PathMBA Vault

Analytics and data science

Necesita un algoritmo, no un científico de datos

por Kira Radinsky

dec14_15_159737162

Mark Twain dijo una vez: «El pasado no se repite, sino que rima». Aunque los acontecimientos futuros tienen circunstancias únicas, suelen seguir patrones pasados conocidos. Hoy en día, los científicos de datos pueden predecirlo todo desde brotes de enfermedades a mortalidad a disturbios.

No sorprende, entonces, que las empresas que intentan escuchar las rimas y ver los patrones de sus conversiones de ventas estén intentando analizar manualmente sus propios datos, contratar los mejores científicos de datos y capacitar a sus gerentes para ser más cuantitativo.

Sin embargo, este enfoque centrado en las personas y de alto contacto no es escalable. Los mercados son demasiado dinámicos y algunos de los cambios son demasiado imperceptibles como para que los humanos los capten de manera realista.

Pensemos en una empresa que vende dispositivos electrónicos. Digamos que, históricamente, se han vendido bien a empresas que valoran su entrega rápida y la calidad de sus productos. A medida que pasa el tiempo, la competencia crece y surge una tendencia mundial de productos ecológicos. El perfil del cliente perfecto de la empresa cambia poco a poco y podría pasar desapercibido si se examina el mercado manualmente. Sin embargo, esos pequeños cambios se identifican mediante algoritmos que supervisan continuamente el ciclo histórico de ventas de la empresa, lo comparan con fuentes externas, como publicaciones en redes sociales y artículos de periódicos sobre estas tendencias, y encuentran correlaciones con la propensión a comprar. Debido al tamaño de esta base de información y a su naturaleza desestructurada, monitorear todos esos cambios delicados en tiempo real se convierte en una tarea casi imposible para un analista humano.

Si bien pocas empresas se pueden dar el lujo de tener científicos de datos con la experiencia necesaria para desarrollar estos sofisticados algoritmos, ni el personal necesario para analizar los resultados de forma eficaz, hoy en día es menos necesario. La ciencia de datos hoy en día requiere menos expertos, ya que se están desarrollando y utilizando muchas más herramientas automatizadas para analizar miles de eventos. (Divulgación: mi empresa, SalesPredict, pertenece a este sector.) Las herramientas más sofisticadas requieren muy poca o ninguna intervención humana, cero tiempo de integración y casi no necesitan servicio para volver a ajustar el modelo predictivo a medida que la dinámica cambia.

Hoy en día, los algoritmos automatizados pueden identificar patrones y proporcionar información como:

  • ¿Se ha dado cuenta de que una gran parte de su rotación de clientes proviene de empresas que no han utilizado una función específica de su producto en los últimos tres meses?
  • ¿Se ha dado cuenta de que los clientes potenciales que se convirtieron en operaciones cerradas este mes procedían de empresas medianas y de alto crecimiento que buscaban palabras clave para comparar su producto con el de la competencia?

Pero a medida que su empresa cambie, las respuestas también cambiarán, y se necesitará cada vez más automatización para hacer un seguimiento de esos cambios y ofrecer al líder empresarial recomendaciones prácticas y en tiempo real que sean siempre relevantes.

En los próximos años, creo que muchas empresas, especialmente el B2B, utilizarán la predicción en sus negocios. Pero quienes saquen el máximo provecho de estos análisis serán los que utilicen algoritmos automatizados, que son más rápidos, precisos, escalables y adaptables que los datos analizados manualmente.

En la negociación de acciones, los analistas humanos alguna vez hacían las operaciones. Hoy en día, cada vez más algoritmos de aprendizaje automático automatizados acompañan sus decisiones. Se ha hecho mucho más difícil competir sin esos algoritmos. Del mismo modo, en los próximos años, muy pocas empresas pueden permitírselo no tener sistemas automatizados de toma de decisiones que extraigan sus datos y sugieran las mejores acciones siguientes, no solo en las operaciones, sino también en los departamentos de marketing, ventas y servicio al cliente. Seguir una gran cantidad de información en constante cambio será la ventaja competitiva.

Artículos Relacionados

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Arreglar los chatbots requiere psicología, no tecnología

Arreglar los chatbots requiere psicología, no tecnología

Los chatbots dotados de IA se están convirtiendo en el nuevo estándar para la gestión de consultas, reclamaciones y devoluciones de productos, pero los clientes se alejan de las interacciones con los chatbots sintiéndose decepcionados. La mayoría de las empresas intentan solucionar este problema diseñando mejores modelos de IA en sus chatbots, pensando que si los modelos suenan lo suficientemente humanos, el problema acabará desapareciendo. Pero esta suposición es errónea. Esto se debe a que el problema de fondo no es tecnológico. Es psicológico: Hay que engatusar a la gente para que vea a los chatbots como un medio positivo de interacción. Los autores han analizado recientemente las últimas investigaciones sobre chatbots e interacciones IA-humanos, y en este artículo presentan seis acciones probadas que puede llevar a cabo al desplegar su chatbot de IA para impulsar la satisfacción, la percepción positiva de la marca y las ventas.

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?

Para combatir el creciente desgaste del personal, muchas empresas han defendido programas de bienestar y han fomentado un enfoque renovado en el equilibrio entre la vida laboral y personal. Pero un nuevo estudio descubrió que incluso cuando los líderes reconocían que desvincularse del trabajo aumenta el bienestar de los empleados y mejora su rendimiento laboral, los directivos seguían penalizando a los empleados que adoptaban estos comportamientos cuando optaban a un ascenso o estaban siendo considerados para un nuevo puesto. Basándose en sus conclusiones, los investigadores ofrecen sugerencias para ayudar a las empresas a crear políticas y construir una cultura que proteja los límites de los trabajadores, evite el agotamiento y recompense el trabajo fuerte.