Skip to main content

Lo que NO hacen los algoritmos…

Se han creado muchas expectativas entorno al Machine Learning, tantas que incluso algunos hemos empezado a llamarle Magic Learning pero ¿qué tienen de especial estos algoritmos y cómo podemos utilizarlos correctamente en el sector retail para aumentar las ventas?

 

¿Qué hace el Machine Learning?

Cada día, al tener más información accesible podemos afinar más a la hora de personalizar una oferta, ofrecer el descuento óptimo para cada cliente, o simplemente informar a los clientes realmente interesados. Esto nos permite no malgastar recursos, dinero y energía en clientes que no abren emails, en clientes que nunca comprarán determinado producto o incluso evitar ofrecer descuentos a clientes que ya comprarían sin estos.

Estos algoritmos nos ayudan a encontrar las relaciones complejas entre las variables para poder determinar qué ofrecer a cada cliente en cada momento, a quién dirigir una campaña determinada, o cómo fidelizar a un cliente que está a punto de abandonar sin compra.

Es verdad que con conocimiento de negocio y algunas reglas básicas podemos crear acciones que den buenos resultados, pero estos algoritmos de aprendizaje automático nos permiten evaluar muchas más opciones y encontrar relaciones entre variables difíciles de detectar sin ellos.

Otra característica de estos algoritmos es que se pueden ir reentrenando en función de los nuevos datos, de manera que van evolucionando y ajustando sus predicciones conforme van siendo usados. Esto nos permite ir adaptando los modelos a los pequeños cambios que el negocio pueda sufrir.

 

¿Qué NO hace el Machine Learning?

Los algoritmos aprenden de acciones pasadas, es por eso por lo que hay que tener en cuenta que la gestión que se haya realizado en el pasado condicionará los resultados hoy, a la hora de actuar tendremos que tener en cuenta el sesgo que esto puede producir. Plantear algoritmos que inicialmente no tengan en cuenta todas las acciones pasadas o que nos permitan validar hipótesis y probar cosas nuevas para poder enriquecerlos es la mejor opción si no se quiere seguir con el mismo tipo de gestión.

Estos algoritmos tampoco proponen acciones “de la nada”, estas acciones a realizar se tienen que decidir desde el departamento de marketing por lo que tanto el tipo de acciones a realizar como la cantidad de variaciones y opciones que se puedan ofrecer vendrán determinadas por esa estrategia. Los algoritmos nos dirán a quién y cuándo aplicar esa acción, pero la acción a aplicar la define la estrategia de marketing de la compañía.

Por otro lado, los algoritmos no trabajarán con toda la información imaginable sino con toda la disponible y accesible, por lo que sus decisiones estarán basadas en la información que se incluya y que se determine que pueda tener relevancia, es verdad que los algoritmos nos pueden determinar esa importancia y qué esa importancia se irá reevaluando periódicamente, pero no podrán evaluar lo que no se “introduzca”.

Es por eso por lo que es necesario introducir en los algoritmos la información que se crea que pueda ser importante en función del conocimiento de negocio, no hay que olvidar esa información nueva que no se haya evaluado y que nos puede dar matices o precisiones a los que no podríamos llegar sólo con nuestro conocimiento actual.

 

¿Como aplicar correctamente el Machine Learning?

Para empezar a implementar modelos, lo más importante es tener claro qué se quiere conseguir con ellos, por lo que hay que tener una estrategia de marketing, y definir las acciones a realizar. Tener un buen catálogo de acciones y objetivos de negocio claros ayuda a determinar qué modelos hay que realizar para optimizar cada una de las acciones. No hace falta pensar que se van a realizar todos los modelos de golpe ni tener objetivos totalmente cerrados, ya que es mejor plantear estos proyectos por fases, tener una visión de dónde se quiere llegar es muy útil para ir marcando los objetivos parciales.

Una vez fijados los objetivos, es importante valorar los distintos modelos a realizar, en términos de la dificultad y el retorno de la inversión esperado. Entendemos por dificultad del modelo, la evaluación tanto del coste de implementación, la creación y la obtención de datos como el tiempo que se tardaría en implementarlo y por retorno de la inversión no sólo el retorno monetario sino la cantidad de información y conocimiento de negocio que nos puede aportar cada modelo.

A partir de esta valoración se determinará por qué modelo empezar y las distintas fases del proyecto global. Empezar por los más fáciles de implementar y que aporten más know-how, aunque no sean los de más retorno de la inversión monetaria, garantiza poder poner en marcha el sistema cuanto antes y obtener los primeros resultados para valorar si se esta yendo por buen camino.

Por otro lado, hay que empezar con la información disponible y fácil de obtener, la mayoría de las empresas no empiezan por falta de algún tipo de información que parece que puede ser muy relevante, pero en la mayoría de los casos ya se pueden poner en marcha modelos perfectamente válidos con información muy básica e ir posteriormente mejorando la precisión añadiendo nuevos datos. En la mayoría de los sectores la información perfecta o completa no existe por lo que si se espera tenerla para arrancar probablemente no se arrancará nunca.

Una vez se ponen en producción los modelos, la evaluación y análisis de estos algoritmos nos tiene que resultar útil no sólo para mejorar las ventas o la fidelización sino para aprender cómo están funcionando y adaptar las decisiones, acciones y campañas de marketing a esos resultados.

Definir e implementar un sistema de medición de los resultados nos resultará imprescindible para ir adaptando los modelos y las acciones. Es decir, es importante ver cómo los algoritmos van evolucionando para poder adaptar las acciones a lo que realmente está sucediendo. A partir de aquí la acción a realizar ya depende de los objetivos de negocio.

 

Cualquier empresa puede aprovechar el valor de los datos en la toma de decisiones mediante algoritmos de Machine Learning, el éxito para que funcionen es empezar con modelos poco costosos y que nos proporcionen mucho conocimiento, no perderse en detalles y medir bien los objetivos.

 

× ¿Cómo puedo ayudarte?