¿Sabes si el Machine Learning es la solución para tu empresa?

Noé Fernández

14 febrero 2019

190214 machlearn wp 1 1

Las técnicas de Machine Learning pueden ayudar a los equipos de marketing a resolver problemas complejos a través de datos, pero es necesario tener cuidado ya que lo primero que debemos preguntarnos es si el problema es lo suficientemente complejo como para requerir una solución basada en Machine Learning. Por ejemplo, un caso de uso muy común sería la segmentación y clasificación de clientes. Una clasificación más compleja puede requerir Machine Learning, sin embargo, la mayoría de los problemas relacionados con la segmentación de clientes pueden resolverse con herramientas de CRM o Marketing Automation.

Sin embargo, existen casos en los que la aplicación de Machine Learning es sin duda necesaria:

  • Recomendación de producto: el caso más utilizado con ejemplos en e-commerce, como Amazon, o servicios de streaming como Netflix y Spotify
  • Reconocimiento de voz y texto: o dicho de otra forma, comercio conversacional. ¿Existe algún Director de Marketing que no tenga en su hoja de ruta el desarrollo de un chatbot o de una skill para Alexa?
  • Reconocimiento de imagen: esto incluye tanto el reconocimiento facial como el reconocimiento de marca – Blinkfire Analytics es un gran ejemplo de ello-. Gracias al Machine Learning es posible medir el impacto de la marca -en segundos- en patrocinios deportivos o hacer más inteligente el contenido de vídeo con propuestas como la de Vilynx. Además, Blinkfire Analytics utiliza la visión por ordenador para medir el valor de los medios de forma precisa y en tiempo real.
Blinkfire Analytics usa computer vision para medir media value de forma precisa en real-time

Centrémonos en un único problema. Imagina el siguiente escenario:

«Quiero evaluar el ROI del patrocinio de un equipo de baloncesto midiendo el número de compras realizadas por mujeres de entre 18 y 35 años que han seleccionado uno de los productos deportivos que se les recomiendan ponderado por el número medio de segundos que la marca aparece durante la retransmisión del partido».

Es probable que la respuesta se pueda obtener por mecanismos clásicos, pero el tiempo y esfuerzo necesarios no lo harían rentable.

¡Datos, datos, datos!

Una vez que tengo claro, como CMO, que quiero llevar a cabo un proyecto de Machine Learning para resolver un problema concreto, es necesario evaluar cuál es el grado de madurez de datos en la organización. Es decir:

  • ¿Qué datos tengo disponibles actualmente? Y, ¿cuáles no tengo y me gustaría tener?
  • ¿Qué silos de datos hay en la organización?
  • Utilizando los datos disponibles podemos determinar fácilmente los KPIs relevantes para medir los resultados de las acciones de marketing (campañas, anuncios, etc.)?
  • Y, lo más importante, basándonos en estos datos, ¿qué grado de conocimiento tengo del cliente?

captura de pantalla 2019 02 14 a las 19 18 38 1

Data Driven Maturity Model

Cuando se trata de la madurez de los datos, identificamos cinco etapas en la evolución de la cultura de datos en las compañías:

  1. Data blind: no se visualiza nada más allá de los datos que interesan a cada departamento, ya sea porque no se han recogido correctamente o porque no hay una estrategia real detrás de su análisis.
  2. Data reactive: se recogen datos que están alineados con las necesidades de negocio. Estos datos suelen ser utilizados por silos, áreas independientes con foco en el reporting para la toma de decisiones. Aunque estos datos se recogen agregados, no se analizan juntos.
  3. Data active: se comienza a trabajar estratégicamente usando los datos como un activo. Se construyen data lakes para la agregación y análisis de los datos de forma conjunta.
  4. Data proactive: se identifica de forma previa a cualquier iniciativa el por qué de la necesidad de datos, cómo se van a obtener y analizar y qué conocimiento se quiere conseguir.
  5. Data driven: los datos forman parte integral de la cadena de valor y del día a día de la compañía. Esto permite que automáticamente la relación con el cliente se vaya ajustando (por ejemplo, si se detecta posibilidad de abandono clientes se lanzan acciones de retención)

Guía para un proyecto de Machine Learning

Paremos un momento para ajustar el enfoque y ver con perspectiva cuál es el contexto de un proyecto de Machine Learning. La combinación de negocio, tecnología y matemáticas son la clave.

captura de pantalla 2019 02 14 a las 19 18 55 1

Marco de ejecución de un proyecto de Machine Learning

La clave del éxito del marketing son los equipos que “hablan” el idioma de cada una de estas tres áreas y saben cómo conectarlas correctamente, rompiendo los silos departamentales. En Good Rebels, combinando nuestra experiencia en la ejecución de proyectos basados en tecnología y datos, hemos creado un journey de proyecto de Machine Learning que nos permite:

  • Ejecutar sólo los proyectos o fases de proyecto que realmente aporten valor, sin incurrir en costes innecesarios.
  • Maximizar el éxito del proyecto y la utilidad para el negocio

captura de pantalla 2019 02 18 a las 11 19 17 1

Fase de ejecución de un proyecto de Machine Learning

Fase

Comentarios y acciones

Pregunta


Seleccionar una pregunta que provenga de un problema real del negocio, evitar proyectos ‘ficticios’ con el propósito de experimentar. Los recursos necesarios para llevar a cabo estos proyectos requieren tener un caso de uso legítimo asociado a una necesidad real de negocio.

En primer lugar, analizar el impacto potencial de resolver esta necesidad:

  • Cliente: ¿Va a mejorar su experiencia? ¿Cómo?
  • Sistema: Una vez en producción, ¿necesitamos una respuesta en tiempo real o en batch? ¿Estará integrado en nuestro ecommerce, en nuestra app, con los contact centers?
  • Productividad: ¿Se reducirán los costes o el tiempo?

Una vez que se haya identificado la necesidad de negocio, hay que determinar:

  • ¿Realmente necesitamos Machine Learning para resolver este problema?
  • ¿Se puede satisfacer esta necesidad utilizando una herramienta existente? ¿Es realmente necesario desarrollar un proyecto propio?
    • Si la respuesta es sí, se trata de un problema de investigación de herramientas e integración de sistemas.
    • Si la respuesta es no, pasamos a la siguiente fase.

Madurez data driven

Determinar los orígenes y calidad de los datos para la resolución del problema:

  • ¿Tenemos el mapa de datos de la compañía?
  • ¿Hay un data lake o data mart?
  • ¿Tenemos acceso a todos los datos necesarios? ¿Dónde se almacenan?
  • Si tengo acceso a todos los datos que necesito, puedo empezar.
  • Si no tengo acceso a los datos correctos, lo primero que tenemos que hacer es empezar a generarlos.

Set-up


Una vez corregidos los defectos identificados en la fase anterior se debe determinar la forma de llevar a cabo el proyecto:

  • Si disponemos de un departamento interno de AI/ML, el proyecto se puede hacer en casa.
  • En caso contrarío, es necesario contar con una persona que nos ayude en:
    • Evaluación y selección de herramientas ML como la que ofrece nuestro partner BigML
    • Interlocución con el departamento de sistemas
    • Análisis de los datos y el resultado obtenido mediante expertos en matemáticas y estadística

Prueba de concepto

  • Determinar cuál es la tolerancia de máxima de error (si es posible) de los resultados.
  • Seleccionar subconjuntos de datos y un contexto específico para la prueba.
  • Entrenar modelos, hacer pequeños retoques, modificar y ajustar.

Evaluación


  • Evaluar los resultados generados durante la etapa de Prueba de Concepto y verificar que estén dentro de la tolerancia esperada.
  • Analizar los resultados en colaboración con un experto

Go / No Go

  • Determinar las necesidades de sistemas (en parte ya identificadas en la primera fase)
  • Entender los costes necesarios para una puesta en producción total.
  • Toma de decisiones para el despliegue en producción.

Implementación


  • Conexión con fuentes de datos en tiempo real (si corresponde)
  • Reentrenamiento del modelo con los conjuntos de datos completos
  • Retoques, modificaciones y ajustes
  • Despliegue e integración: e-commerce, aplicaciones móviles, etc.

Evolución Continua

  • Contraste de resultados con los expertos en negocios
  • Revisión de los datos y de su calidad
  • Reentrenamiento de los modelos
  • Retoques, modificaciones y ajustes

Recuerda que la fase de evolución continua puede implicar el inicio de nuevos proyectos de Machine Learning. Por ejemplo:

  • A veces, encontrar la respuesta a los problemas sólo nos genera más preguntas, por lo que la necesidad del negocio puede aumentar en complejidad.
  • La aparición de nuevas fuentes de datos o de nuevos tipos de datos puede requerir un cambio en el modelo o suponer el inicio de un nuevo proyecto.
  • Hay un aumento constante en el número de herramientas de Machine Learning. Estas soluciones de mercado permiten evitar la complejidad de un proyecto in-house y facilitan la adopción de mejoras con menor inversión.

Keep it simple

Volvamos a la primera pregunta que nos hicimos: ¿cómo podemos aplicar Machine Learning desde el departamento de Marketing para lograr nuestros objetivos?

En última instancia, la clave del éxito de un proyecto de Machine Learning son las personas. El Machine Learning ayuda a las personas a resolver problemas complejos de marketing, utilizando los datos de negocio y de los clientes para identificar patrones y conocimientos ocultos, pero son las personas las que identifican los problemas que necesitan ser resueltos, las que entienden el contexto y seleccionan los datos relevantes. También, las personas son quienes finalmente interpretan y analizan los resultados en base a su conocimiento en un dominio y una industria concreta.

En definitiva, si quieres desarrollar un proyecto de Machine Learning desde la Dirección de Marketing, debes tener en cuenta estas tres cosas:

  • Empieza con una buena pregunta
    • Céntrate en una necesidad real de negocio
    • Evalúa el posible impacto interno y externo de la resolución de este problema
  • No hay necesidad de reinventar la rueda
    • Ya existen herramientas de Machine Learning muy efectivas
    • Una buena comprensión de estas herramientas es fundamental
  • Las personas son la clave
    • Si no tienes ningún experto interno, puedes colaborar con partners que puedan proporcionar una visión integral de negocio, tecnología y matemáticas.