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)? 

 

¿Qué es la Inteligencia Artificial? Aplicaciones de la Inteligencia Artificial en el Marketing

Actualmente no hay consenso sobre la forma en que se debe simular el cerebro. (Foto crédito: Wikipedia)

Artificial intelligence (AI) es la inteligencia exhibida por las máquinas. En informática, el campo de la investigación de la IA (Inteligencia Artificial) se define como el estudio de los 'agentes inteligentes': cualquier dispositivo que percibe su entorno y tome acciones que maximicen sus posibilidades de éxito en algún objetivo. Coloquialmente, el término 'Inteligencia Artificial' se aplica cuando una máquina imita funciones 'cognitivas' que los seres humanos asocian con otras mentes humanas, tales como 'aprendizaje' y 'resolución de problemas'.

A medida que las máquinas se hacen cada vez más capaces, las instalaciones mentales, una vez que se pensó que requieren inteligencia, se eliminan de la definición. Por ejemplo, el reconocimiento óptico de caracteres ya no se percibe como un ejemplo de 'Inteligencia Artificial', habiéndose convertido en una tecnología de rutina. Las capacidades actualmente clasificadas como AI incluyen la comprensión exitosa del habla humana, la competencia a un alto nivel en sistemas estratégicos de juego (como el ajedrez y Go), automovilismo, enrutamiento inteligente en redes de distribución de contenido, simulaciones militares e interpretación de datos complejos.

La investigación de la IA se divide en subcampos que se centran en problemas específicos, enfoques, el uso de una herramienta particular, o hacia la satisfacción de aplicaciones particulares.

Los problemas centrales (o metas) de la investigación de la IA incluyen el razonamiento, el conocimiento, la planificación, el aprendizaje, el procesamiento del lenguaje natural (comunicación), la percepción y la capacidad de mover y manipular objetos. La inteligencia general es uno de los objetivos a largo plazo del campo. Los enfoques incluyen métodos estadísticos, inteligencia computacional y AI simbólica tradicional. Muchas herramientas se utilizan en la AI, incluyendo versiones de búsqueda y optimización matemática, lógica, métodos basados en la probabilidad y la economía. El campo de la AI se basa en la informática, las matemáticas, la psicología, la lingüística, la filosofía, la neurociencia, la psicología artificial. el marketing y muchos otros.

El campo se fundó en la afirmación de que la inteligencia humana 'puede describirse tan precisamente que se puede hacer que una máquina la simule'. Esto plantea argumentos filosóficos sobre la naturaleza de la mente y la ética de crear seres artificiales dotados de inteligencia humana, cuestiones que han sido exploradas por el mito, la ficción y la filosofía desde la antigüedad. Algunas personas también consideran que AI es un peligro para la humanidad si progresa sin cesar. Los intentos de crear Inteligencia Artificial han experimentado muchos contratiempos, como el informe ALPAC de 1966, el abandono de las percepciones en 1970, el informe Lighthill de 1973, el segundo invierno de la IA 1987-1993 y el colapso del mercado de la máquina Lisp en 1987.

En el siglo XXI, las técnicas de la AI, tanto duras (usando un enfoque simbólico) como suaves (sub-simbólicas), han experimentado un resurgimiento tras los avances simultáneos en la potencia informática, los tamaños de los conjuntos de entrenamiento y la comprensión teórica. Se convierten en una parte esencial de la industria de la tecnología, ayudando a resolver muchos desafiantes problemas en informática. Los avances recientes en la AI, y específicamente en el aprendizaje de máquinas, han contribuido al crecimiento de las "Cosas Autónomas" como los drones y los automóviles autodirigidos o autónomos, convirtiéndose en el principal impulsor de la innovación en la industria automotriz.

Mapeo de las tecnologías de la AI más eficaces para el marketing en todo el ciclo de vida del cliente

La tecnología de la AI es un tema candente en el marketing en este momento, pero la AI es un término amplio que abarca una amplia gama de diferentes tecnologías. La Inteligencia artificial significa cualquier tecnología que busca imitar la inteligencia humana, que abarca una amplia gama de capacidades tales como el reconocimiento de voz e imagen, técnicas de aprendizaje automático y búsqueda semántica. A los profesionales de marketing les gusta leer sobre las últimas tecnologías y aprovechar la Inteligencia Artificial para el reconocimiento de imágenes, el reconocimiento de voz, la prevención de fugas de datos o incluso la orientación de los drones en comunidades remotas. Todo bien o muy bien. Pero, ¿cómo demonios se supone que los vendedores deben hacer algo con esa información? ¿Es sólo un bombo, o no se puede implementar?.

Es por eso que hemos identificado quince técnicas de Inteligencia Artificial que las empresas de todos los tamaños pueden implementar, en lugar de técnicas a las que sólo los grandes gigantes tecnológicos pueden dedicar recursos. También hemos trazado las técnicas en todo el ciclo de vida del cliente para que pueda ver cómo cada táctica de la AI puede ayudar a llevar a sus clientes por el embudo de la comercialización.

Todas las técnicas son de 'AI' en el sentido de que involucran la inteligencia informática, pero las hemos dividido en 3 tipos diferentes de tecnología: Las Técnicas de Aprendizaje Automático, los Modelos de Propensión Aplicada y las Aplicaciones de la AI. Las técnicas de aprendizaje automático implican el uso de algoritmos para 'aprender' a partir de conjuntos de datos históricos, que pueden crear modelos de propensión. Los Modelos de Propensión Aplicada son cuando estos modelos de propensión se ponen a trabajar la predicción de los acontecimientos dados, tales como la puntuación de los conductores basados en su probabilidad de convertir. Las aplicaciones de AI son otras formas de AI, que realizan tareas que normalmente se asocian con un operador humano, como responder a preguntas de los clientes o escribir nuevos contenidos.

Cada aplicación tiene implicaciones importantes para los vendedores, pero las aplicaciones tienen diferentes funciones que desempeñar a lo largo del viaje del cliente. Algunos son mejores para atraer a clientes, mientras que otros son útiles para la conversión o volver a comprometer a los clientes pasados. Es por eso que hemos dividido las técnicas en todo el marco RACE (Estrategias del Proceso de su Táctica de Marketing Digital).

RACE es un marco práctico para ayudar a administrar y mejorar los resultados de su marketing digital. En última instancia, se trata de utilizar las mejores prácticas técnicas de análisis web para obtener más valor comercial de las inversiones en marketing digital. Esperamos que ayude a simplificar su enfoque para revisar el rendimiento de su marketing en línea y tomar acciones para mejorar su eficacia.

Alcance - Atrae a los visitantes con una gama de técnicas entrantes

Alcance implica el uso de técnicas tales como el marketing de contenido, el SEO y otros 'medios ganados' para llevar a los visitantes a su sitio e niciarlos en el viaje del comprador. La AI & amp; Los modelos de Propensión aplicados se pueden utilizar en esta etapa para atraer más visitantes y ofrecer a aquellos que llegan a su sitio con una experiencia más atractiva.

1. Contenido generado por la AI

Esta es una zona muy interesante para la AI. La AI no puede escribir una columna de opinión política o una publicación de blog sobre consejos de las mejores prácticas específicas de la industria, pero hay ciertas áreas en las que el contenido generado por la AI puede ser útil y ayuda a atraer visitantes a su sitio.

Para ciertas funciones, los programas de escritura de contenido de la AI son capaces de seleccionar elementos de un conjunto de datos y estructurar un artículo de 'sondeo humano'. Un programa de escritura de la AI llamado 'WordSmith' (Produce un contenido perspicaz y personalizado a partir de sus datos que se comunica con cada individuo en la forma en que todos entienden: la palabra escrita)  produjo 1,5 mil millones de pedazos de contenido en 2016, y se espera que crezca más lejos en renombre en los años que vienen.

Los escritores de la AI son útiles para reportar eventos regulares y centrados en los datos. Los ejemplos incluyen informes de ganancias trimestrales, partidos deportivos y datos de mercado. Si opera en un nicho relevante, como los servicios financieros, el contenido generado por la AI podría formar un componente útil de su estrategia de marketing de contenido. La buena noticia es que las ideas automatizadas, la empresa que está detrás de Wordsmith, ha anunciado una versión beta gratuita de su aplicación de escritura de AI, para que pueda probar la tecnología y ver si podría ser útil para su marca.

2. Curación de contenido inteligente

La restauración de contenidos de la AI le permite participar mejor a los visitantes en su sitio mostrándoles contenido relevante. Esta técnica se encuentra más comúnmente en la sección 'clientes que compraron X que también compraron' en muchos sitios, pero también puede aplicarse al contenido del blog y personalizar la mensajería del sitio de forma más amplia. También es una gran técnica para las empresas de suscripción, donde más que uno utilizan el servicio, más datos que el algoritmo de aprendizaje de la máquina tiene que utilizar y mejores son las recomendaciones de contenido. Piense en el sistema de recomendación de Netflix para poder recomendar consistentemente y que muestre lo que le interesaría.

3. Búsqueda por voz

La búsqueda por voz es otra tecnología de la IA, pero cuando se trata de usarla para comercializar, se trata de utilizar la tecnología desarrollada por los principales actores (Google, Amazon, Apple) en lugar de desarrollar su propia capacidad. La búsqueda de voz cambiará las estrategias futuras del SEO, y las marcas deben mantenerse al día. Una marca que añade la búsqueda de voz puede aprovechar grandes ganancias en el tráfico orgánico con una alta intención de compra gracias al aumento del tráfico de búsqueda de voz debido a los asistentes personales virtuales dirigidos por la IA.

4. Compra de medios programáticos

La compra programática de medios puede utilizar modelos de propensión generados por algoritmos de aprendizaje automático para orientar más eficazmente los anuncios en los clientes más relevantes. Los anuncios programáticos deben ser más inteligentes a raíz del reciente escándalo de seguridad de Google. Se reveló que los anuncios colocados de forma programática a través de la red publicitaria de Google aparecían en los sitios web de terroristas. La AI puede ayudar aquí reconociendo los sitios dudosos y eliminándolos de la lista de anuncios de sitios que se pueden colocar.

La acción - atraer a los visitantes y hacerlos conscientes de su producto

5. Modelado de propensión

Como ya se mencionó, el modelado de propensión es el objetivo de un proyecto de aprendizaje automático. El algoritmo de aprendizaje de máquina se alimenta de grandes cantidades de datos históricos, y utiliza estos datos para crear un modelo de propensión que (en teoría) es capaz de hacer predicciones precisas sobre el mundo real. El siguiente diagrama muestra las etapas de este proceso.

6. Análisis predictivo

El modelado de la propensión puede aplicarse a un número de áreas diferentes, tales como predecir la probable protección de un cliente dado para convertirse, predecir en qué precio un cliente es probable que se convierta o qué clientes tienen más probabilidades de hacer compras repetidas. Esta aplicación se denomina análisis predictivo, ya que utiliza datos analíticos para hacer predicciones sobre cómo se comportan los clientes. Lo más importante a recordar es que un modelo de propensión sólo es tan bueno como los datos proporcionados para crearlo, por lo que si hay errores en sus datos o un alto nivel de aleatoriedad, será incapaz de hacer predicciones precisas.

7. Puntuación del Lead

Los modelos de propensión generados por el aprendizaje automático pueden ser entrenados para puntuar los resultados basándose en ciertos criterios para que su equipo de ventas pueda establecer la potencia de un liderazgo dado y si vale la pena dedicarle tiempo. Esto puede ser particularmente importante en los negocios B2B con procesos de venta consultivos, donde cada venta toma una cantidad considerable de tiempo por parte del equipo de ventas. Al ponerse en contacto con los clientes más relevantes, el equipo de ventas puede ahorrar tiempo y concentrar su energía donde es más eficaz. Las ideas sobre la propensión de los clientes potenciales a comprar también pueden utilizarse para orientar las ventas y los descuentos donde son más eficaces.

8. Orientación de anuncio

Los algoritmos de aprendizaje de máquina pueden ejecutar a través de grandes cantidades de datos históricos para establecer qué anuncios funcionan mejor en qué personas y en qué etapa del proceso de compra. Usando estos datos pueden servirles con el contenido más efectivo en el momento adecuado. Al utilizar el aprendizaje automático para optimizar constantemente miles de variables, puede lograr una colocación y un contenido de anuncios más eficaces que los métodos tradicionales. ¡Sin embargo, todavía necesitará a seres humanos para realizar las piezas creativas!

Convertir - empujar a los consumidores interesados a convertirse en clientes

9. Precio dinamico

Todos los vendedores saben que las ventas son eficaces en cambiar el precio de su producto. Los descuentos son extremadamente poderosos, pero también pueden perjudicar su línea de fondo. Si hace dos veces más ventas con un margen más pequeño de dos tercios, ha hecho menos beneficio si no tuviera una venta.

Las ventas son tan eficaces porque hacen que la gente compre su producto que previamente no se habría considerado capaz de justificar el costo de la compra. Pero también significa que las personas que hubieran pagado el precio más alto pagarían menos de lo que tendrían.
La fijación de precios dinámicos puede evitar este problema, dirigiendo sólo las ofertas especiales sólo a aquellos que puedan necesitarlas para convertirlas. El aprendizaje de la máquina puede construir un modelo de propensión de los rasgos que muestra un cliente que es probable que necesite una oferta para convertir, y que son propensos a convertir sin necesidad de una oferta. Esto significa que puede aumentar las ventas sin reducir sus márgenes de ganancias por mucho, maximizando así los beneficios.

10. Personalización de la Web y las aplicaciones

El uso de un modelo de propensión para predecir la etapa del cliente en el viaje del comprador puede permitirle servir a ese cliente, ya sea en una aplicación o en una página web, con el contenido más relevante. Si alguien sigue siendo nuevo en un sitio, el contenido que los informa y los mantiene interesados será más eficaz, mientras que si han visitado muchas veces y están claramente interesados en el producto, entonces un contenido más profundo sobre los beneficios de un producto tendrá un mejor rendimiento.

11. Chatbots

Los Chatbots imitan la inteligencia humana por ser capaces de interpretar las consultas del consumidor y completar los pedidos para ellos. Puede pensar que los chatbots son extremadamente difíciles de desarrollar y sólo las grandes marcas con presupuestos masivos podrán desarrollarlos. Pero en realidad, utilizando las plataformas abiertas de desarrollo de chatbot, es relativamente fácil crear su propio chatbot sin un gran equipo de desarrolladores.

Facebook está interesado en facilitar el desarrollo de los chatbots para las marcas. Quiere hacer que su aplicación Messenger sea el lugar para que las personas tengan conversaciones con los embajadores virtuales de la marca. La buena noticia para las marcas es que esto significa que pueden utilizar algunas de las poderosas herramientas de desarrollo del bot de Facebook. Usando las lecciones que han aprendido de las pruebas beta de 'M' (Facebook Messenger con su propio chatbot), Facebook ha creado un motor de bot (wit.ai) que le permite entrenar bots con conversaciones de ejemplo y que sus robots continuamente están aprendiendo a interactuar con los clientes. Si está interesado en construir un chatbot para su marca dentro de la plataforma Messenger, Facebook ha creado instrucciones útiles para saber cómo hacerlo, que lo puede encontrar en su sitio de Facebook para desarrolladores.

12. Re-targeting

Al igual que con la orientación de anuncios, el aprendizaje automático puede utilizarse para establecer qué contenido es más probable que traiga clientes de vuelta al sitio basándose en datos históricos. Mi construcción de un modelo de predicción precisa qué contenido funciona mejor para recuperar a los diferentes tipos de clientes, el aprendizaje automático puede utilizarse para optimizar los anuncios de reorientación para que sean lo más efectivos posible.

Atraer - Mantenga a sus clientes de regreso

13. Servicio de atención al cliente predictivo

Es mucho más fácil hacer ventas repetidas a su base de clientes existente que atraer a nuevos clientes. Así que mantener a sus clientes existentes felices es clave para su línea de fondo. Esto es particularmente cierto en el negocio basado en la suscripción, donde una alta tasa de bajas puede ser extremadamente costosa. La analítica predictiva se puede utilizar para determinar qué clientes tienen más probabilidades de cancelar la suscripción de un servicio, evaluando qué características son más comunes en los clientes que se dan de baja. Entonces es posible llegar a estos clientes con ofertas, avisos o asistencia para evitar que se agiten.

14. Automatización del Marketing

Las técnicas de automatización del marketing generalmente implica una serie de reglas, que cuando se desencadenó la interacción de la iniciativa con el cliente. Pero, ¿quién decidió estas reglas? En general, un vendedor que es, básicamente, el que adivina lo que será más eficaz. El aprendizaje de máquina puede funcionar a través de miles de millones de puntos de datos de los clientes y establecer cuándo son los momentos más eficaces para hacer el contacto, qué palabras en las líneas de asunto son más eficaces y mucho más. Estos conocimientos se pueden aplicar para aumentar la eficacia de sus esfuerzos en la automatización de marketing.

15. 1:1 emails dinámicos

De manera similar a la automatización de marketing, la aplicación de conocimientos generados a partir de la máquina de aprendizaje puede crear de forma eficaz 1:1 mensajes de correo electrónico dinámicos. La analítica predictiva que utiliza un modelo de propensión puede establecer una propensión de los suscriptores a comprar ciertas categorías, tamaños y colores a través de su comportamiento anterior y muestra los productos más relevantes en los boletines. El stock del producto, las ofertas, los precios deben ser correctos en el momento de abrir el correo electrónico.

Fuentes:

- Jeffrey Strickland, “Predictive Analytics Using R“
- "Artificial Intelligence Marketing and Predicting Consumer Choice: An Overview of Tools and Techniques" (28 Abril, 2017 por Dr Steven Struh)