BUSINESS CASES

Hace tal vez un par de años cuando las personas se preguntaban qué es un Business Case, contestaban: “una herramienta que te ayuda a evaluar y presentar el impacto financiero de tomar una u otra decisión”, sin embargo creemos que la definición de Business Case va más allá de eso. Nos gusta definirlo como:

­

“La comunicación simple y concreta del análisis de una propuesta, misma que me permite contar con los elementos necesarios para tomar una decisión sin la necesidad de depender de la persona que lo elaboró”

Netflix decidió producir la serie House of Cards como consecuencia de las conclusiones de un sistema de inteligencia artificial.

Google cartografía ciudades enteras leyendo información de fotografías.

En Stanford se ha desarrollado una máquina basada en el sistema de aprendizaje automático que mira fotos de tejidos de enfermos de cáncer y obtiene más precisión que los patólogos humanos.

En China se ha desarrollado un sistema que traduce en tiempo real de inglés a chino imitando la voz del hablante.

Un ingeniero de Google ha creado un algoritmo que crea poemas que más del 65% de los encuestados cree que han sido creados por un humano.

AirBNB ha optimizado una técnica para interpretar la información de los comentarios de los usuarios y tomar decisiones en base a ellas.

Einstein dijo: ||La lógica te llevará de A o B; la imaginación te llevará donde quieras||.

En Alemania un programa de deep learning ha ganado a los humanos en un concurso de reconocimiento visual de señales.

Reinforcement Learning. Pruebas Dinámicas de Precios y Promociones

Learning Thought Experience nos permite conseguir el precio más prometedor para cada producto. Estas técnicas permiten al cliente descubrir el precio adecuado para un producto en diferentes mercados o segmentos de clientes.

Cuando añadimos un nuevo producto a nuestro catálogo, encontrar el precio adecuado es clave para maximizar los ingresos de la compañía. Estas técnicas nos permiten encontrar ese precio óptimo.

Reinforcement Learning aplica la tecnología más avanzada para proporcionar soporte a las decisiones del negocio. Estas técnicas son usadas en robótica; basándose en un modelo y en una situación el sistema es capaz de encontrar la siguiente acción óptima.

  1. Optimización de servicios. Cómo puedo vender un conjunto de acciones en los diferentes mercados para evitar que bajen.
  2. Protocolos médicos. Basándome en mi modelo y los datos históricos, ¿es mi protocolo actual el más eficiente?
  3. Optimización industrial. Cómo puedo organizar mi fábrica para optimizar el uso de los recursos Soporte a las decisiones. El sistema evalúa todas las opciones y propone la óptima.

Reglas de asociación – Análisis de Cestas de la Compra

El principal objetivo de esta familia de algoritmos es encontrar relaciones entre los elementos de un conjunto de transacciones, y descubrir umbrales de soporte para las reglas encontradas.

  • Retail: determinar qué productos son comprados frecuentemente juntos, bajo distintas perspectivas (por ejemplo, el clásico pañales y cerveza).
  • Optimización web: ¿por qué mostrar los productos por familia cuando sabemos que probablemente el usuario esté interesado en comprar algo concreto?
  • Promociones: optimiza el beneficio de la promociones mediante el análisis de productos que se compran de manera conjunta, ayudando a descubrir el catálogo de productos.
  • Optimiza la organización física de la tienda para incrementar las ventas.
  • Utiliza los datos para realizar mejores predicciones de consumo basándonos en la demanda cruzada.

Segmentación

La segmentación es una actividad clave por sí misma y tiene el objetivo de segmentar a los clientes, productos, análisis de redes sociales… y es la entrada clave para la ejecución de muchos modelos predictivos de aprendizaje automático.

  • Marketing: segmentar a los clientes, para identificar los clientes objetivos de una campaña de marketing, con el objetivo de incrementar la eficiencia de la campaña de marketing.
  • Estrategia: segmentar a los clientes conforme al ciclo de vida para entender el siguiente paso de cada uno de ellos.
  • Estrategia: identificar a los clientes que son los primeros compradores de cada producto, lo que permite saber optimizar la investigación de mercado y enfocar las campañas.
  • Operaciones: agrupar los servidores que trabajan de manera conjunta para reducir el tráfico de red entre ellos, mejorando el rendimiento y optimizando la infraestructura de comunicaciones.

Modelos Predictivos

La gran diferencia entre al Buisness Intelligence tradicional y la analítica avanzada es que a esta última le preguntamos qué va a pasar, mientras que el BI tradicional se basa en analizar qué ha pasado.

Podemos, por lo tanto, anticipar el futuro contestando a preguntas como éstas:

  • ¿Cuáles serán mis ventas el próximo mes?
  • ¿Cómo puedo mejorar mi Click Through Rate?
  • ¿Estará un cliente interesado en este servicio?
  • ¿Cuál es el precio adecuado para este producto?
  • ¿Cuántos clientes aceptaran potencialmente esta campaña?
  • ¿Se irá un cliente?
  • ¿Comprará un cliente este producto?
  • Esta transacción, ¿es fraude?
  • ¿Tendré este problema (modelo de riesgos)?

Sistemas de Recomendación

Son técnicas para filtrar información y presentar distintos tipos de temas o ítems de información que son del interés de un usuario en particular. Generalmente, un sistema recomendador compara el perfil del usuario con algunas características de referencia y busca predecir la ponderación que el usuario le daría a un ítem que aún el sistema no ha considerado. Esta predicción puede basarse en el comportamiento histórico del usuario o de usuarios similares, en la relación o acercamiento del usuario con el tema, en el ambiente social del usuario, en criterios geográficos…

Algunos ejemplos podrían ser:

  • Colaborativos Usuario – Usuario: basados en la actividad de usuarios similares. Si un usuario similar a mí ha comprado los artículos X, Y y Z, probablemente yo esté interesados en ellos.
  • Reglas de asociación: si has comprado una cama necesitarás sábanas
  • Basados en Modelos (SVD, Factores, Machine Learning). Es el siguiente nivel, aplicando técnicas matemáticas avanzadas y aprendizaje automático para mejorar la precisión y la capacidad.
  • Colaborativos Producto – Producto: basados en la actividad de los productos similares. Si los productos X, Y, Z son similares, si tengo interés por X, probablemente me interesen también Y, Z.
  • Basados en contexto: si compras una camisa de la marca X posiblemente te interesen más artículos de la marca; si has visto una camisa blanca de botones probablemente te interese una camisa de estilo similar.

Suelen implementarse varios modelos.

  • Recomendaciones por reglas de negocio, promociones
  • Recomendaciones basadas en datos de navegación
  • Recomendaciones basada en artículos más comprados
  • Recomendaciones basadas en la actividad actual del site
  • Recomendaciones basadas en filtros colaborativos. Normalmente Producto-Producto
  • Recomendaciones basadas en modelos

Machine Learning / Deep Learning

El informático John McCarthy definió en 1956 la inteligencia artificial (IA) como la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes. En general, podemos decir que el campo de la IA estudia el diseño y creación de sistemas capaces de resolver problemas utilizando como paradigma la inteligencia humana.

El término Aprendizaje Automático (o Machine Learning en inglés) se refiere a una rama de la inteligencia artificial que se ocupa de desarrollar técnicas para que las máquinas aprendan a partir de experiencias pasadas. El modelo aprende de los datos y sirve bien para clasificar o predecir, o bien para conocer alguna característica de los datos que antes no conocíamos.

Estas técnicas tienen multitud de aplicaciones en el mundo empresarial:

  • Reconocimiento de Voz. Podemos migrar nuestros complejos sistemas de reconocimiento de voz basados en sistemas en cascada por esta tecnología.
  • Sistemas de recomendación. Si tenemos muchos datos, las redes neuronales son mucho más eficaces.
  • Reconocimiento de imágenes. Encuentra las fotos en Internet que contienen tus productos.
  • Clasificación de imágenes.
  • Publicidad y CTR. Si tenemos muchos datos, las redes neuronales son mucho más eficaces.

Reconocimiento de patrones. El siguiente nivel para muchos de nuestros modelos predictivos.

Web como Fuente de Datos

Bench-Marking de productos y precios.

  • Identificación de productos objetivo
  • Identificación de las diferentes fuentes y del modelo de información
  • Desarrollo y agregación de la información

Recuperación de información anonimizada de medios públicos y web e incorporar la información en los modelos de la compañía

Recuperación de información anonimizada de redes sociales y foros e incorporar la información en los modelos de la compañía

Reputación en la web y análisis del sentimiento. ¿Qué opinan o dicen de tú empresa, servicio o producto en la red?

Identificación de las fuentes de interés para la compañía. Identificación del mecanismo de matching de lenguaje natural a concepto, análisis de texto y creación de métricas.

Con la proliferación de críticas, calificaciones, recomendaciones y otras formas de expresión en línea.

Medida del nivel de ‘engagement’ de los usuarios en las comunidades online (evolución del lenguaje de la comunidad Vs el de los usuarios).