top of page
Machine Learning Aplicado
Machine Learning o Aprendizaje Automático es un método del análisis de datos, componente de la Inteligencia Artificial, que busca crear sistemas que aprenden de los datos. Tal como un niño pequeño aprende a caminar sin instrucciones, aplicando ciertas técnicas o algoritmos podemos construir modelos que nos permitan, predecir el comportamiento de variables, tales como las ventas a partir de la data histórica de clientes de una empresa.
También se puede utilizar para agrupar datos, tales como segmentación de clientes, proveedores, si el que solicita un préstamo es de los que pagan o no, si una medicina es efectiva o no, por ejemplo.
Otro uso muy común es el de convertir datos no estructurados como imágenes o textos, en data estructurada para aplicar todas las técnicas de análisis anteriores. Esto es útil para casos como análisis de sentimientos (Sentiment Analysis) para evaluar satisfacción del cliente u opiniones desde textos libres, además de casos de reconocimiento de voz o reconocimiento de imágenes.
Anchor 1: ML
Hoy en día contamos con tecnología que nos permite construir modelos de este tipo sin necesariamente conocer toda la complejidad matemática que esto conlleva. Lo que ya es de uso común por parte de las grandes empresas como Amazon, Tencent o Google, puede ser utilizado en nuestro país, mercados u organizaciones a cualquier escala.
Así, en Estratek hacemos uso de estos algoritmos y buscamos la aplicación práctica para obtener resultados concretos como: proyecciones financieras, segmentación de clientes, análisis social y estudios de opinión, detección de fraudes, análisis de créditos, entre muchos otros. En fin, nos permite dar un paso adelante en el análisis de datos y apoyo en la toma de decisiones, pasando de lo meramente descriptivo a lo predictivo y prescriptivo.
Veamos algunos ejemplos.
Predecir
A través de técnicas de regresión múltiple es posible determinar fórmulas que predigan el valor de variables a partir de los datos existentes, muy útil para cualquier tipo de proyecciones. Esto puede servir tanto para cantidades continuas (ventas, unidades, dosis en mg., inversión, etc.), como también de categorías (apto para crédito, no apto).
También es posible utilizar algoritmos como el de los
árboles de decisión, que en sí nos permiten con los mismos atributos de los datos, llegar a resultados como identificar si el elemento evaluado pertenece a un grupo de interés o no.
Esto puede ser muy útil por ejemplo para identificar a qué cliente se le ofrece qué producto, con máxima probabilidad de aceptación. Además es muy utilizado dado que se puede traducir en reglas de negocio de fácil implementación.
La predicción es uno de los usos más frecuentes y con más aplicaciones prácticas.
Agrupar / Segmentar
En otras ocasiones lo que se busca es conseguir clasificar de alguna manera los datos, de tal manera que queden en grupos que sean diferenciados unos de otros, pero que los elementos sean lo más homogéneos posibles dentro del mismo.
Esto puede ser de mucho valor para detectar verdaderos segmentos entre los gustos de los clientes, por ejemplo, y así saber cómo diseñar estrategias adaptadas a cada tipo. Identificar transacciones fraudulentas de las que no lo son, por mencionar otro caso.
Algoritmos de aprendizaje no supervisado como K-medias o Clusters Jerárquicos son los apropiados para obtener los mejores resultados.
Datos No Estructurados
No todos los datos vienen de forma estructurada, es decir, en formato de tablas (filas y columnas). En el mundo de hoy la mayor parte del contenido se está generando como texto libre, imágenes, audio y video.
El procesar el texto, que se consigue en redes sociales, blogs, noticias, requiere de técnicas de Procesamiento de Lenguaje Natural, que se enfocan en transformar ideas expresadas con palabras a data estructurada, a la cual poder aplicarle los otros algoritmos desarrollados.
De esta manera, podemos saber si un comentario en una red social es positivo o negativo, aun si viene en otro idioma. Así, también se pueden detectar los "tonos" de una conversación o identificar y clasificar el tema del que se escribe. Es lo que hace la Wikipedia para poder clasificar tantos artículos, por ejemplo.
En el mundo de las empresas y los organismos públicos, esto puede tener mucho valor, para procesar por ejemplo opiniones sobre ciertos tópicos, de satisfacción del cliente o gestión, incluso en algunos casos han sustituido a las encuestas tradicionales.
Las técnicas que utilizamos son las llamadas de Minería de Texto, Sentiment Analysis, Bolsa de Palabras, entre otras.
También trabajamos ampliamente con tecnologías de Web Scraping con la que podemos extraer contenido y datos de sitios web, enriqueciendo de esta forma las posibles entradas de datos actualizados para cualquier modelo.
Reducir Dimensiones
En algunos contextos, la cantidad de variables que se dispone para predecir, clasificar o agrupar unos datos puede ser tan grande que se haga difícil de analizar o visualizar.
Para esto utilizamos técnicas de Análisis de Componentes Principales (PCA), que en pocas palabras reducen la cantidad de dimensiones, o factores que forman parte del modelo, dejando sólo aquéllos que son claves para describir su comportamiento.
Las aplicaciones de esto son muy diversas. Empresas como las de telecomunicaciones llevan una cantidad inmensa de información sobre cada registro de llamadas que hacen sus usuarios: datos personales, hora del día, tipo de dispositivo, etc. Se requiere de simplificar la cantidad de variables para poder predecir por ejemplo, qué clientes pueden cambiarse de operador o qué tipo de promoción puede ser más atractiva. También los supermercados y tiendas online mantienen gran cantidad de información sobre sus productos, proveedores y clientes, pero sólo con unas pocas dimensiones que determina este algoritmo, es posible modelar y visualizar lo que allí ocurre.
¿Comenzamos?
Si quieres iniciar un proyecto o simplemente saber más sobre nuestras soluciones y cómo trabajamos, vamos a concertar una cita, presencial o virtual para aclarar todos los detalles.
Por favor indícanos brevemente tu área de interés o planteamiento y estableceremos contacto para presentar opciones de acuerdo a tus necesidades particulares.
bottom of page