_________________________________________________________________________________
EL APRENDIZAJE DE MAQUINA Y APRENDIZAJE PROFUNDO COMO APOYO A LA ESTRATEGIA EMPRESARIAL.
Julián Alberto Uribe Gómez
Docente Facultad De Ciencias Economicas Y Administrativas
El aprendizaje de maquina (ML siglas de Machine Learning) y el aprendizaje profundo (DL siglas de Deep Learning) están actualmente tomando mucha fuerza en todos los campos empresariales, ha trascendido de los circulos académicos a los circulos productivos de modo divergente.
Uno de los ejercicios más recurrentes y comunes para el desarrollo de aplicaciones en ML tiene que ver con su utilización en ventas. Ahora ¿Cómo se utiliza el ML y el DL en procesos de CRM? Primero, se debe crear un conjunto de datos etiquetado de registros de ventas de clientes, que incluya las ventas ascendentes, las cuales son cuando se persuade a un cliente, a comprar más del mismo tipo de producto por ejemplo un telefono celular identico al que inicialmente compro solo que con más memoria. Se pueden incluir las ventas cruzadas, entendidas como persuadir a un cliente para que compre más productos de los que había pensado originalmente, es decir comprar un telefono e intentar que pueda llevar otro por ejemplo a la mitad del precio, tambien se pueden incluir las ventas pospuestas y retiradas de transacciones. Estos datos iniciales deben complementados y correlacionados con otros datos como la edad, el género, la ocupación, la región donde viven y dónde trabajan y otra información relevante para el proceso de negocio.
Ahora, al estudiar cómo el ML puede ayudar a mejorar el crecimiento de las ventas, se puede decir que, este es útil para mejorar:
· La precisión predictiva en ventas y abandono del mercado.
· Las estrategias de propensión de las ventas ascendentes, cruzadas y omnicanal, optimizandolas.
· El tiempo del ciclo de ventas que se logra a través de una correcta implementación del ML.
· Cuando se detecta un error de cálculo, la corrección del algoritmo de ML y el análisis de los datos se rehacen en segundos.
· La puntuación de satisfacción del cliente se mejora.
· Aumenta la precisión del pronóstico de la demanda.
· Se generan datos sintéticos a través de la extrapolación y la proyección de los datos existentes.
El ML requiere de plataformas robustas de analisis y almacenamiento, por lo tanto, los servicios basados en la nube deben hacer parte de la estrategia del negocio. Estos servicios se pueden comprar a pedido en cualquier sitio especializado de manera asequible, tambien las arquitecturas y plataformas de ML se apoyan en estos mismos sistemas. Por lo tanto, poder tener almacenamiento en línea y capacidades de computación basados en la nube, que incluyan Software, Plataforma e Infraestructura como Servicios, realmente pueden ayudar en la estrategia empresarial.
Debido a la cantidad masiva de datos generada en la empresa, se hace necesario contar con un motor de datos que recopile esta información, la almacene y extraiga los principales parámetros clave, junto con la información estadística, y úsarlo junto con un motor de ML y DL para capacitar al sistema, de modo que se pueda encontrar exactamente información relevante y util, para luego predecir y pronosticar, utilizando este conocimiento para configurar una nueva estrategia empresarial.
Para utilizar el ML como estrategia de negocio se debe cumplir una serie de pasos procedimentales listados a continuación:
1. En la primera etapa, conocida como etapa de “preparación”, se debe estudiar la cartera de la empresa y las características, que incluyen la cartera de ventas regional y nacional, la cartera de ventas internacionales, los objetivos comerciales, los productos o servicios y su dominio, y la estrategia relacionada a cada uno. Luego, se debe estudiar las características del cliente. Toda esta información inicial de orientación puede ser analizada a traves de la matriz DOFA construida para la empresa, que incluye las fortalezas, oportunidades, debilidades y amenazas.
2. En la segunda etapa, se procede con el modelo de estrategia empresarial, que debe tener en cuenta:
2.1. Construir un modelo de aprendizaje automático: Donde se deben seleccionar cuidadosamente las variables de interés o parámetros clave X e Y. Tambien recopilar los datos relacionados con estos parámetros y utiliza finalmente el ML para averiguar la relación entre ellos.
2.2. Verificar el modelo de ML y los resultados iniciales: Vuelve a revisar el modelo de aprendizaje automático con expertos en la herramienta y con los dueños del negocio.
2.3. Comparar los resultados del análisis de datos de ML con los datos existentes de la compañía, para volver a confirmar la validez de los resultados del aprendizaje.
2.4. Verificar nuevamente si los datos recopilados relacionados con los parámetros de interés fueron suficientes para el análisis estadístico. Es decir, verificar el nivel de precisión, confiabilidad y estabilidad.
2.5. Verificar los resultados del análisis de datos con otros expertos. Ahora, se debe incluir la verificación con otros expertos, ya que, la inclusión de variables y la complejidad del sistema requiere diferentes puntos de vista y análisis. Si no lo hace de la manera correcta, los datos pueden estar sesgados de manera tal que, los resultados presentaran sesgos. Por lo tanto, siempre se debe verificar el conjunto de datos, los parámetros que se estan utilizando, y también el algoritmo de ML. Posteriormente verifícarlo con otros expertos. Luego cuando salen los resultados, verificar los resultados con datos anteriores.
3. En la tercera etapa se construye la estrategia de negocio. Donde se identifica donde existe el valor en la empresa. Se debe Identificar qué es único y difícil de copiar para otras empresas. Tambien se debe buscar nuevas formas de agregar valor a la empresa. Luego, se debe verificar un nuevo modelo de negocio a medida que se implementa y activa en la empresa. Posterior a eso, así como en el ajedrez, una vez que la empresa haga su nuevo movimiento, otras empresas realizarán movimientos de contraataque, lo que resultará en factores que no se consideraron en el análisis de datos original de ML. Entonces, se deben iterar nuevamente los análisis antes hechos, en otras palabras, se deberan verificar constantemente los cambios del mercado y las empresas competidoras. Finalmente, realizar modificaciones en las variables de interes X y Y o incluir otros parámetros en los conjuntos de datos correspondientes. Es un proceso de iterar el proceso una y otra vez para volver a confirmar si la estrategia es correcta, entrando en un bucle continuo de mejoramiento y buenas prácticas para la empresa en apoyo de las nuevas tecnologías.
Referencias bibliográficas
Ambati, S. (2015). Deep learning: a brief guide for practical problem solvers.
Ayoub, K., & Payne, K. (2015). Strategy in the age of artificial intelligence. Journal of Strategic Studies, 39(5–6), 793–819. https://doi.org/https://doi.org/10.1080/01402390.2015.1088838
Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Seliya, N., Wald, R., & Muharemagic, E. (2015). Deep learning applications and challenges in big data analytics.
Power, B. (2015). Artificial Intelligence is almost ready for business.
Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing Journal, 38, 788–804. https://doi.org/10.1016/j.asoc.2015.09.040
No hay comentarios.:
Publicar un comentario