• 6/12/2024

¿Cómo el "machine learning" ayuda a tomar decisiones?

A las personas les resulta muy difícil ver los patrones en distintos grupos de datos. En cambio las máquinas, pueden evaluar los datos a gran velocidad
22/04/2019 - 09:45hs
¿Cómo el "machine learning" ayuda a tomar decisiones?

El "machine learning" (ML) ha pasado de ser un área de nicho de la tecnología a ser salvador de empresas en múltiples sectores. La automatización del proceso de análisis y decisión puede lograr enormes mejoras potenciales en la creación de valor de los negocios, ayudando a los individuos a una mejor toma de decisiones y de performance. Pero ¿cómo se pone en práctica este potencial?

Muchas empresas están evaluando cómo mejorar la performance de sus ventas. Para organizaciones más pequeñas, pueden ver las listas de los clientes y seleccionar las tendencias, como el éxito con compradores específicos, con alguna empresa en mercados específicos, o basándose en necesidades comunes. En el caso de grupos de datos pequeños, este proceso puede ser realizado gracias al conocimiento y experiencia de las personas, además de la ayuda de algunas hojas de cálculo.

En el caso de las empresas más grandes, la cantidad de datos disponibles sobre el comportamiento de los clientes es demasiado amplia y viene de distintas fuentes simultáneamente. A las personas les resulta muy difícil ver los patrones en distintos grupos de datos, ya que estos cambian continuamente; en cambio las máquinas, pueden evaluar los datos a gran velocidad.

El otro reto viene de la mano de los algoritmos. Tradicionalmente, para lograr algoritmos precisos y útiles, había que contar con una gran cantidad de datos, crear una visión de los mismos, y luego un científico especialista de datos y con conocimiento en Machine Learning los utilizaba. Esto generaba que, para el ML, solo las grandes empresas pudiesen contar con los datos y con el conocimiento para poder utilizarlos.

En la actualidad, son cada vez más las empresas que cuentan con los datos para utilizar en analytics. No obstante, estos datos requieren un cambio de estrategia, en la cual no sea necesario contar con científicos de datos. El objetivo de la automatización del "machine learning" es que los datos sean útiles para una mayor audiencia no especializada; y al facilitar el análisis de datos, el ML logra acercar la información analítica avanzada en manos de los empleados.

Conocer más sobre los patrones de comportamiento de los clientes ayuda a los empleados de cada departamento a realizar sus actividades en forma más eficiente. En lugar de gastar tiempo en campañas que estadísticamente prestan poca oportunidad de éxito, o contactar clientes con baja probabilidad de compra, los esfuerzos pueden orientarse a clientes que pueden ser más receptivos.

Los grupos deben trabajar en cómo colaborar con los datos. Esto hace que sea más fácil empoderar a los usuarios para tomar decisiones como parte del grupo, con una visión completa y confiable del negocio para brindar el contexto adecuado en cada decisión, en lugar de que todo tenga una visión individual y parcializada del negocio.

El "machine learning" ayuda a reconocer automáticamente los datos dentro de los reportes individuales o grupos de datos, y luego crear vínculos entre ellos. Puede aplicarse al vincular los registros de cada cliente en los distintos grupos de datos y automáticamente desarrollar una visión más completa de la actividad. Esto puede ayudar a descubrir relaciones no conocidas que existen dentro de los datos que atraviesan los distintos departamentos y divisiones empresariales.

Al descubrir los datos, existe la oportunidad de considerar cómo utilizar los datos en la práctica. Una cantidad de clientes en una ubicación específica podría determinar una demanda localizada de algún producto que puede aprovecharse, o demostrar que algún vendedor está trabajando bien.

Sin embargo, el proceso no es tan fácil como parece: para empezar, en aquellas empresas que cuentan con docenas de aplicaciones, todas ellas con data relevante, puede resultar muy complejo encontrar un espacio centralizado de los datos. El resultado es que los análisis que se hacen en un sector pueden ser diferentes de los de otro sector dependiendo de cuándo se actualizaron los datos. Vale la pena ver como los datos se acoplan a una red que puede actualizarse automáticamente.

A medida que los datos cambian pueden actualizarse y estar disponibles para ser analizados, ya sea por personas o algoritmos. Es decir, todos mirando la misma información para la toma de decisiones.