El CEO de RockingData y experto en inteligencia artificial, Fredi Vivas, explica cómo usar el machine learning para que tu negocio sepa lo que va a pasar y aproveche al máximo sus datos.

Fredi Vivas no le teme a la inteligencia artificial, sino todo lo contrario. “Va a ser un copiloto nuestro, como un asistente”, dice el especialista en Big Data. En la Experiencia Endeavor Cuyo, Vivas explica cómo se puede usar la IA para potenciar un negocio y aprovechar sus herramientas para analizar la enorme cantidad de datos que una empresa genera.

“La ciencia de datos tiene una visión de futuro. Predice lo que puede pasar más adelante”, explica. Por eso es que todas las empresas líderes del mundo usan la ciencia de datos, aún cuando no sea 100% acertada. “Es mucho mejor tener una predicción que no funcione a no tener ningún tipo de predicción, porque vos podés ir ajustándola: cuanto más meses tenés, más datos”, agrega Vivas.  

Para Vivas, el futuro es con machine learning. Netflix lo usa para recomendar películas a cada usuario, no solo según sus gustos sino también por sus actores favoritos. En este sentido, el CEO de RockingData explica que cada película tiene tres o más portadas con distintos actores, y las muestra a cada usuario según sus gustos. Así, logra fidelizar un cliente, potenciar su algoritmo y mejorar su imagen de marca.

Cómo diseñar un modelo de machine learning para tu empresa

1. Fijar un objetivo: ¿qué fenómeno concreto queremos predecir, optimizar o segmentar? Por ejemplo, predecir la posibilidad de que un cliente entre en mora y no me pague.
2. Fijar el universo de análisis: ¿qué características lo distinguen? No es lo mismo hablar de identificar “los clientes que pueden dejar de comprar” a “los clientes activos en los últimos seis meses que compraron un ticket promedio y ahora pueden dejar de comprar”. El universo de análisis nunca es todo, hay que cerrarlo lo máximo posible.
3. Accionar los resultados: ¿qué decisiones esperamos tomar? Usar los resultados de nuestras acciones para analizar cómo encarar el modelo de negocio. Si, por ejemplo, los clientes son más receptivos por mail y por WhatsApp, puedo pasar a plataformas de mailing. Pero primero hay que entender el problema y con quiénes se está interactuando antes de saltar a lo macro.
4. Definir el caso de negocio: ¿cuándo se va a recuperar la inversión en el proyecto que se quiere encarar? Sirve para saber desde dónde empezar 
5. Analizar qué fuentes de datos están disponibles y cuáles se apunta a tener: ventas, redes sociales, web scraping… Son fuentes diversas que pueden servir para entender un negocio.
6. Delimitar si hay un indicador de baseline o situación actual: si no existe, ¿cuál sería? A partir de las preguntas, se pueden generar KPIs para medir la situación actual y cómo se está mejorando. Lo que no se mide no se mejora, así que los datos sirven para medir y para mejorar. 

Cómo resolver problemas de negocio con datos 

“El futuro de las organizaciones viene por acá. Todas las empresas del mundo van a querer conversar con nosotros, y nosotros vamos a querer conversar con las empresas”, explica Vivas. Por eso, detalla cómo resolver un problema a partir de los datos que genera un negocio y, así, establecer una mejor conversación con clientes.

• Pensar cuál es el problema a resolver: analizar los desafíos. ¿Necesitás vender más? ¿Querés aumentar el promedio? ¿Se van los clientes? ¿Qué les ofrezco para que se queden? ¿Y qué les ofrezco a los que ya compraron?

• Elegir qué modelo aplicar. Existen 9 modelos de de machine learning más usados 

• Pensar qué datos se necesitan: “Pueden ser las ventas, donde están esos clientes, qué me compraron clientes antes, quién es el vendedor, que les va a vender, si hay un competidor cerca… Todos los datos que yo pueda tener los puedo incorporar para hacer modelos más precisos”, explica Vivas.

• Cuál va a ser el accionable: qué voy a hacer con esta información nueva que tengo. 

• Hacerme preguntas: hay dos tipos de preguntas que podemos hacer:

• Preguntas que miran el pasado: los datos son tan buenos como las preguntas que les hacemos. ¿La baja se repitió en el mismo mes de años pasados? ¿La baja se concentra en un producto específico? ¿La baja se concentra en un tipo de cliente o zona geográfica? ¿Mis competidores sufrieron la misma baja? No es “bajó la venta del producto”. Eso es quedarse muy en lo superficial. Si no se pueden contestar, entonces entra un nuevo desafío: desarrollar ciertas herramientas, conocimientos y habilidades de datos para poder responderlas.

• Preguntas que miran el futuro: son las preguntas predictivas, permiten aprender de los datos para predecir el futuro. ¿Cómo van a evolucionar las ventas en los próximos seis meses a nivel de mes? ¿Cuánto vamos a vender de este producto el mes que viene? ¿Cómo van a evolucionar las ventas en el próximo mes a nivel de día? ¿Cuánto voy a vender?  
• Prueba y error: hacer el test A-B, que implica hacer pruebas para ver los diferentes resultados. “Es decir ‘voy a hacer una promoción en este lugar y voy a hacer esto otro y acá no voy a hacer nada, lo dejo de grupo de control’. A partir de eso, veo cómo evolucionan y al mes siguiente lo evalúo para ver en qué invertir. Así se trabaja con los datos. Se trabaja iterativamente: vas evolucionándolos”, ejemplifica Vivas.