Guía para principiantes sobre el Aprendizaje Automático, Inteligencia Artificial, Internet de las Cosas (IoT), PNL, Aprendizaje Profundo (Deep Learning), Big Data Analytics y Blockchain

Las nuevas tecnologías como Machine Learning, Internet of Things, Deep Learning, PNL, , Cloud, Big Data y la Analítica Predictiva están teniendo un gran impacto en la España. Si bien se están creando muchos puestos de trabajo en estos campos, o más bien demandados, estas nuevas tecnologías también están restando los trabajos humanos tradicionales y aburridos. Por lo tanto, es muy importante que la nueva generación comprenda las nuevas tecnologías y los términos, y tenga en cuenta las habilidades necesarias para obtener empleos en el futuro.. Este post es una Guía para principiantes sobre el Aprendizaje Automático, Inteligencia Artificial, Internet de las Cosas (IoT), PNL, Aprendizaje Profundo (Deep Learning), Big Data Analytics y Blockchain. Además, también enumeraré algunos de los mejores cursos en línea y programas de máster de España, EE. UU. y Canadá para la ciencia de los datos, el aprendizaje automático, estadísticas, IoT y Big Data Analytics.
Inteligencia Artificial

Guía para principiantes sobre el Aprendizaje Automático, la Inteligencia Artificial, Internet de las Cosas (IoT), Procesamiento del Lenguaje Natural (PNL), Aprendizaje Profundo (Deep Learning), Análisis del Big Data y Blockchain.

¿Qué es el Aprendizaje Automático (Machine Learning)?

El aprendizaje automático (ML) es un campo de estudio que aplica los principios de la informática y las estadísticas para crear modelos estadísticos, que se utilizan para predicciones futuras (basadas en datos pasados ​​o Big Data) e identificar (descubrir) patrones en los datos. El aprendizaje automático es en sí mismo un tipo de Inteligencia Artificial que permite que las aplicaciones de software sean más precisas en la predicción de resultados sin estar programadas explícitamente.

El objetivo básico del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y usar estadísticas para predecir un valor de salida dentro de un rango aceptable. Proporciona la capacidad de obtener automáticamente conocimientos profundos, reconocer patrones desconocidos y crear modelos predictivos de alto rendimiento a partir de datos, todo ello sin requerir programación explícita. El aprendizaje automático se puede aplicar para detectar transacciones fraudulentas con tarjeta de crédito o para predecir precios.

Los algoritmos del Aprendizaje Automático se pueden categorizar como supervisados, semi-supervisados ​​o no supervisados. Los algoritmos supervisados ​​requieren que los humanos proporcionen retroalimentación sobre la precisión de las predicciones junto con la entrada y la salida deseada. Los algoritmos no supervisados ​​no necesitan ningún entrenamiento o participación humana. Usan un enfoque iterativo llamado Aprendizaje Profundo o Deep Learning (explicado más adelante en esta publicación) para revisar los datos y sacar conclusiones.

Leer más en este estudio sobre el Aprendizaje Automático en formato .pdf.

Cursos recomendados en línea para el Aprendizaje Automático en Espàña (en español) y Europa (en Inglés):

• Universidad de Sevilla: Aprendizaje Automático
• Intro to Machine Learning (Intermedio)
• Machine Learning Engineer Nanodegree (Avanzado)
• UNED: Aprendizaje Automático
• Master Online Machine Learning | SoyData 

Cursos recomendados en línea para el Machine Learning en EEUU y Canada:

• Machine Learning A-Z™: Hands-On Python & R In Data Science
• Certificate Course in Machine Learning – Stanford University
• Machine Learning Specialization – University of Washington
• Algorithms Specialization – Stanford University 

¿Qué es la Inteligencia Artificial (IA)?

La Inteligencia Artificial es el campo de estudio mediante el cual una computadora (y sus sistemas) desarrollan la capacidad para realizar con éxito tareas complejas que generalmente requieren inteligencia humana, como percepción visual, reconocimiento de voz, toma de decisiones y traducción entre idiomas. En otras palabras, la Inteligencia Artificial se ocupa de resolver tareas que son fáciles para los humanos pero difíciles para las computadoras.

Mientras que la Inteligencia Artificial generalmente se concentra en la programación de computadoras para tomar decisiones, el Aprendizaje Automático enfatiza en hacer predicciones sobre el futuro. Si usas un programa inteligente que involucra un comportamiento humano, puede ser Inteligencia Artificial. Sin embargo, si los parámetros no se aprenden automáticamente (o se derivan) de los datos, no se trata de Aprendizaje Automático (ML).

Según Bernard Marr, la IA y el ML a menudo parecen ser intercambiables. Pero, no son lo mismo. La Inteligencia Artificial es el concepto más amplio de que las máquinas pueden llevar a cabo tareas de una manera que podríamos considerar 'inteligente'. Considerando que, Machine Learning es una aplicación actual de la IA basada en la idea de que realmente deberíamos ser capaces de dar acceso a las máquinas a los datos y dejarles que aprendan por sí mismas.

Cursos recomendados en línea para la Inteligencia Artificial en España:

• Máster Inteligencia Artificial | Crea tu primer Chatbot‎
• Máster en Inteligencia Artificial (UPC)

Cursos recomendados en línea para la Inteligencia Artificial en Europa, EEUU y Canada: 

• IN3050 - Introduction to Artificial Intelligence and Machine Learning. University of Oslo
• Cognitive Science and Artificial Intelligence

 

¿Qué es el Procesamiento del Lenguaje Natural (NLP)?

Uno de los objetivos principales de la Inteligencia Artificial es el procesamiento del lenguaje natural (NLP). El NLP es un campo de la informática que se encuentra en la intersección de la Inteligencia Artificial y la lingüística computacional. El NLP se ocupa de la programación de computadoras para procesar grandes 'corpus' de lenguaje natural. En palabras simples, el NLP implica un análisis inteligente del lenguaje escrito.

Por ejemplo, tiene una gran cantidad de datos escritos en texto sin formato. Las técnicas de NLP pueden revelar las ideas de esto para usted. Estas ideas generalmente incluyen análisis de sentimientos, extracción de información, recuperación de información, búsqueda, etc. El NLP generalmente trata con artículos de investigación, blogs, mensajes de texto de fuentes de medios sociales (incluyendo emoticones); no se trata de imágenes.

• NLP Practitioner Certification Course (Beginner to Advanced)
• NLP Courses | NLP Academy
• Natural Language Processing

 

¿Qué es el Deep Learning o Aprendizaje Profundo?

El Aprendizaje Profundo es otro aspecto de la Inteligencia Artificial que se ocupa de hacer coincidir el enfoque de aprendizaje utilizado por los humanos para obtener ciertos tipos de conocimiento. En otras palabras, el Aprendizaje Profundo es una forma de automatizar el análisis predictivo. A diferencia del NLP, los algoritmos del Deep Learning no se ocupan exclusivamente del texto. El Aprendizaje Profundo implica el modelado matemático, que puede considerarse como una composición de bloques simples de cierto tipo, y donde algunos de estos bloques se pueden ajustar para predecir mejor el resultado final.

La palabra 'Profundo' significa que la composición tiene muchos de estos bloques apilados uno encima del otro, en una jerarquía de complejidad creciente. La salida se genera a través de algo llamado Backpropagation dentro de un proceso más grande llamado descenso de gradiente que le permite cambiar los parámetros de una manera que mejora su modelo.

Vamos a profundizar un poco ahora. Los algoritmos tradicionales del aprendizaje automático son lineales. Los algoritmos de aprendizaje profundo están apilados en una jerarquía de complejidad creciente. Imagine que un bebé está tratando de saber qué es un perro al señalar con el dedo los objetos. Los padres dirán 'Sí, ese es un perro' o 'No, ese no es un perro'. A medida que el bebé continúa apuntando a los objetos, se vuelve más consciente de las características y las características que poseen todos los perros. En este caso, el bebé está aclarando una abstracción compleja (el concepto de perro) construyendo una jerarquía de complejidad creciente creada. En cada paso, el bebé aplica el conocimiento obtenido de la capa de la jerarquía anterior. Los programas de software usan el enfoque de aprendizaje profundo de manera similar. La única diferencia es que el bebé podría tomar semanas para aprender algo nuevo y complejo; un programa de computadora podría hacer eso en pocos minutos.

Cursos recomendados en línea para Deep Learning en Espàña:

• Master Deep Learning e Inteligencia Artificial UAH IUTA

Cursos recomendados en línea para Deep Learning en EEUU y Canada:

• Deep Learning Foundations Nanodegree 
• Deep Learning with Andrew Ng
• Deep Learning course (with TensorFlow)

Data Science, Big Data y Big Data Analytics

Para alcanzar un cierto nivel de precisión y velocidad, los programas de aprendizaje profundo (Deep Learning) requieren acceso a cantidades inmensas de datos de entrenamiento y poder de procesamiento. Ahora, esto es muy posible en la era actual gracias al Big Data (y el análisis del Big Data) y el Internet de las Cosas (IoT). Big data es un término amplio y en evolución para una gran cantidad de conjuntos de datos. Los datos podrían ser estructurados, semiestructurados o no estructurados.

El análisis del Big Data es el proceso de analizar el Big Data para identificar patrones ocultos, tendencias populares, correlaciones únicas y otra información crítica y útil. Por ejemplo, una empresa de comercio electrónico aplicará análisis de Big Data para investigar el comportamiento y la mentalidad de los clientes o consumidores, y los patrones de compra. Si bien el Big Data tiene que ver con los datos, los patrones (o tendencias), las percepciones e impactos, Internet de las Cosas se trata de datos, dispositivos y conectividad.

Cursos recomendados en línea para Data Science y Big Data Analytics en Espàña:

• Máster Arquitectura Big Data | Universidad Católica de Ávila | ucavila.es‎ 
• Master online en gestión de los Sistemas de Información, Data Management y Big Data 
• Especialízate en Big Data y Analytics con el máster acelerado de datahack, en sus modalidades Intensivo o Fin de Semana

Cursos recomendados en línea para Data Science y Big Data Analytics en EEUU y Canada:

• Data Science Specialization – Johns Hopkins University
• Python for Data Analysis and Visualization
• Data Visualization with Tableau – UC Davis 

¿Qué es el Internet de las Cosas-Internet of Things (IoT)?

El Internet de las Cosas (IoT) es la interconexión de dispositivos físicos (también denominados dispositivos conectados o dispositivos inteligentes), vehículos, edificios y otros objetos (que pueden ser dispositivos portátiles inteligentes, dispositivos de diagnóstico, aparatos de cocina, etc.) integrados con componentes electrónicos, software, sensores, actuadores y conectividad de red que permite a estos 'objetos inteligentes' recopilar e intercambiar datos. En otras palabras, el Internet de las Cosas es una infraestructura global para la sociedad de la información. El IoT permite servicios avanzados interconectando (físicos y virtuales) cosas basadas en las tecnologías de la información y comunicación interoperables existentes y en evolución.

Por ejemplo, el refrigerador inteligente en su cocina (en el hogar) puede enviarle una alerta (o notificación) a su teléfono inteligente (mientras se va de la oficina) cuando no tenga leche o gasolina para su coche. Su wearable o smartwatch puede advertirle si hay algún problema con su pulso o frecuencia cardíaca. Además, toda esta información se registra. Más tarde, el software después de ver los datos puede proporcionarle información como: es probable que consuma leche el miércoles, se quede sin gasolina en dos semanas o que tenga probabilidades de sufrir un ataque cardíaco en tres meses (por lo tanto, es hora de realizar un control y tomar precauciones).

Dado que la idea de los dispositivos de red y otros objetos es personalizada y confidencial, la seguridad es una gran preocupación. La seguridad del IoT entra en juego aquí. La seguridad del IoT es el área de esfuerzo relacionada con la protección de los dispositivos conectados y las redes en el Internet de las Cosas. El IoT se está expandiendo a un ritmo exponencial. Al igual que el Big Data, el IoT está creando nuevas oportunidades y brindando una ventaja competitiva para las empresas en los mercados actuales y nuevos. El Internet of Things (IoT) es un ecosistema de complejidad cada vez mayor. Es la próxima ola de la innovación que humaniza cada objeto en nuestra vida, y es el próximo nivel de automatización para cada objeto que utilizamos. Sigue agregando cada vez más dispositivos al pliegue digital todos los días para mejorar el proceso y el crecimiento. Toca todo, no solo los datos, sino cómo, cuándo, dónde y por qué los recolectas. Una de las formas de ver el IoT es como los bloques múltiples, como objetos conectados, las puertas de enlace, los servicios de red y los servicios en la nube. Como se mencionó anteriormente, la seguridad es de suma importancia.

• Master en Internet of Things (IoT/IoE) (Three Points Digital Business School)
• Programa Especializado - An Introduction to Programming the Internet of Things (IOT)
• Programa Especializado - Internet of Things

La Tecnología Blockchain

Los ecosistemas actuales del IoT dependen de modelos de comunicación centralizados. Todos los dispositivos están identificados, autenticados y conectados a servidores en la nube que tienen enormes capacidades de procesamiento y almacenamiento. La conexión entre dispositivos debe pasar por Internet. Un enfoque descentralizado de la red IoT resolvería muchos de los problemas de seguridad.

Aquí llega la tecnología Blockchain. Blockchain es una base de datos que mantiene un conjunto de registros de datos en continuo crecimiento. Se distribuye en la naturaleza; no hay una computadora principal que sostenga toda la cadena. En cambio, los nodos participantes tienen una copia de la cadena. También es cada vez mayor: los registros de datos solo se agregan a la cadena. Blockchain es público. Entonces, todos los participantes pueden ver los bloques y las transacciones almacenadas en la base de datos. Sin embargo, está protegido por una clave privada.

La tecnología Blockchain se considera como el eslabón perdido para tratar problemas de escalabilidad, seguridad y confiabilidad del IoT. La tecnología del Blockchain se puede utilizar en el seguimiento de miles de millones de dispositivos conectados, permite el procesamiento de transacciones y la coordinación entre dispositivos; permitir ahorros significativos para la industria del IoT. Según los expertos, el enfoque descentralizado eliminaría los puntos únicos de falla, creando un ecosistema más resistente para que los dispositivos funcionen. Los algoritmos criptográficos utilizados por la tecnología blockchain podrían hacer que los datos de los consumidores sean más privados. Una de las aplicaciones populares de la tecnología blockchain es el Bitcoin y las Cryptocurrencies. Sin embargo, hay varias otras aplicaciones de la tecnología blockchain más allá de las criptomonedas y los servicios financieros.

Cursos recomendados en línea para Blockchain en Espàña:

• Curso Experto en Blockchain y Aplicaciones Descentralizadas
• Master en Fintech & Business Management
• Conviértete en un especialista en blockchain, uno de los perfiles más disruptivos para 2018

Artículos relacionados: 

¿Qué es la Inteligencia Artificial? Aplicaciones de la Inteligencia Artificial en el Marketing
¿Qué es el Internet de las Cosas (IoT)? 

 

2017: Regreso al futuro con la Inteligencia Artificial y los Grandes Datos (Big Data)

A.I. Artificial Intelligence (album) (Photo credit: Wikipedia)

A medida que avanzamos en 2017 y la mayoría de nosotros todavía estamos recuperando de la fiesta de Navidad, quiero pasar a lo largo de algunas áreas de enfoque para los gurús de datos en 2017. Estoy proporcionado algunas ideas de los analistas de la industria (Gartner, Forrester), Venture Capitalists, y las compañías de software multimillonarias que están impulsando la próxima ola de datos y análisis, como IBM, Microsoft y Amazon.


Edge Computing


El Edge Computing es una arquitectura distribuida de tecnología de la información (IT) en la que los datos del cliente se procesan en la periferia de la red, lo más cerca posible de la fuente de origen. El movimiento hacia la computación de borde es impulsado por la computación móvil, la disminución del costo de los componentes de la computadora y el gran número de dispositivos en red en el Internet de las cosas (IoT). Dependiendo de la implementación, los datos sensibles al tiempo en una arquitectura de cálculo de borde pueden ser procesados ​​en el punto de origen por un dispositivo inteligente o enviados a un servidor intermediario situado en proximidad geográfica cercana al cliente. Los datos que son menos sensibles al tiempo se envían a la nube para los análisis históricos, análisis de datos grandes (Big Data) y almacenamiento a largo plazo.

Como Inversor / VC, señaló Peter Levine, Edge Computing va a ser mainstream (cultura de masas) en un plazo muy corto. He aquí un breve resumen del ciclo de vida:

•  El Mainframe marcó la era de la informática centralizada.
• A continuación, los ordenadores personales (PCs) se hicieron cargo de la descentralización de los datos y la toma de decisiones.
• La computación en nube se convirtió en la corriente principal, permitiendo capacidades simplificadas y centralizadas para los usuarios no técnicos para procesar datos complejos en la toma de decisiones empresariales.
• La próxima generación serían dispositivos descentralizados (Inteligencia Artificial) que toman decisiones automáticamente o como Levine llama 'Data Center on Wheels'

La cantidad de datos que se recogen en los dispositivos de procesamiento complejos, como automóviles autodirigidos (Tesla y Uber) a dispositivos simples como zapatos y relojes, permitirá que los dispositivos piensen por su cuenta y sólo permitan a los seres humanos escoger las opciones.


Inteligencia Artificial


El lanzamiento de Home de Google, Alexa de Amazon y Cortana de Microsoft revela la inversión y la importancia de la IA y muestra el futuro del procesamiento de lenguaje natural (PNL). Mientras estaba revisando mis actividades de PNL en Google, me di cuenta de que si los datos se recopilan correctamente y se analizan, la IA puede ayudar en muchos aspectos diferentes de mi vida cotidiana personal como reuniones y citas, horarios de vuelo, fechas importantes como aniversarios y cumpleaños, y mucho más. Mientras que esto puede sonar asustadizo y rompa las leyes del aislamiento para mucha gente, para los millennials esto es apenas la manera natural de la vida.

Si Alexa puede provocar un algoritmo de búsqueda basado en una queja del cliente, identificar un modelo, y generar un orden de trabajo para un producto que se hace fabricado al por mayor, todos dentro del ecosistema AWS, las organizaciones pueden ganar beneficios financieros significativos junto con la lealtad de cliente reforzada. Si las organizaciones pueden conseguir todos estos datos del cliente, los nuevos modelos comerciales evolucionarán como el lanzamiento de campañas de mercadotecnia de B2C. Este también preparará el terreno para nuevos modelos comerciales que no poseen su propia mercancía, similar a Uber y Airbnb. Además, estos casos de uso proporcionarán oportunidades de modelos de proceso evolutivos de la transformación digital.


Internet de Todo (IoET)


Gartner predijo el futuro del IoT aquí. Los sensores conectarán millones de dispositivos peer to peer que proporcionarán muchas oportunidades para la próxima década de la informática (Levine, 2016). A medida que el procesamiento y la potencia de la computación disminuyan y la potencia aumente, el análisis de los datos del sensor en esta cadena de suministro será fácil de usar. Esto también proporcionará un mercado nuevo e interesante para los proveedores de servicios de TI para crear propiedades intelectuales específicas para una industria como la venta al por menor y la asistencia sanitaria. A medida que surgen nuevas amenazas de seguridad con IoET, los nuevos modelos de seguridad y gobernanza se adherirán a los riesgos y al cumplimiento. El análisis en tiempo real de secuencias y análisis de patrones creará decenas y miles de patrones de decisión en milisegundos.


 Analítica Big Data 


2017 será un año de mudarse al Big Data en la nube con tecnologías como AWS, Azure y Snowflake. Además, la analítica y la ciencia de datos de datos no estructurados se convertirá en corriente principal con estimaciones de gasto de casi $ 28 mil millones en 2019 (Informe IDC). Las pequeñas y medianas empresas que quieren aprovechar los datos no estructurados, y algunas grandes empresas que no quieren gastar en centros de datos, se moverán a un modelo basado en la suscripción. Además, la escalabilidad elástica con NO y NEW SQL aumentará rápidamente en 2017 con empresas pequeñas y medianas.


Democratización de los datos


Gartner prevé una oleada de herramientas de descubrimiento de datos para el 2017 con capacidades inteligentes de descubrimiento de datos para expandir el horizonte del BI de autoservicio y el análisis interactivo. A medida que la detección de patrones de datos estructurados y no estructurados se está convirtiendo en un componente crítico para el benchmarking, el marketing y el análisis de la competencia, los usuarios que tradicionalmente dependen de TI para construir análisis buscarán herramientas de descubrimiento de datos para crear sus propios algoritmos de detección de patrones. Además, los medios de comunicación social como Twitter y Facebook, y los datos comparativos como los data.com, clinicaltrials.gov y otras APIs abiertas de datos proporcionarán datos que se utilizarán para el análisis de mercado y crearán nuevos modelos de negocio bajo demanda.

La democratización también desempeñará un papel en la gestión de proyectos y el software. Durante décadas, la gestión de los proyectos ágiles se han centrado en la construcción del IU y el prototipado. Sin embargo, dado que la mayoría de las herramientas de datos incluyen opciones de interfaz de usuario fáciles de usar en la nube, el análisis ágil de los datos y la creación de prototipos tendrán un impacto agresivo en los plazos. Además, el círculo vicioso de los requisitos para la liberación se reducirá a días en lugar de semanas. Esto permitirá un mayor tiempo para valorar con un montón de puertas de escenario para evitar problemas de financiación y la inversión innecesaria.


Data Science


Uno de los más calientes y más citados conjuntos de habilidades para puestos de trabajo en LinkedIn fue el 'Data Science' en 2016. Esta tendencia sólo seguirá aumentando en 2017 a medida que el mundo avanza hacia la programación centrada en datos. Sin embargo, además de la ciencia de datos, habilidades blandas como la creatividad, la visualización, la presentación y la comunicación se convertirán en habilidades obligatorias que se enseñarán en las universidades, además de habilidades comunes como Hadoop, Spark, R y Python. Mientras que las máquinas nunca pueden reemplazar a los seres humanos, las máquinas pueden complementar la redistribución del trabajo humano con un enfoque en la toma de decisiones efectivas basadas en datos. Estoy buscando un gran 2017 y un emocionante año nuevo para la Inteligencia Artificial y el Big Data.

Articulos relacionados:

El Camino de un Data Scientist
Cloud Computing+Web Semántica+Datos Abiertos (III): Linked Data Cloud
El Papel de un Data Scientist Requiere de un Análisis Predictivo, Dice un Experto

Las Mejores Prácticas de Business Intelligence y Estrategias en Entornos SAP

Social Analytics: Nuevos Usos de la Inteligencia Social

                       
                       
                       
                    

El Papel de un Data Scientist Requiere de un Análisis Predictivo, Dice un Experto

Mike Gualtieri de Forrester tiene un punto de vista sobre el papel de un Data Scientist, el título de trabajo algo vago y discutido en la corte de las tiendas de informáticos de punta, campus y salas de juntas corporativas. En su opinión, los Data Scientists verdaderos son como otros científicos - formulan hipótesis, y luego las ponen a prueba. A pesar de que los demás pueden diferir, admitió.

"Existen diferentes definiciones por ahí. Algunas personas piensan que un científico de datos (Data Scientist) es una persona que gestiona, recauda y almacena datos. Eso está más en el campo científico de la computación que en el campo del analista", dijo Gualtieri, analista que cubre temas de análisis predictivo de Forrester Research Inc. en Cambridge, Mass. Mientras él pone énfasis en la necesidad de encontrar gente que sabe cómo recoger la información correcta, la definición de un científico de datos es tal vez más estrecho que los más prevalentes. Forrester Research Inc. en Cambridge, Mass. Si bien se pone énfasis en la necesidad de encontrar gente que sabe cómo recoger la información correcta, su definición de un científico de datos es tal vez más estrecho que los más prevalentes.

"Mucha gente piensa que un científico de datos es alguien que puede hacer Hadoop (Hadoop es libre, basado en Java Framework de programación que soporta el procesamiento de grandes conjuntos de datos en un entorno de computación distribuida. Es parte del proyecto Apache patrocinado por la Fundación de Software Apache). Pero hay otra definición que me suscribo un poco más. Eso es, por un científico de datos como un científico ", continuó. "El científico determina los datos para trabajar. Si alguien no está haciendo el análisis, la búsqueda de los algoritmos y la prueba de ellos, entonces no es un Data Scientist".

Comprender el papel del científico de datos es importante, pero es sólo uno de los elementos clave de los datos que los gerentes deben tener en cuenta al planificar un programa para sacar provecho del análisis predictivo, la tecnología subyacente a la creciente demanda de datos científicos. Los modernos análisis predictivos son, junto con grandes cantidades de datos variados, lo que permite a las empresas reducir los riesgos y crear experiencias únicas de los clientes, Gualtieri, lo escribió en un informe reciente titulado The Forrester Wave: Big Data Solutions Predictive Analytics, Q1 2013.

Aunque el análisis predictivo basado en avanzados algoritmos de aprendizaje de máquina y otros que requieren nuevas herramientas y habilidades, ofrece valiosos beneficios más tradicionales de minería de datos para la inteligencia de negocios (Business Intelligence), dijo.

"El Business Intelligence antiguo en el estilo es realmente acerca de los informes -. Inteligentemente rebana y corta en diferentes formas que pueden ofrecer una visión, pero el análisis predictivo [es] muy diferente", dijo Gualtieri. "El análisis predictivo utiliza muchos tipos de algoritmos: algoritmos de regresión, redes neuronales, algoritmos diferentes de árboles, también los algoritmos que determinan lo que importan los datos y la probabilidad de un resultado."

Los algoritmos esencialmente hacen el trabajo, dijo. No hay precedente para este tipo de algoritmos en el trabajo de la inteligencia artificial que se remonta a la década de 1980, pero más fácil de disponibilidad de los datos, un mayor poder de cómputo y una mayor interoperabilidad con la herramienta de análisis predictivo que ofrece hoy un especial impulso.

Los administradores de datos pueden que necesiten confiar en sus datos científicos sobre algo de esto, y que necesitan para ganar la comprensión de los conceptos importantes (como la "previsibilidad" y la "probabilidad") para tomar decisiones inteligentes con el nuevo software. Tienen que establecer objetivos de negocio con el fin de maximizar el éxito de los programas de análisis predictivo, pero se encuentra tan difícil si ellos no entienden la previsibilidad, dijo.

"Es muy difícil para las empresas que no entienden la predicción. Mucha gente piensa que la predicción es algo absoluto, sino que el análisis predictivo no es binario", dijo Gualtieri. "El resultado de un modelo de predicción es siempre la probabilidad de que algo suceda".

Dijo que Netflix, sin duda, uno de los destacados entre las nuevas empresas basadas ​​en la Web, es un buen ejemplo del uso de este tipo de probabilidad. El servicio de películas en línea Netflix utiliza modelos de predicción, utilizando un motor de recomendación que sugiere películas. Como los usuarios saben que motor de recomendación puede ser un pronosticador sorprendente y preciso.

Cuando los clientes de Netflix se enfrentan a una decisión en este caso, se trata de una simple acción de aceptar o rechazar la recomendación. Para los empresarios que intentan, por ejemplo, elegir entre propuestas de mejora en la estrategia, es más difícil. "Los seres humanos tienen que determinar qué hacer con la información", dijo Gualtieri.

Si lo desea puede añadirme en Google+

Artículos relacionados:

• El Camino de un Data Scientist
• El Futuro del Cloud Computing
• ¿Qué es Business Intelligence?
• ¿Qué es Big Data?
• El Futuro de su Empresa Depende de la Manera Efectiva en el Uso de Más Datos
  

Los  Mercados Online de Envato: ebooks, tutoriales, vídeos, cursos, temas para WordPress y App

Guía de Campo para el Customer Engagement Digital

"La proliferación masiva de datos requiere del marketing digital para volver a examinar lo que creemos saber sobre nuestros clientes, y nos desafía a volver a evaluar la mejor manera de participar".

El bombo de los grandes datos (Big Data), no es que no haya tantos datos que nos rodean.
Se trata de la oportunidad que tenemos de convertir esta enorme cantidad de datos en el valor del negocio.

En 2011, más de 300 millones de correos electrónicos y 200 millones de tweets fueron enviados todos los días, y también había 60 millones de actualizaciones de Facebook publicadas diariamente. Este año se alcanzó un volumen de 2,7 zettabytes globales de datos digitales, y Forrester predice que el crecimiento de datos en curso superará la Ley de Moore durante los próximos años. (*La Ley de Moore es un término informático que se originó alrededor de 1970, la versión simplificada de esta ley establece que la potencia de procesamiento de los ordenadores se duplica cada dos años.)

Esta proliferación masiva de datos generados a través de canales electrónicos, interactivos, sociales, móviles y otros nos obliga a re-examinar lo que creemos saber sobre nuestros clientes, y nos desafía a volver a evaluar la mejor manera de participar. En el entorno dinámico de hoy, las estrategias de relación basadas en canales específicos ya no son apropiadas. Hoy en día, el cliente es el canal - un canal de una - que espera que sea una experiencia integrada en cada interacción.

Big Data no necesita ser percibido como una amenaza. De hecho, representa una gran oportunidad. El reto de manejar grandes cantidades de datos ha existido desde el comienzo de la era digital: siempre ha habido más datos que las empresas pueden analizar. La novedad es que a través de los avances en la tecnología, las empresas tienen ahora la capacidad de recopilar y analizar enormes cantidades de datos. Esto permite a los vendedores digitales intercambiar ideas y nuevos conocimientos que les permitan atraer a los clientes con una precisión sin precedentes.

La actividad digital ha generado el 98% de todos los datos dentro de los últimos 2 años.

• + 1B usuarios activos en Twitter y Facebook

• 200M de Mensajes en Twitter por día 

• 60M de mensajes de estado en Facebook por día 

• + 1B de Personas en la búsqueda de Google todos los días 

• 1M social de check-ins por día en Foursquare 

• 107 billones de correos electrónicos enviados en 2010

Es un mundo feliz en las comunicaciones del cliente

Entonces, ¿cómo poner al cliente en el centro de sus iniciativas de mensajería e integrar su marketing digital en los esfuerzos de una manera que tenga sentido?

En primer lugar, los vendedores deben comprender la conectividad instantánea y de la comunidad en línea que han cambiado la forma en la que los consumidores interactuar con las marcas y la empresa. Los individuos están participando cada vez más a través de la comunicación múltiple en los canales diarios, incluyendo sitios web, Facebook, Twitter, blogs, correo electrónico, entre otros.

En este nuevo mundo, dirigido a los clientes con mensajes programados centrarse en realizar transacciones ya no es efectivo, y los esfuerzos de los silos de compromiso, con los equipos de marketing centrados en canales específicos, ya no es sostenible. Ahora, las marcas necesitan ser encontradas por sus clientes, las interacciones tienen que ser en tiempo real, y la atención se centra en las relaciones - con un enfoque singular en el canal de uno.

Para ello, las empresas necesitan tener acceso a la tecnología que pueden procesar y sincronizar las cantidades masivas de datos de los clientes interactivos que generan cada día, en tiempo real. Según un informe del CMO Council en mayo de 2012, sólo el 30% de los vendedores globales tienen una herramienta o un sistema para aprovechar los datos para llegar a grandes datos y resonar con los clientes a nivel individual - sin embargo, todos tenemos esta capacidad.

El arte y la ciencia de la comercialización requieren un profundo conocimiento del cliente. En la época actual, un cliente puede entenderse en el contexto de sus múltiples interacciones con una marca, que se extienden a través de una amplia gama de puntos de contacto. Esta guía explora cuatro consideraciones importantes para aprovechar esas interacciones para mejorar el compromiso.

1. Crear un perfil robusto y dinámico al cliente desde varias fuentes de datos

Los clientes están frecuentemente interactuando a través de múltiples canales digitales, la generación de grandes cantidades de datos pueden atribuirse a sus perfiles. Al entender cómo los clientes interactúan con su marca en tiempo real a través del correo electrónico, los sitios web, los canales sociales, el móvil o en otro, tendrá la posibilidad de comercializar con ellos con precisión.

Estas imágenes ilustran este punto:

Para los vendedores, los datos utilizados para crear un perfil de cliente dinámico podría ser algo como esto:

 Desde la perspectiva del cliente, su perfil dinámico sería algo como esto:

Maximizar la relevancia y el impacto de cada interacción con el cliente individual y la entrega de valor sin precedentes para el canal de uno permite un nivel de compromiso que impulsa mayores conversiones e ingresos.

Para lograr esto, es necesario:

• Construir segmentos de audiencia con un alto nivel de especificación mediante la captura de todos los datos transaccionales y de comportamiento, elaborado a partir de fuentes estructuradas y no estructuradas, para crear un "en vivo" perfil de cada cliente individual.

• Mantenga los segmentos actualizados en tiempo real basados en los cambios en el perfil de cada cliente y los datos de comportamiento a informar a las futuras iniciativas de marketing digital.

• Integrar y sincronizar bidireccionalmente con el Customer Relationship Management (CRM) para las bases de datos para aumentar los perfiles de los clientes y permitir una gestión flexible de los datos.

• Identificar e integrar otras fuentes de datos de clientes importantes almacenados dentro de otros departamentos, como las call centers, los sitios de comercio electrónico, y otros repositorios de datos de clientes transaccionales.

2. Aprovechar los datos de perfil y análisis secundarios de ingresos para aportar valor al cliente

Mediante la combinación de toda esta información del cliente "rico" y en constante cambio, con la analítica avanzada, puede crear una visión unificada de todas las oportunidades de ingresos individuales, recoger ideas, y precisamente optimizar los factores que influyen en la conversión.

Aquí hay algunas pautas:

• Desarrollar sistemas que le permiten explorar, descubrir y segmentar en función de todos los datos de los clientes interactivos pertinentes.

• Utilizar los datos del proceso para identificar los atributos en tiempo real de los clientes, la demografía y el comportamiento en línea que pueden afectan a la conversión.

• Nivel de acceso hit-datos de navegación para entender el viaje del cliente digital.

• Definir objetivos personalizados para el cálculo de la campaña y regresar con un mensaje de la inversión (ROI).

Alinear los datos con los objetivos empresariales

Aquí está un ejemplo de cómo un minorista en línea aplica los datos de los clientes para alcanzar sus objetivos de marketing para aumentar el volumen medio de los pedidos y el recuento total del pedido.

¿Cómo se identifican los clientes que se referencian más alto en el número de artículos comprados? Puede comenzar con la amplitud de categoría, la identificación de los clientes que navegan a través de múltiples categorías de su sitio web, como prendas de vestir para mujeres, hombres, niños y niñas. Esto es importante porque significa que este comprador está comprando para varias personas y comprará más artículos en promedio.

El minorista también puede extraer datos transaccionales para buscar a los clientes que aceptan la venta cruzada (cross selling) en las sugerencias. Esto indica que van a comprar más artículos sugeridos para complementar su intención de compra inicial, por lo que se compró en un punto de referencia más alto en el total. ¿Cómo se identifican los clientes que son propensos a gastar más en general? Puede empezar con el umbral de compra. Todos los clientes tienen un monto fijo que no excede en cualquier compra del equipo. Si tiene clientes que presentan un umbral de compra más alto de la media, se puede inferir que van a entregar favorablemente con la mejora del valor medio de los pedidos.

¿Cómo elevar el conteo total del pedido, o el número total de conversiones logradas en un periodo específico de tiempo? Si puede identificar las perspectivas de alto contacto - a los que visitan y navegan a través de su sitio con frecuencia, pero no han comprado - puede apuntar con ofertas especiales para crecer su recuento de orden. Y, si se puede identificar a los clientes que hayan navegado por temas y colocan en sus carritos de compras y no han comprado, se puede apuntar con ofertas especiales para favorecer la salida, lo que aumentará su recuento total del pedido.

3. Desarrollar relevantes a través del canal de las campañas que produzcan resultados

Como hemos dicho antes, los vendedores de hoy debe ir más allá de la orientación a los clientes con mensajes programados que se centren en transacciones y enviados a través de canales específicos ...

... para ser encontrado por los clientes e interactuar con ellos en tiempo real, con un enfoque en las relaciones.

Entonces, ¿cómo empezar? Utilizando flexibles, basados en la experiencia de las herramientas digitales de diseño de la campaña que le ayudará a abordar las oportunidades presentadas por los conocimientos que obtienen de los datos del cliente a través de todos los canales interactivos. Al hacer el Data Insight accesible en un entorno de diseño de campaña, usted será capaz de segmentar, objetivar, programar y enviar mensajes con una mayor precisión y eficiencia.

Por ejemplo, usted querrá que las herramientas:

• Proporcionen un control total sobre el desarrollo de las secuencias de los mensajes de correo electrónico a través de canales sincronizados, sociales, móviles y de una forma que elimine el trabajo innecesario y repetitivo.

• Consolidar todos los flujos de trabajo de la participación del cliente en una vista de una sola vez para que los equipos sean capaces de planificar las estrategias de campaña y trabajar en colaboración en un proceso abierto y orgánico.

• Optimizar la programación a través de cada interacción para garantizar la coherencia del mensaje.

• Guía de diseño de la campaña de una manera que promueva el uso de las mejores prácticas de marketing digital, incluyendo:

      • Contacto de gestión
      • Un nuevo compromiso
      • Campaña de pruebas
      • Segmentación
      • Apuntamiento behaviorístico
      • Canal Cross de re-marketing
      • Transacción de automatización del mensaje
      • Multi-paso en las campañas de goteo

4. Maximizar la eficiencia mediante la automatización

Para lograr estas metas, es necesario la capacidad de reunir a todas las partes en movimiento juntas y hacer que el proceso sea manejable y eficiente. La automatización es la respuesta.

Mediante la automatización de las siguientes actividades, puede optimizar la mensajería para todos los segmentos de audiencia específicos y empresariales en el escenario, y entregar mensajes orientados y relevantes que maximicen el valor de todas las oportunidades de ingresos:

• La recopilación de datos de los clientes interactivos en un solo lugar

• El análisis de estos datos para generar información procesable de los clientes

• La creación y ejecución de los mensajes de correo electrónico promocionales, transaccionales, y provocados en la base y en las campañas en contra de cualquier condición cambiante de los datos nuevos o eventos.

Esto incluye la capacidad para transmitir mensajes activados en tiempo real en los eventos como el abandono de los carritos de la compra o el rebote en la Web en un minuto, en lugar de días, y definir los parámetros de mensajería con un alto nivel de especificidad, incluyendo el factor desencadenante exacto de los factores y los rangos, los segmentos objetivo y el contenido entregado. Esto le permite habilitar escenarios ilimitados de automatización, independientemente del canal, que puede crecer con el tiempo con su base de clientes y la complejidad de las campañas.

Un argumento para la Automatización

En el cuarto trimestre de 2011, desencadenamos mensajes de correo electrónico que tenían un 96% más de altas tasas de apertura y 125% más de clics que los mensajes"usuales de empresa".

Historia de Éxito de Graham And Green: ¿Cómo usa Graham Green la  segmentación del comportamiento para aumentar los ingresos a través del email en un 185%?

Acerca de Graham Green: Graham Green es una empresa b ritánica que está en el mercado del diseño de interiores británicos y tienda de regalos. La compañía opera en dos lugares emblemáticos de Londres, produce cuatro catálogos de publicidad directa al año, y dirige un departamento de pedidos por correo con éxito. Su página web representa casi el 80% de sus ingresos.

El reto empresarial: Durante muchos años, la compañía se centró en el crecimiento de su base de datos al cliente en línea y correo electrónico. Con una gran base de datos en su lugar, la compañía centró su atención en la conducción de las compras repetidas entre esta base de clientes existente. Graham Green seleccionó Lyris como plataforma de marketing digital y puso en marcha la asociación con una serie de campañas dirigidas al comportamiento utilizando las capacidades de análisis conductual de Lyris.
La solución: Tradicionalmente, Graham Green envía dos correos electrónicos a la semana a su base de datos completa:

• Postal de correo electrónico que cuenta con un solo producto o una inyección de vida de varios productos

• Multi-producto de correo electrónico impulsado, por lo general basado en un tema o evento.
Si bien esta metodología devuelve bastante bien las tasas de apertura únicas, consiguiendo tasas de conversión buenas, demostrando consistentemente a ser más difícil. Al comenzar con Lyris, Graham Green comenzó a rastrear el comportamiento del cliente en el sitio web - en concreto, donde los suscriptores fueron al sitio web de Graham Green y de sus campañas de email.

Con estos datos en la mano, Graham Green ya estaba listo para lanzar una serie de pruebas específicas.

Prueba una: Accesorios. Graham Green con los primeros suscriptores realizó pruebas específicas de los que habían visitado los accesorios para el hogar en la sección de la web en los últimos tres meses. El correo electrónico fue personalizado y ofrece por tiempo limitado el 10% de descuento en todas las compras en la sección de accesorios.

Aunque las tasas de apertura típica de Graham Green son alrededor del 20%, la oferta generada de comportamiento dirigido tuvo un ritmo asombroso del 49% de apertura y una tasa de conversión del 1,1%. Un día después, la empresa siguió con un recordatorio por correo electrónico señalando la oferta que expiraba en 24 horas. Una vez más, la campaña generó resultados sorprendentes con una tasa de 36% de apertura y una tasa de conversión del 1,3%.

Prueba dos: Muebles: Animados por estos resultados preliminares, Graham Green se trasladó a una categoría más exigente: los muebles. Con su punto de precio más alto, los muebles son una decisión de compra y considerado una línea más difícil de vender. Utilizando análisis Lyris, la compañía sacó una lista específica de los clientes que habían visto la sección de muebles de su sitio web en los tres meses anteriores.

Esta vez el objetivo era generar conciencia de una nueva línea de muebles. El correo electrónico fue personalizado de nuevo y presentó la campaña como un "adelanto" de la nueva línea para los suscriptores registrados. Los resultados fueron fuertes otra vez, generando una tasa de 40% de apertura y una conversión (conversión es más difícil para una compra de gama alta como los muebles).

Prueba Tres: Dormitorios: Como tercera prueba, Graham Green envió un correo electrónico a los suscriptores que habían visto la categoría de habitación en su sitio web en los tres meses anteriores. Esta campaña también fue personalizada y contó con una oferta de descuento del 10% en las compras de dormitorio. Al igual que en las dos pruebas anteriores, la campaña generó resultados impresionantes con una tasa de 44% de apertura y un 12% en el porcentaje de clics.

Los resultados: Graham y Green con el comportamiento dirigido dejó un incremento del 89% en las tasas de apertura, un aumento del 92% en porcentajes de clics, y un impresionante aumento del 185% en los ingresos por 1.000 correos electrónicos. Otra de las ventajas de enviar las campañas de correo electrónico era una reducción en las quejas de correo basura, salvaguardar la entrega para futuras campañas.

Conclusión: Resolver el desafío de grandes volúmenes de datos para los vendedores

En el actual entorno de marketing dinámico e impredecible digital, imprescindible que el vendedor es escuchar y responder a las ideas basadas en datos y participar en conversaciones significativas con los clientes. Las empresas que pueden aprovechar los datos importantes para entregar consistentemente valor a cada cliente individual estarán en mejores condiciones para cumplir con su promesa de marca, y aumentar las conversiones y los ingresos.

Artículos relacionados:

Social Media y el Marketing Relacional

81 Herramientas o recursos para el Marketing B2B 

El Estado del Social Media en el 2012 (Infografía) 

99 Nuevos Ebooks Gratuitos Sobre Social Media 

Construyendo una Empresa con Social Media 

¿Cómo promocionarse en las Redes Sociales? 

Medir el éxito de un sitio web de soporte: Un Punto de Vista

Usar los Medios Sociales Para Satisfacer los Prospectos Donde Ya Están 

 Los  Mercados Online de Envato: ebooks, tutoriales, vídeos, cursos, temas para WordPress y App