NOTICIAS

Sobre las aplicaciones de Inteligencia Artificial en los Negocios

imagen_noticia

En el mundo de la Big Data y la transformación digital, cada vez es mayor el número de empresas que busca en la Ciencia de Datos soluciones y herramientas para mantener y generar ventajas competitivas. Las empresas se han dado cuenta que sus bases de datos no solo sirven para llevar un registro contable de lo ocurrido, sino también que son una fuente de información valiosa respecto de sus trabajadores, clientes, competidores y proveedores. Más aún, cuando aquellos patrones son relativamente estables y confiables, les permiten anticiparse a lo que ocurrirá, dándoles la oportunidad de mejorar su toma de decisiones, optimizando sus estrategias para el futuro.
 
Para que estos nuevos procesos de Inteligencia Empresarial ocurran se requiere no solo de bases de datos históricas ricas en eventos y registros del pasado, sino además de herramientas que permitan de manera eficiente encontrar y validar patrones, y que estos puedan ser transformados en modelos predictivos que se integren y conversen a todo nivel con los procesos de negocios. Este grupo de herramientas incluye el Aprendizaje de Maquinas (Machine Learning), el cual es una rama de la Inteligencia Artificial. 
 
Por ejemplo, una empresa podría buscar patrones de similitud en base a las transacciones de sus clientes, permitiéndole encontrar grupos similares que serán objeto de estrategias de marketing personalizadas. Además, se podría complementar dicho análisis con algoritmos de búsqueda de asociaciones y co-ocurrencias. Estos revisarían la data en búsqueda de "patrones interesantes" que probablemente pasarían desapercibidos para un humano, dada la gran combinatoria de escenarios a analizar.
 
Algoritmos así se ocupan diariamente en sistemas automatizados de recomendación, los que hacen sugerencias del tipo: "Dado que llevas el perfume X, te recomendamos las zapatillas Z". De la misma forma, es posible encontrar secuencias de eventos interesantes: "Dado que pasó A, es probable que ahora ocurra B o C", patrones que pueden ser utilizados para generar estímulos que favorezcan la recompra, la fidelización, o la liquidación de inventarios, o "Dado que compraste puertas y ventanas, te ofrecemos un descuento si vuelves antes de una semana a comprar pintura de puertas y ventanas". 
 
Luego, en la medida que estos patrones sean recurrentes, es posible utilizar algoritmos de Machine Learning para generar modelos predictivos. Así es posible realizar modelos predictivos de infinidad de eventos, variables y situaciones que sean de utilidad para la empresa. Algunas de las aplicaciones más típicas en el área de finanzas incluyen la predicción de fraude, impago, tasas de interés, y retornos accionarios; en el área de marketing la predicción de fuga de clientes, recompra, y respuesta positiva a campañas, en el área de gestión de personas la predicción de fuga de talentos, potencial de liderazgo, y ambiente laboral; en el área operaciones predicciones de demanda, inventarios, atraso o prontitud de entrega, etc.
 
Hoy, los algoritmos nos permiten encontrar patrones en data en formato numérico, pero, además, ya han cruzado la barrera de la data "estructurada" a la "no estructurada". En este último grupo se incluyen, el análisis automatizado de textos que nos permite determinar la cantidad de sentimiento en positivo o negativo en un tweet o noticia, encontrar el punto de servicio problemático mencionado por un cliente en un reclamo, nominar a la persona clave que logró salvar un problema reportado a través de WhatsApp. También se incluye el análisis automatizado de imágenes y videos, el cual nos permite leer patentes, identificar personas (incluso cuando no están mirando a la cámara), identificar productos en una góndola, etc. 
 
Los modelos predictivos actuales pueden utilizar ambas fuentes de datos para mejorar sus niveles de acierto, y ya existen, por ejemplo, aplicaciones de predicción de fuga de clientes que no tan solo analizan el comportamiento transaccional y características sociodemográficas, sino también la data de reclamos e interacciones recibida a través de los diferentes canales de comunicación con los clientes. La próxima vez que navegue o compre por internet, converse por WhatsApp, suba una foto a facebook, entregue su Rut o tarjeta de puntos en la tienda, o baje una aplicación de celular y acepte las condiciones de uso sin leerlas detalladamente, recuerde: su data estará alimentando estos y muchos otros modelos similares.
 
Fuente: http://impresa.elmercurio.com/Pages/NewsDetail.aspx?dt=28-12-2017%200:00:00&NewsID=539985&dtB=28-12-2017%200:00:00&BodyID=1&PaginaId=10

La Universidad de Chile propone mejorar los sesgos generados hacia las mujeres en el mundo laboral

Es necesario fortalecer y transferir herramientas conceptuales sobre el impacto que generan las diferencias de género en el trabajo. El pasado 09 de Agosto. El Observatorio de Gest...

Profesor David Díaz converso en CNN Internacional sobre "Data Transfer Proyect"

El Data Transfer Project, ¿quién será dueño de la información?   Las gigantes tecnológicas lanzan un nuevo plan para permitir a sus usuarios t...

Todos los Derechos © 2014 | Departamento de Administración - Facultad de Economía y Negocios - Universidad de Chile - Diagonal Paraguay 257, torre 26, oficina 1101, piso 11, Santiago, Chile.