Si la inteligencia artificial (IA) se define en las decisiones tomadas por las máquinas, el machine learning es el proceso mediante el cual la computadora va aprendiendo para poder tomar esas decisiones. Esto incluye, a gran escala, la recogida de datos, el análisis de variables y la obtención de resultados. Esta tecnología puede ser aplicable a cualquier negocio, pero al ser relativamente reciente, no abundan los profesionales capaces de llevarla a cabo, esto es, de programar algoritmos que hagan ese análisis de los datos. Son recursos humanos de alto valor y eso hace que por ahora los proyectos de IA no estén ‘democratizados’ para cualquier empresa y que lo habitual para contratar un proveedor adecuado sea recurrir a plataformas especializadas en transformación digital
Esta tecnología puede ser aplicable a cualquier negocio, pero al ser relativamente reciente, no abundan los profesionales capaces de llevarla a cabo
Integrando estas tecnologías se puede reducir hasta un 55% los fallos críticos de las máquinas, hasta un 45% los costes de mantenimiento y aumentar hasta un 35% el rendimiento y producción. Los proyectos de machine learning más habituales y que más se demandan son, según Yeeply, el marketplace de transformación digital:
1. Experiencia de usuario. Son habituales en cualquier negocio de contenidos y ocio y tienen en común un algoritmo que se va nutriendo en función de cómo actúa el usuario (qué ve, qué no ve, el comportamiento del scroll…). Un ejemplo es el catálogo de sugerencias de plataformas como Netflix, que no es común para todos los usuarios, o redes sociales como Facebook. También los medios de comunicación, en Estados Unidos principalmente, han entendido la importancia de mostrar contenido segmentado para cada usuario y aprender más sobre los gustos de sus lectores para servirles información a la carta.
2. Automatización de procesos internos. Cuanto más grande sea la empresa, más procesos podrá automatizar. El sector que más suele demandar este tipo de proyectos es el industrial, y especialmente en España la logística y la distribución. Un ejemplo común sería el mantenimiento predictivo, esto es, monitorizar el uso de maquinaria y recopilar datos para, según unos modelos de desgaste, poder anticiparse a fallos y optimizar cuándo se requiere mantenimiento. Esto se puede aplicar a la producción, al rendimiento energético…
3. Lead Scoring. Son los marketplace y los e-commerce los negocios que habitualmente incorporan este tipo de proyectos de inteligencia artificial y machine learning. Se trata de un algoritmo que tiene en cuenta una serie de parámetros de los diferentes clientes potenciales que llegan para ordenarlos por prioridad y que los agentes comerciales trabajen de una manera más eficaz. Por ejemplificarlo, Yeeply ha llevado a cabo un desarrollo de este tipo en su plataforma que ha permitido reducir el número de acciones manuales verificar si un contacto comercial es realmente una oportunidad de venta.
4. Control de datos en tiempo real. Sin datos es imposible aplicar decisiones ni comparar resultados para que la máquina vaya ‘aprendiendo’. En esta fase se elaboran los sistemas de historización y almacenamiento de dicha información. Si interviene maquinaria física, puede ser necesario instalar dispositivos que faciliten la recopilación de datos si la máquina de por sí no los envía. En estos casos cobra especial importancia una monitorización en tiempo real. Por ejemplo, si optamos por monitorizar máquinas refrigeradoras para anticiparnos a un posible fallo y no tramitamos en tiempo real los datos es posible que la alerta salte cuando ya se haya roto la cadena de frío y el daño sea irreversible. Un control de datos en tiempo real puede permitir al programa tomar una decisión que impida ese error.
5. Producción Inteligente. Con estos proyectos se logra identificar nuevos modelos, tendencias y estacionalidades que permiten a las empresas adelantarse a futuras ventas y cubrir las necesidades del stock. Por poner un ejemplo, intuir y formular modelos predictivos de cuáles serán los productos más demandados en campañas como Navidad o Black Friday, gracias a la monitorización de palabras clave en Redes Sociales y menciones a productos concretos. Además, seremos capaces de generar motores de recomendación que permitan personalizar ofertas de clientes basadas por ejemplo en su ubicación o en su histórico de compras. Saber cómo se van a comportar nuestros clientes nos ayuda a evitar problemas de stock o poder realizar campañas de marketing para aumentar la demanda. En definitiva, se trata de alcanzar un mayor conocimiento del cliente que permita agruparlos para poder ofrecer una oferta dirigida a cada segmento y así focalizar los esfuerzos.Dentro de este tipo de proyectos encontramos algunos más enfocados al marketing y a los precios dinámicos. Es posible predecir los ingresos que en el futuro nos va a aportar cada cliente. Esto permite personalizar las acciones de marketing y atención al cliente. El Machine Learning también es aplicable a la política de precios a través de los importes dinámicos, aquellos que cambian en función de la oferta y la demanda en cada momento, comunes en el sector hotelera y en las aerolíneas, y que cada vez más están incorporando otros negocios como el retail.
