Cómo las principales empresas utilizan el aprendizaje automático

En el último año, la manía del aprendizaje automático se ha extendido por el mundo de los negocios. Según Arthur Samuel, el científico informático que acuñó el término hace medio siglo, el aprendizaje automático se define como el subcampo de la informática que emplea grandes conjuntos de datos y algoritmos de entrenamiento para "dar a las computadoras la capacidad de aprender sin ser programadas explícitamente".

Muchos ejecutivos tienen la sensación intuitiva de que el aprendizaje automático demostrará ser un cambio de paradigma tan importante como Internet y la computadora personal. Una encuesta reciente realizada por PwC indicó que el 30% de los líderes empresariales creían que la IA sería la mayor interrupción para su industria dentro de cinco años. Solo en 2016, más de $ 5 mil millones de fondos de riesgo inundaron las nuevas empresas de aprendizaje automático. El McKinsey Global Institute señala que el aprendizaje automático tiene "una amplia aplicabilidad en muchas actividades laborales comunes", incluido el reconocimiento de patrones, la generación y comprensión del lenguaje natural y la optimización de procesos.

Por qué es importante ahora el aprendizaje automático

El entusiasmo reciente está impulsado por tres desarrollos clave, que han reducido la barrera de entrada para las organizaciones de todos los sectores y etapas que desean aplicar el aprendizaje automático:

• Más datos y almacenamiento más económico: el auge de las herramientas basadas en la nube y la caída en picado del costo de almacenar datos a través de servicios como Amazon Redshift significa que las aplicaciones críticas para el negocio generan y almacenan más datos que nunca.
• Bibliotecas de código abierto: las bibliotecas de aprendizaje automático ampliamente disponibles, como TensorFlow y scikit-learn de Google, hacen que los algoritmos de vanguardia sean más accesibles para una audiencia más amplia de científicos de datos e ingenieros de software generalistas.
• Mayor potencia: el desarrollo de plataformas basadas en la nube y hardware personalizado optimizado para el aprendizaje automático significa que estas aplicaciones pueden ejecutarse más rápido y a menor costo, lo que aumenta su idoneidad para una variedad de necesidades comerciales.

En resumen, existe evidencia convincente para invertir en aprendizaje automático. Pero, ¿cómo utilizan realmente las organizaciones esta tecnología? ¿De qué manera se implementa el aprendizaje automático hoy para ayudar a las empresas a crear valor, reducir costos e impulsar el ROI?

En este artículo, compartimos estudios de casos que ilustran cómo las empresas de todos los tamaños emplean el aprendizaje automático para abordar cinco casos comerciales clave: adquisición de usuarios, atención al cliente, previsión, prevención de fraudes y gestión de personas.

1. Adquisición de usuarios

A grandes rasgos, el embudo de adquisición de clientes para un consumidor o negocio empresarial típico tiene tres etapas: segmentar su base de clientes para comprender y abordar sus necesidades, atraerlos con el mensaje adecuado en el momento adecuado y convertirlos en usuarios de su producto.

El aprendizaje automático ha tenido un amplio uso por parte de nuevas empresas y grandes corporaciones por igual en todo el embudo de adquisición de usuarios. Amazon es un ejemplo clave aquí: en su carta de 2017 a los accionistas, el director ejecutivo Jeff Bezos comentó sobre las formas en que el aprendizaje automático contribuye a la experiencia de Amazon.com "debajo de la superficie" al potenciar las recomendaciones de productos y ofertas basadas en las preferencias del usuario. Pero segmentar a los usuarios y mostrarles productos relevantes es solo el primer paso: muchos minoristas utilizan el aprendizaje automático para ajustar la marca, el texto y los precios promocionales sobre la marcha para maximizar la probabilidad de una venta para un cliente determinado.

En el frente empresarial, Salesforce lanzó recientemente Einstein, un producto que examina los datos de CRM para proporcionar recomendaciones personalizadas para aumentar la posibilidad de que un cliente potencial en particular se convierta en un argumento de venta, llegando incluso a sugerir el momento adecuado para enviar un correo electrónico.

2. Atención al cliente

Por supuesto, adquirir clientes es solo el primer paso. Ya sea para el comercio electrónico o la empresa, retener a los usuarios y limitar la rotación requiere brindar una atención al cliente oportuna y efectiva.

Docenas de marcas ahora utilizan el aprendizaje automático para mejorar la experiencia de atención al cliente. Por ejemplo, el supermercado brasileño Ocado usó las API de aprendizaje automático de Google para crear un sistema personalizado que mide el sentimiento de las consultas de atención al cliente y mueve las respuestas negativas a la parte superior de la señal de atención. El resultado es que Ocado responde a los mensajes urgentes cuatro veces más rápido, creando una valiosa oportunidad para recuperar clientes con alto riesgo de convertirse en detractores.

Más recientemente, los "bots" conversacionales ahora están evaluando las solicitudes de soporte sin la ayuda de un operador humano, utilizando un lenguaje natural impulsado por una máquina para brindar una primera respuesta que pueda cumplir con las solicitudes de rutina, como la emisión de etiquetas de devolución. Además de reducir los costos de soporte hasta en un 30 %, los chatbots pueden aumentar la satisfacción del cliente al responder más rápido, y el alcance de sus capacidades aumentará a medida que mejoren sus habilidades de comprensión. Con un asombroso 44% de consumidores estadounidenses que prefieren interactuar con chatbots en lugar de humanos, las empresas orientadas al consumidor que invierten en aprendizaje automático tendrán una gran ventaja.

3. Pronóstico

En el back office, una amplia variedad de organizaciones están comenzando a utilizar el aprendizaje automático para crear modelos de pronóstico más sólidos, granulares y precisos.

En 2016, Walmart realizó una competencia en la plataforma de reclutamiento de ciencia de datos Kaggle, y pidió a los solicitantes que usaran datos históricos de 45 tiendas para construir un modelo que pronosticara las ventas por departamento para cada tienda. El gigante de seguros AIG ha reunido un equipo de ciencia de datos de 125 personas para construir modelos de aprendizaje automático, con el objetivo de mejorar la capacidad de la compañía para anticipar reclamos y predecir resultados.

Incluso el conglomerado global de anteojos Luxottica utiliza el aprendizaje automático para pronosticar la demanda: agrega 2000 estilos nuevos a su colección cada año y utiliza el aprendizaje automático y los datos de lanzamientos anteriores para predecir el rendimiento de las ventas.

4. Seguridad y Detección de Fraude

En 2016, el fraude le costó al minorista de comercio electrónico promedio más del 7% de los ingresos totales. Los salarios de los empleados de gestión de fraudes, las devoluciones de cargo y las transacciones legítimas que se niegan debido a falsos positivos contribuyen a este gasto.

El aprendizaje automático está comenzando a demostrar su potencial como una herramienta poderosa para monitorear de manera inteligente millones de transacciones en tiempo real, reduciendo el desperdicio por fraude. PayPal es líder en este campo: ha utilizado herramientas de código abierto y su gran cantidad de datos de transacciones para construir un motor de inteligencia artificial desde cero, con el objetivo principal de reducir la cantidad de falsas alarmas producidas por sus modelos de fraude más antiguos.

Los humanos todavía están al día para entrenar el modelo y resolver las ambigüedades, pero el resultado inicial ha sido asombroso: desde que implementó su nuevo modelo, PayPal ha reducido su tasa de falsos positivos a la mitad. Para las empresas que buscan una solución de guante blanco, las nuevas empresas como Sift Science pueden consumir los datos de una empresa y aplicar señales de fraude de toda su red de clientes empresariales, lo que garantiza que las últimas técnicas de los estafadores se detecten rápidamente.

5. Gestión de Personas

Contratar, administrar y retener personas de alta calidad es la raíz de todas las competencias comerciales. Una de las partes más onerosas de la contratación es filtrar cientos o miles de currículos para armar una lista corta para las entrevistas; más de la mitad de los reclutadores dicen que esta es la parte más difícil de su trabajo. Este problema está siendo abordado por nuevas empresas como Restless Bandit, que crea un sistema de gestión de candidatos utilizado por empresas como Adidas y Macy's para filtrar currículos en función de las decisiones que los gerentes de contratación han tomado en el pasado.

Fundamentalmente, estos algoritmos se pueden entrenar para ignorar los sesgos humanos inconscientes e incluso señalar el lenguaje sesgado en las descripciones de los puestos, lo que significa que el aprendizaje automático tiene el potencial de identificar candidatos diversos y de alto rendimiento que los reclutadores humanos pueden pasar por alto en un primer paso. En el frente de la retención, el aprendizaje automático puede aumentar la tutoría de los grandes gerentes y ayudar a los empleados a desempeñarse mejor al generar consejos de carrera específicos e imparciales, basados ​​en empleados anteriores con perfiles similares.

Con un asombroso 44% de consumidores estadounidenses que prefieren interactuar con chatbots en lugar de humanos, las empresas orientadas al consumidor que invierten en aprendizaje automático tendrán una gran ventaja.

El impacto del aprendizaje automático crecerá

En este artículo, hemos revisado algunas de las formas más importantes en que el aprendizaje automático puede crear valor directo e inmediato para una variedad de organizaciones. Sería un error ver el aprendizaje automático como una especie de panacea corporativa; en última instancia, el rendimiento de un sistema de aprendizaje automático es tan bueno como los datos en los que se entrena, y las decisiones clave de una empresa a menudo son "casos extremos" que requieren una medida de juicio humano y experiencia anecdótica para evaluar.

En lugar de quedar deslumbrados por el potencial abstracto del aprendizaje automático, los ejecutivos deberían abordar la cuestión de invertir en esta tecnología haciendo un balance de los principales desafíos de su negocio y comparándolos con la capacidad clave del aprendizaje automático: extraer sentido y significado de una tonelada de datos. . Dada la diversidad de estudios de casos anteriores, las probabilidades de que las técnicas de aprendizaje automático puedan ayudar pueden ser mayores de lo que espera.