El aprendizaje automático o aprendizaje de máquinas (machine learning) se basa en la recolección y análisis sistemático de datos para desarrollar un modelo predictivo. Se define como una subdisciplina de la Inteligencia Artificial que tiene como principal objetivo descubrir comportamientos y establecer patrones o correlaciones para un fenómeno determinado.
En la actualidad, esta rama se nutre de diferentes áreas tales como la estadística, la probabilidad, investigaciones profundas de datos y recuperación de información para reconocer patrones dentro de procesos matemáticos, de ingeniería y física (entre otros) necesarios para su buen desempeño.
Ante un mundo cada vez más complejo, con mayores interacciones entre usuarios y sistemas y mayor cantidad de información, las técnicas de machine learning son cada vez más relevantes, pues nos ayudan a generalizar cómo están relacionadas las distintas variables en un proceso y, por consiguiente, a reducir el margen de error en la estimación de un resultado.
Estas herramientas pueden aplicarse a aquellas áreas donde se genera una gran cantidad de datos y, sobre todo, en donde existan actividades o comportamientos repetitivos que puedan optimizarse a través de técnicas algorítmicas. Es útil en el mundo de las finanzas, la producción e incluso la agricultura, ya que ayuda a determinar vías de mejora en cuestión de reducción de costos, aumento en las ventas, análisis del cliente y maximización de márgenes.
En la actualidad, 44% de los consumidores en Estados Unidos prefieren interactuar más con chatbots que con los humanos en lo relacionado con compras en línea.
Los representantes del Servicio al Cliente pueden intervenir para manejar las tareas más complicadas con los consumidores y en paralelo, los algoritmos seguirán aprendiendo y sabrán qué hacer la siguiente vez que encuentren un cliente difícil.
El machine learning está ayudando a mejorar la lealtad y la retención de los clientes. Además, mediante este proceso las empresas pueden analizar los comportamientos de los consumidores tales como: transacciones bancarias, actividades de compra, prácticas en redes sociales y todo tipo de actividades medibles para identificar áreas de oportunidad, lo cual permitirá la optimización de estrategias (Ej. next best action marketing) y la personalización de la experiencia del cliente.
Dentro de los procesos del machine learning existen elementos que todavía cuentan con áreas de oportunidad. Sin embargo, también se han encontrado diversas alternativas para mitigar los posibles riesgos. Uno de ellos, es que entre más datos se tengan para generar un modelo, más ruido puede existir en su análisis. Por otro lado, si la información es de mala calidad, es decir, si sufre algún tipo de modificación o concentra datos erróneos provenientes de la fuente, es muy probable que el resultado predictivo sea incorrecto.
Finalmente, la privacidad de los datos también puede convertirse en un problema, ya que el sistema puede analizar información considerada como “oculta o privada” de las personas.
Es importante tener en cuenta que mientras más robusto sea el diseño de datos, las posibilidades de que haya un modelo predictivo mal formulado son menores. A diferencia de lo que pasaba hace 20 o 30 años, en la actualidad, las empresas son capaces de contar con datos más estructurados, ya que se apoyan en sistemas automatizados cada vez más accesibles.
Es crucial entender qué es y cuál es la función del machine learning, para después detectar los problemas que podrían ser resueltos por esta herramienta. A partir de ello, se podrían implementar estrategias de mejora continua mediante el análisis de los resultados obtenidos.
Profesor del área de Dirección de Operaciones
de IPADE Business School
