10 aplicaciones de machine learning con impacto real en el negocio

Su aplicación ofrece un amplio abanico de posibilidades que facilitan la resolución de dificultades, permitiendo abordar nuevas soluciones.

Publicado el 28 Nov 2017

98996_94

Los avances tecnológicos y la aparición de nuevos marcos de trabajo están posibilitando la adopción y ejecución de los algoritmos de machine learning para resolver 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.

Cognodata, firma de consultoría internacional especializada en Customer Science, ha identificado diez aplicaciones de machine learning con impacto real en el negocio:

1. 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.

2. Motores de recomendación: el uso de machine learning 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.

3. Fraude y seguridad: 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.

4. 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.

5. Real-time Analytics: con el objetivo de 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.

6. Optimización de la inversión en comunicación: para determinar qué campañas, medios, mensajes y ofertas han tenido un mayor impacto, se establecen modelos que determinarán la relación entre las tipologías de campañas y el retorno obtenido, teniendo en cuenta factores externos (competencia, calendario), tendencias y estacionalidades intrínsecas al negocio, con lo que se determina el efecto real de la campaña.

7. Motores de búsqueda: con el fin de refinar los resultados que se obtienen al realizar búsquedas, se utiliza la información que se obtiene al recuperar los clics de los usuarios en los enlaces que se les ofrece, para cambiar la ordenación de los mismos en búsquedas posteriores.

8. Fuga y Cross-selling: con el objetivo de estimar y adelantarnos a cualquier evento clave en el ciclo de vida de un cliente, obteniendo modelos que personalizan los productos en función de su probabilidad de contratación y la estimación de vida de cada producto; incluyendo información externa de redes sociales para completar el perfil de cliente, e inferir la información que falta con la búsqueda de gemelos; establecer redes de relacionamiento bancario para inferir comunidades de usuarios, líderes, seguidores, etc. que permitan el refinamiento del score de riesgo, búsqueda de nuevos clientes, etc.

9. Segmentación de clientes: para inferir comportamiento de clientes similares, 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. De nuevo, la información de redes sociales permite afinar los segmentos finales y las acciones comerciales.

10. Demanda de energía: para estimar el consumo energético y 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.

Algunos de los principios empleados por los algoritmos de machine learning tienen décadas de historia, pero, con la irrupción de nuevas técnicas de modelación adaptadas y asociadas al gran aumento en la capacidad de computación de los ordenadores, muchos problemas de negocio clásicos puedan ser tratados con una solución, que gracias a sus características de aprendizaje y rendimiento, es mucho más eficiente en términos de acierto que las desarrolladas hasta ahora”, ha declarado Óscar del Ama Esteban, Chief Analytics Officer de Cognodata.

¿Qué te ha parecido este artículo?

La tua opinione è importante per noi!

C
Redacción Computing

Artículos relacionados

Artículo 1 de 3