Blog

05 Enero, 2023

Cómo potenciar tu tablero con Machine Learning

El aprendizaje automático o Machine Learning (ML) puede ser una de las fases de trabajo de un proyecto de Análisis de Negocio. Es por ello, que las soluciones analíticas están incorporando prácticas de ML para aplicar el concepto de Analítica Predictiva e integrarla a la Analítica Descriptiva (la que se conoce más tradicionalmente) que se basa en calcular los indicadores y reportes en base a los datos con los que contamos, de las transacciones y fuentes de datos generados en el día a día de la operación y gestión de la organización.

Pero antes, veamos algunos conceptos a modo introductorio: ¿Sabés cuáles son las diferencias entre IA (Inteligencia Artificial), ML (Machine Learning) y DL (Deep Learning)?

La IA se refiere a sistemas o máquinas que imitan la inteligencia humana para la toma de decisiones, procesamiento de textos y percepción visual. De los tres conceptos es el más amplio.

ML, un subcampo de la IA, permite que las máquinas mejoren en una tarea determinada con experiencia. Ese aprendizaje automático puede clasificarse en supervisado o no supervisado.

DP, es un tipo de aprendizaje automático (ML) e Inteligencia artificial (IA), basado en el entrenamiento de Redes Neuronales. Está inspirado en la manera en cómo el cerebro humano procesa la información.

Retomamos ahora la aplicación de ML en los proyectos y soluciones analíticas.

En cualquier proyecto partimos de un conjunto de datos, del cual queremos extraer la mayor cantidad de información posible que se pueda traducir a conocimiento para tomar decisiones.Ese conjunto de datos debe pasar por una etapa de revisión de calidad de datos y transformación que busca eliminar lo que distorsiona, estructurar y crear nuevas variables de análisis.
Y luego, tendremos la etapa de análisis y comunicación. Es en la etapa de análisis donde el ML juega un papel importante.

Posterior al ETL (Extracción, Transformación y Carga) buscamos examinar los datos para identificar patrones, tendencias - entre otros - que revelen hallazgos o descubrimientos importantes (lo que en anaytics llamamos "insights") y que aumenten la eficiencia para respaldar la toma de decisiones. El ML hace esta tarea a través de algoritmos que no buscan otra cosa que aprender de los datos para utilizar ese aprendizaje con datos futuros y predecir resultados.

Algunos ejemplos de los casos de aplicación y uso de ML en una aplicación analítica (dashboard)

Predicciones de: ventas, demanda, precio de un bien, rotación de personal, churn de clientes, etc
Agrupaciones o segmentaciones: segmentación de clientes, agrupación de proveedores
Reglas de asociación: crear sistemas de recomendación basados en la probabilidad de que algo ocurra sabiendo también que sucede otro evento. Ej: marketing personalizado
Analizar datos No Estructurados como texto, imágenes, audios, videos. Ej: analizar los comentarios en mis publicaciones.

Las plataformas de Analytics, en particular Qlik AutoML, incluyen algoritmos de ML para potenciar la experiencia analítica generando insights a través de modelos predictivos y generar focos de análisis a partir de escenarios what if, predicción de comportamientos e integrando la analítica descriptiva con la visión de la analítica predictiva y llegar a la analítica prescriptiva: Decisiones en el momento de negocio habilitando y generando acciones en tiempo real.

Si querés ver cómo se trabaja con estos modelos aplicados a tableros de negocio, escribinos.