Ante el explosivo crecimiento de datos en la actual era digital -conjunto más conocido como Big Data-, uno de los desafíos clave para los nuevos modelos de negocios es el desarrollo de infraestructuras tecnológicas con la capacidad de crear valor a partir de ellos. Este es uno de los objetivos del Machine Learning.
“Gran parte de las plataformas que utilizamos todos a diario están dando un uso constante al Machine Learning -indica Sebastián Ojeda, CEO de Beetrack–, por ejemplo, Google Search, los filtros de spam de Gmail, las recomendaciones de películas o series de Netflix o los feeds de Facebook”.
En términos simples, Machine Learning significa la habilidad de las máquinas de aprender sin ser explí- citamente programadas. Algoritmos o series de órdenes que pueden entregar hallazgos o conclusiones relevantes obtenidas a partir de un conjunto de datos, sin que el ser humano tenga que escribir instrucciones específicas para ello.
El matemático Peter Donnelly, Profesor de Ciencias Estadísticas de la Universidad de Oxford, lo explica: “En cierto sentido, la programación tradicional intenta predecir lo que pueda pasar y dar a la máquina una serie de instrucciones para lidiar con esas eventualidades. Lo diferente del Machine Learning es que en sus algoritmos el programador no le dice a la máquina cómo resolver el problema, le dice cómo aprender por sí misma su propia solución al problema. De alguna manera, se trata de aprender a partir de ejemplos”.
Para ello, se busca que repliquen ciertos procesos cognitivos del ser humano, dando forma a modelos con la capacidad de generalizar información para realizar predicciones. Los ingredientes claves en todo este sistema son los datos, en un esquema en que mientras más información se proporcione a la máquina, mejor serán sus hallazgos.
Algoritmos al servicio del cliente
Dado que el Machine Learning es un sistema basado en el procesamiento y análisis de datos de los que se extraen conclusiones, se puede aplicar a cualquier campo que cuente con bases de datos lo suficientemente amplias, como el cuidado de la salud, la seguridad personal o el flujo de autos autónomos, por dar un ejemplo.
“En el caso del e-commerce, su principal uso está en su tremendo potencial para entregar una mejor experiencia de consumo, personalizando las interacciones con el cliente en base al uso estratégico de los datos proporcionados”, explica Sebastián Ojeda.
Cada día más, los clientes están demandando una experiencia más personalizada. En efecto, un estudio realizado este año por la compañía Janrain, experta en relacionamiento con clientes (CRM), reveló que el 73% de los consumidores se declaró cansado de verse expuesto a contenidos irrelevantes.
¿Qué se puede lograr?
A través del Machine Learning, por ejemplo, se pueden mejorar los resultados de los motores de búsqueda cada vez que un cliente compra en un sitio web, teniendo en cuenta las preferencias personales y el historial de compras. En lugar de utilizar mé- todos de búsqueda tradicionales, como la concordancia de palabras clave, el Machine Learning puede generar una clasificación de búsqueda específica basada en la relevancia para ese usuario en particular.
“Asimismo, el retail puede reducir problemas de servicio al cliente incluso antes de que ocurran. Como resultado, las tasas de abandono del carro de compras bajan y las ventas aumentan. Además, a diferencia de los humanos, las máquinas pueden proporcionar atención y soluciones imparciales en todo momento, por ejemplo, a través de un chatbot”, agrega.
Por otro lado, las empresas de retail pueden dejar a la tecnología la tarea de optimizar las predicciones de oferta y demanda para su cadena de suministros. Con información más amplia y precisa, pueden tomar decisiones respaldadas por datos que en última instancia conducen a mejores productos y servicios.
La relevancia de la seguridad
Otra potencial aplicación se relaciona con la incorporación de precios dinámicos. Básicamente, esto puede significar simplemente aumentar los precios cuando la demanda es alta y disminuirlos cuando la demanda es baja. Pero hay muchas otras variables que también se pueden usar para estimar los precios óptimos, como los precios de los competidores, la hora del día, el stock o la temporada, por ejemplo.
Del mismo modo, el Machine Learning puede ser una potente herramienta en la protección contra el fraude electró- nico. “Mientras más datos se tengan, mayor será la capacidad de detectar anomalías en una transacción. De esta manera, se puede utilizar para identificar patrones y aprender qué es normal y qué no para anticiparse a una estafa”, indica el CEO de Beetrack. “Cada día resulta más evidente que el Machine Learning ha abierto una amplia gama de opciones para el negocio del e-commerce. Sin embargo, esta herramienta implica también una gran responsabilidad, principalmente respecto al uso de datos con altos estándares de seguridad, porque garantizar la privacidad de nuestros clientes, ganar su confianza y lograr su satisfacción está en el centro de nuestra estrategia de negocios”, concluye.
