La entrada Mejora tus Decisiones Empresariales con Analítica Predictiva se publicó primero en Analitika.
]]>En la era digital, las empresas generan enormes cantidades de datos a diario. Sin embargo, el análisis de datos a gran escala puede ser abrumador y llevar mucho tiempo. Es aquí donde entra en juego la analítica predictiva. El análisis predictivo se define como una forma de análisis estadístico que se encarga de obtener información nueva o histórica y utilizarla para predecir patrones de comportamiento.
La analítica predictiva es una herramienta que utiliza técnicas estadísticas y algoritmos para analizar grandes cantidades de datos y predecir resultados futuros. Esta herramienta es muy útil para las empresas porque les permite tomar decisiones informadas basadas en datos precisos.
Los datos se pueden clasificar en diferentes categorías, como datos estructurados, semiestructurados y no estructurados. La analítica predictiva utiliza estos datos para identificar patrones y tendencias que pueden ayudar a predecir resultados futuros.
1. Definir el objetivo del análisis.
2. Recopilar los datos necesarios para el análisis.
3. Limpiar y preparar los datos para el análisis.
4. Elegir el modelo analítico más adecuado.
5. Entrenar el modelo con los datos.
6. Evaluar el modelo y ajustarlo según sea necesario.
7. Implementar el modelo para predecir resultados futuros.
La analítica predictiva tiene muchos beneficios para las empresas, como:
• Mejora la precisión en la toma de decisiones.
• Reduce los riesgos asociados con las decisiones empresariales.
• Ayuda a identificar oportunidades de crecimiento y mejora.
• Permite a las empresas adaptarse más rápidamente a los cambios del mercado.
• Mejora la eficiencia en los procesos empresariales.
La analítica predictiva se puede utilizar en muchas áreas empresariales, como:
• Marketing: ayuda a las empresas a identificar patrones de comportamiento del consumidor , calcular el churn rate, clv, a predecir la efectividad de las campañas de marketing entre otros.
• Finanzas: Permite predecir riesgos financieros e identificar oportunidades de inversión.
• Recursos humanos: Nos deja identificar a los candidatos más adecuados para un trabajo y mejorar la retención de los mismos.
Manufactura: Identifica fallos en los procesos de producción y mejora la calidad de los productos.
• Minería de datos: Esta herramienta se utiliza para buscar patrones y relaciones en los datos.
• Modelos estadísticos: Estos modelos se usan para analizar y predecir el comportamiento futuro de los datos.
• Machine learning: Se utiliza para desarrollar modelos predictivos que puedan aprender y mejorar con el tiempo.
• Big data: Se utiliza para procesar grandes cantidades de datos de manera eficiente.
1. Define el objetivo: Antes de comenzar, es importante tener claro qué es lo que quieres lograr con la analítica predictiva.
2. Identifica los datos necesarios: Debes identificar los datos que necesitas para llevar a cabo el análisis.
3. Limpia y prepara los datos: Es necesario limpiar y preparar los datos antes de utilizarlos para el análisis.
4. Elige la herramienta adecuada: Existen diversas herramientas para llevar a cabo el análisis. Debes elegir la que mejor se adapte a tus necesidades.
5. Entrena el modelo: Una vez elegida la herramienta, debes entrenar el modelo con los datos.
6. Evalúa el modelo: Debes evaluar el modelo para asegurarte de que sea preciso y fiable.
7. Implementa el modelo: Finalmente, debes implementar el modelo en tu empresa para comenzar a tomar decisiones basadas en datos precisos.
Preguntan nuestros clientes: ¿Qué diferencias hay entre la analítica predictiva y la analítica descriptiva?
Respuesta: La analítica descriptiva se utiliza para describir lo que ha sucedido en el pasado, mientras que la analítica predictiva se utiliza para predecir lo que sucederá en el futuro.
Preguntan nuestros clientes: ¿La analítica predictiva es costosa?
Respuesta: El costo de la analítica predictiva varía según la empresa y el tipo de análisis que se quiera realizar. Sin embargo, muchas herramientas de analítica predictiva son cada vez más accesibles y fáciles de usar.
Ejemplo: Desarrollaremos una predicción rápida en python. Usaremos la base del Titanic.csv, una dataset muy tradicional cuando se inicia en la ciencia de datos, es utilizada en todos los ambientes de ciencia de datos, trataremos hacer el video super rápido, el objetivo de este video es que veas códigos y como interactúan en un ambiente generando un algoritmo de clasificación.
Supongamos que nos toca predecir quien vivirá y quien sobrevivirá en el Titanic, para ello contamos con una base de datos de 891 pasajeros, con las siguientes variables:
PassengerId, Pclass, Name, Sex, Age, SibSp, Parch, Ticket, Fare, Cabin, Embarked
Se decide utilizar la analítica predictiva para identificar : “Fallecido y Sobrevivientes”
La entrada Mejora tus Decisiones Empresariales con Analítica Predictiva se publicó primero en Analitika.
]]>La entrada Machine learning – Aprendizaje automático se publicó primero en Analitika.
]]>¿Qué es el Machine Learning-Aprendizaje Automático y algunos beneficios que pueden obtener las empresas?
El ‘machine learning’ conocido como – ‘aprendizaje automático’ – es la capacidad de las máquinas para aprender a partir de los datos. Es una rama de la inteligencia artificial que ha tomado auge en los últimos 20 años mejorando el desempeño en las empresas. Básicamente, se refiere a la creación y a la programación de modelos matemáticos, compuestos por algoritmos de aprendizaje automático, para “enseñarle” a las computadoras a identificar patrones y a crear posibles escenarios con suposiciones coherentes, basado en grandes volúmenes de datos previamente analizados por las mismas, con la finalidad de generar contenido de valor o nueva información.
Es muy importante conocer, diferenciar y apreciar similitudes en los conceptos de Data Mining & Machine Learning:
Data Mining: es la exploración y análisis, por medios automáticos o semiautomáticos, de grandes cantidades de datos con el propósito de descubrir patrones y reglas interesantes. (Berry & Linoff, s/f)
Machine learning: estudia cómo las computadoras pueden aprender o mejorar su desempeño, basándose en datos existentes. (Han, Kamber & Pei, 2011)
Es decir, el Data Mining nos ayuda a identificar patrones ocultos en grandes bases de datos, mientras el Machine Learning con su aprendizaje constante nos ayuda a realizar predicciones e inferencias sobre acontecimientos futuros. Ambos agilizan el dragado de los Data Lake que acopian las empresas y que hemos observado por mucho tiempo permanecer estáticos o inaprovechables, en el mejor de los casos solo meses y en el peor por muchos años. Estos lagos de datos que se generan deben tener un tratamiento adecuado para evitar se conviertan en Data Swamp o Pantano de Datos, es decir, un desperdicio de recursos, diamante en bruto sin extraer y procesar.
¿Cuáles son los diferentes tipos de Machine Learning?
Dentro de los modelos de Machine Learning encontramos tres tipos principales:
Aprendizaje Supervisado
Es un algoritmo que consiste en una variable dependiente (label) o variable objetivo (target) para realizar una predicción dado un conjunto de variables de entrada o predictoras. Generalmente, se debe responder una pregunta que contiene el objetivo que se desea conocer: por ejemplo, ¿Qué grupo de clientes podrían comprar nuestros productos o servicios? El objetivo es comprar. Usando dicho conjunto de variables de entrada, se crea una función que agrupa los aportes correspondientes con la respuesta deseada y un margen de error tolerable, debido a que ningún modelo es perfecto. El proceso de entrenamiento de este algoritmo es constante hasta lograr un nivel deseado de precisión con los datos usados en el entrenamiento. Las técnicas de modelado utilizadas en el aprendizaje supervisado son: regresión lineal, regresión logística, árboles de regresión, árboles de clasificación, KNN, deep learning/neural networks, naive bayes, etc.
Podemos agregar respecto al aprendizaje supervisado, este se divide en dos tipos: de predicción y de clasificación. En el tipo de predicción, la variable a pronosticar es continua o numérica, mientras que en la de clasificación, la variable a pronosticar es nominal o categórica.
Aprendizaje Sin Supervisión
No existe la variable objetivo (target) o de resultado en este algoritmo (variable dependiente o label). En cambio, se utiliza para agrupar poblaciones en diferentes categorías. Por ejemplo: se aplica para segmentar clientes en diferentes grupos objetivo. La pregunta que debemos responder sería ¿Podemos encontrar nuevos grupos de clientes? Es decir, sería posible determinar mediante un proceso de clusterización, nuevos segmentos o nichos de mercado. Algunas técnicas de modelado utilizadas en el aprendizaje no supervisado son: regresión lineal y logística, los árboles de decisión, las redes neuronales y K-NN (k -nearest neighbor), etc.
Aprendizaje reforzado
Al usar este algoritmo, las computadoras estarían listas para tomar decisiones especificas en un entorno de prueba y error. La máquina aprende de experiencias pasadas e intenta capturar el mejor conocimiento para tomar decisiones cada vez más precisas (Deep Learning y las redes neuronales). Este tipo de aprendizaje se da cuando nuestra variable objetivo es una secuencia de acciones que serán ejecutadas en un entorno de simulación con el objetivo que se deba realizar una determinada tarea por la cual un agente es recompensado o penalizado si la tarea es correcta o incorrecta. Un ejemplo son los vehículos de Tesla para reconocer y diferenciar objetos de las personas en las calles y hacer las diferentes maniobras de forma automática.
¿Cómo se pueden obtener en las empresas los beneficios que brinda el Machine Learning?
Las técnicas de modelamiento y el uso de este tipo de tecnologías están presentes en muchos productos y servicios que utilizamos en la vida cotidiana, desde las recomendaciones de Netflix, las músicas de Spotify, respuestas inteligentes de Gmail, ChatBot empresariales, conversaciones con Siri y Alexa, las búsquedas en Google, su cada vez más eficiente traductor de idiomas, Amazon con las recomendaciones de productos más vendidos, etc.
Sin duda, el Machine Learning es indiscutiblemente una herramienta muy poderosa para crear ventaja competitiva en las empresas en esta era, puesto que les da un valor añadido al transformarlas en opciones más confiables ante los ojos de sus clientes.
Podemos mencionar algunos casos de Éxito con el Machine Learning:
Amazon
El servicio al cliente de cada empresa es uno de los aspectos más importantes que se debe cuidar y maximizar la calidad y eficiencia, ya que sencillamente de este depende la calidad de su imagen (branding), su posición entre la competencia (market share) y por consiguiente, hasta su sostenibilidad y rentabilidad en el tiempo. Muchas empresas como Amazon ya han invertido e implementado aplicaciones de Machine Learning en sus procesos de la cadena valor con el fin de ofrecer la mayor eficiencia en su servicio al cliente.
Por ejemplo, Amazon utiliza Machine Learning (Inteligencia Artificial) para establecer la diferencia en la experiencia de compra de sus clientes: en las tiendas Amazon Go (versión de tienda física), el cliente durante la compra recibe el beneficio de optimizar su tiempo en la tienda, nunca tienen que lidiar con las filas de las cajas registradoras debido a que todos los artículos que se ponen en la bolsa física de compras son automáticamente reconocidos al instante de ser retirados de las repisas o estanterías. Los algoritmos de Machine Learning facilitan que cada artículo retirado por el cliente sea paralelamente escaneado al carro virtual y se genere la factura asociada a las tarjetas de crédito/débito registrada previamente en la aplicación del Smartphone del cliente. Amazon tiene un portal web, donde se lleva un historial de compras del cliente y durante el mismo proceso de aprendizaje del algoritmo, aprende a reconocer los patrones de compra de cada cliente, al final, con los datos de compra se va creando un sistema de recomendación que sugieren las futuras compras de: los mismos productos, productos complementarios o relacionados, productos que compran algunas personas del mismo segmento de mercado y que pueden ser del interés del cliente
Thyssenkrupp
Como parte de la incorporación de la Inteligencia Artificial en particular el Machine Learning, Thyssenkrupp Norte SA (grupo tecnológico líder absoluto en el mercado de las escaleras mecánicas y elevadores) realizó el proyecto IALift (número de expediente IDE/2018/000322), en el cual, participaron los científicos de datos en la mejora continua acerca del tiempo de servicio en los ascensores. El objetivo del proyecto era reducir los tiempos de espera para los/as usuarios/as de los ascensores. Para ello, los científicos hicieron un análisis de los datos de funcionamiento de varios elevadores apoyándose en la herramienta de BigML. Es notable destacar, que la preparación de los datos obtenidos de los data lake puede llevar entre el 80- 90% del tiempo para preparar el modelo. Normalmente estos modelos constan de tres pasos, estos son:
Los data scientists (científicos de datos) lanzaron diferentes algoritmos hasta lograr un modelo capaz de predecir con una probabilidad muy elevada cuál será el siguiente piso en el que se accione el ascensor. Este desarrollo permitió no solo añadir nuevas funcionalidades a los productos de ThyssenKrupp, sino mejorar el servicio que la empresa ofrece y reducir el impacto económico y medioambiental en sus instalaciones gracias a la optimización en el consumo energético de los ascensores.
Empresas en General
Hoy en día el control de los clientes que ingresan y se marchan son de mucha importancia, los costos son entre 7-9 veces superiores adquirir un cliente nuevo vs retener uno ya existente. Por eso, resulta importante conocer qué clientes están pensando en darse de baja (Churn) en los productos y servicios para iniciar acciones comerciales estratégicas que eviten que se vayan a la competencia. La pregunta que la empresa debe hacerse sería: ¿Cómo puedo saberlo? Las empresas mantienen muchos datos de los clientes en su poder (cantidad, antigüedad, planes contratados, consumo diario, reclamos y sugerencias, nivel de ingresos, geolocalización, gustos y preferencias, ocio, nivel de educación, cantidad de hijos, etc.) pero seguramente los utiliza solo para facturar y generar algunos estudios básicos internos, por ejemplo: para reabastecerse de inventarios, hacer el estado de resultado del período, balance de situación y quizás una meta en porcentaje de ventas del próximo año. ¿Qué otras luces podrían darnos estos datos, que están ocultas para nuestros ojos?
Los datos modelados (modelos de ciencias de datos y machine learning) son útiles para descubrir y predecir cuándo un cliente va a dejar de hacer negocios con nosotros y gestionar oportunamente un plan de acción que lo evite. El Machine Learning nos permite anticipar, mejorar y resolver la experiencia de compra de los clientes en nuestra empresa, nos permite dejar de ser reactivos frente a la conducta de los clientes para ser proactivos, brindando un servicio y atención personalizada
Es un hecho, que la cantidad de datos históricos de los clientes debidamente extraídos de los data lake o warehouse, tratados y organizados generan una base de datos (información valiosa) que se puede explotar para predecir futuros comportamientos de los clientes y el mercado, favorecer aquellos que mejoran los objetivos de negocio y evitar aquellos que son perjudiciales, por ejemplo: pérdidas de ventas potenciales por falta de productos o servicios y el sobre stock de aquellos que se estimaron de alta rotación y en realidad no fue así.
Para concluir, podemos destacar que existen muchos ejemplos de éxito utilizando los modelos de machine learning, el máximo potencial está en los soportes técnicos y servicio de atención al cliente, sobre todo hoy los clientes se encuentran en el espacio digital, interconectados, con presencia omnicanal, reduciéndose los costos para cambiar con facilidad de proveedores de productos y servicios.
Lo que estamos viviendo hoy en día, ya se hacían las proyecciones a futuro. Por ejemplo: Gartner predecía para el 2021 que el 15% de las interacciones que se realicen en el servicio al cliente serían manejadas por inteligencia artificial, optimizando recursos humanos y alcanzando un mayor rendimiento de los agentes de atención (ChatBot atendería simultáneamente a muchos clientes con gestiones rutinarias, mientras los agentes lo harían en temas de mayor complejidad y personalización). Por otro lado, las empresas que ya utilizan la IA tienen grandes expectativas respecto de las posibilidades que brinda esta tecnología. Según MIT Technology Review, alrededor del 50% de las empresas que ya utilizan sistemas con machine learning espera tener más visión, mientras que el 40% espera poder mejorar sus productos a partir de los análisis de datos.
Muchas empresas manejan bases de datos muy complejas y extensas que, por lo general, resultan convirtiéndose en un arma de doble filo, es decir, deja en evidencia que el negocio se está expandiendo, pero esto también afecta la calidad del servicio al cliente, por lo inmanejable de la gran cantidad de datos. Por consiguiente, el Machine Learning les facilita a las empresas mantener un nivel de servicio eficiente, trayendo consigo la satisfacción excepcional del cliente y como saldo final el logro de los objetivos estratégicos de la empresa, fortaleciendo y gozando de excelente imagen ante su mercado meta, sociedad y país.
José Dávila, Nicaragua
#MachineLearning #AprendizajeAutomatico #DataMining #IA #AprendizajeSupervisadoNoSupervisado
La entrada Machine learning – Aprendizaje automático se publicó primero en Analitika.
]]>