante el histórico de transacciones de clientes se establecen modelos que estiman la probabilidad de que una transacción sea fraudulenta, basándose en transacciones similares como en comportamientos de clientes gemelos.
Permite una optimización de pricing. Con el fin de establecer una tasa de interés acorde a cada cliente en concreto, se estudia el histórico de tasas aceptadas/rechazadas y se cruza dicha información con su posición financiera y con datos macroeconómicos y sociodemográficos que ayuden a establecer las correlaciones entre las variables. Con las redes de relacionamiento bancario se puede tener una mejor aproximación del resultado.
A través de Real-time Analytics consigue obtener una respuesta inmediata ante un disparador externo. La información puede provenir de sensores, reacción ante un evento de compra, incidencia en una planta de generación de energía, etc. Si, además, se tiene acceso al seguimiento de los resultados, se pueden modificar/reentrenar los algoritmos semiautomáticamente para adecuarse a nuevas condiciones.
Determina qué campañas, medios, mensajes y ofertas han tenido un mayor impacto, teniendo en cuenta factores externos (competencia, calendario), tendencias y estacionalidades intrínsecas al negocio, con lo que se determina el efecto real de la campaña.
También permite concluir el comportamiento de clientes similares a través de la segmentación de clientes, haciendo que la gestión de los mismos sea más eficiente y personalizada. En estos casos, se utiliza información sociodemográfica, pero puede ser enriquecida con variables que aporten información sobre el grado de madurez digital de los clientes, así como de su sofisticación financiera. La información de redes sociales permite afinar los segmentos finales y las acciones comerciales.
En el campo de la energía, estima el consumo y la demanda energética para aprovisionar o redimensionar la red de abastecimiento. Además del análisis de la propia serie temporal histórica, se deben tener en cuenta información externa, como eventos, actividad turística, climatología, etc. Establecer una probabilidad de fallo para los componentes críticos en la red y realizar estimaciones de crecimiento de la zona, precio de la energía, etc.
Las aplicaciones son interminables pero para que un proyecto tenga éxito siempre debemos tener en cuenta la calidad del dato y el sentido de negocio de la solución.