Cómo el machine learning está detrás de las cosas más cotidianas

Hace unas semanas compartíamos a través de nuestras redes sociales lo contentos que estábamos porque nuestras compañeras del departamento de Customer Intelligence, Lorena López y Lorena Rodríguez, participaron como ponentes en el curso de la UCM: Matemáticas para el mundo y para la sociedad. Durante su intervención, presentaron la aplicación de las Redes Bayesianas en los análisis de grandes cantidades de datos y, además, tuvieron la oportunidad de formar parte de una mesa redonda, donde explicaron los servicios del departamento y su funcionamiento.

Os lo resumimos en los siguientes párrafos:

Primera parte. Redes Bayesianas

Debido a la necesidad de tomar decisiones rápidamente en un mundo que está en continua transformación, es fundamental disponer de herramientas que nos ayuden a extraer el valor real de los datos que reside en la información que podamos obtener de ellos. Información que nos ayude a mejorar nuestra comprensión de los fenómenos que nos rodean. Se trata de interpretar grandes cantidades de datos y encontrar relaciones o patrones. Para ello, harán falta técnicas de aprendizaje automático, Machine Learning, a partir de las cuales seremos capaces de aprender reglas a partir de los datos.

Nuestra compañera Lorena López Valdivia junto con su tutora de Doctorado Paloma Maín Yaque proponen las Redes Bayesianas (RBs) como método para la realización de este análisis, como tuvieron ocasión de explicar en los recientes Cursos de Verano de El Escorial.

¿Qué son las Redes Bayesianas?

Las RBs son un modelo de representación de conocimiento. Modelos que describen las relaciones de dependencia/independencia entre las variables, expresando además de forma numérica la fuerza de dichas relaciones.

Lo que hace que su uso sea verdaderamente atractivo es el hecho de utilizar una representación gráfica para la explicación de la información. A parte de su habilidad de organizar un problema de una forma sencilla y secuencial a través del conjunto de variables y de las relaciones de dependencia existente entre ellas. Abordan dos problemas importantes como son la incertidumbre y la complejidad permitiéndonos aprender sobre las relaciones de dependencia y causalidad ya mencionadas, así como evaluar todas las historias posibles. Con este modelo, además, vamos a poder predecir o estimar valores de interés en situaciones o casos aún no observados.

Formalmente, una RB se define como un grafo acíclico dirigido (DAG) donde los nodos representan variables aleatorias que pueden ser continuas o discretas y los arcos representan las relaciones de dependencia directa entre las variables.
	Ejemplo de Red Bayesiana Nodos/Variables = {A, B, C, D, E, F, G, H, I} Arcos = La unión entre cada nodo.

En definitiva, una red puede considerarse como una representación gráfica compacta de una evolución de todas las posibles historias relacionadas con un escenario. Por tanto, la estructura de la red nos da información sobre las dependencias probabilísticas entre las variables pero también sobre las independencias condicionadas de una variable (o conjunto de variables) dada otra u otras variables.

De esta manera, destacamos que las RBs son una herramienta innovadora que nos posibilita, entre otras cosas:

• Diseñar el valor del ciclo de vida del cliente
• Prevenir el riesgo de abandono de los clientes
• Segmentar a los clientes
• Construir una relación sólida con el consumidor

Y en definitiva tomar mejores decisiones.

Segunda parte. Mesa redonda «Machine learning y las matemáticas que hay detrás»

Durante la segunda parte de la jornada se realizó una mesa redonda dónde junto con la representación de Artyco (Lorena López Valdivia y Lorena Rodríguez Chamorro), estuvieron Paloma Maín Yaque y Javier Yáñez Gestoso, ambos profesores titulares en la Facultad de Ciencias Matemáticas de la Universidad Complutense de Madrid y Lucas García Rodríguez que actualmente trabaja en Mathworks desarrollando algoritmos de identificación de imágenes.

En ella dimos a conocer quiénes somos, cuáles son nuestros servicios y hacia dónde queremos dirigirnos, poniendo así en antecedentes a los alumnos para posteriormente detallar cómo desde Artyco integramos el Machine Learning en el entorno del Marketing. Cómo, con tanto flujo de información y fuentes de datos tan diversas resulta necesario disponer de una buena capacidad de análisis, así como formación en Matemáticas/Estadística para desarrollar las distintas técnicas que nos brinda el Machine Learning, con las que obtenemos ese conocimiento a partir del cual, somos capaces de medir de forma más efectiva nuestras campañas, haciéndolas más rentables, optimizar la atención de los clientes, mejorar la adquisición de los mismos y su conversión mediante el uso de la segmentación, crear nuevas oportunidades, anticiparnos al comportamiento del cliente… nos reporta un sinfín de beneficios, haciendo mención especial a la mejora en la toma de decisiones.

Se les explicó como los conocimientos que están adquiriendo en la Universidad pueden ser llevados a la práctica, y en un ámbito aparentemente tan distinto como puede ser el Marketing, en el que se hace indispensable tener un buen análisis de los datos para una correcta gestión y un buen enfoque de cada proyecto, y por lo tanto, el marketing se nutre de resultados y análisis matemáticos.

Mencionamos diversos casos reales dónde se han utilizado distintas técnicas de Machine Learning cómo, por ejemplo, la ya mencionada Redes Bayesianas, y otros procedimientos tales como, Algoritmos de agrupamiento, Árboles de decisión, Reglas de asociación, Series Temporales, aplicadas a diferentes estudios, como son: Segmentación de Clientes, Probabilidad de compra, Predicción de Ventas, Análisis del Comportamiento del Cliente, entre otros.

Finalmente, los cinco integrantes de la mesa redonda tuvimos la ocasión de valorar la importancia de las matemáticas para el Mundo y para la Sociedad, así como resolver las cuestiones que a lo largo de la jornada fueron planteadas.

Para concluir, nos gustaría reflejar lo enriquecedor que ha sido poder ser partícipes de esta jornada, tanto a nivel profesional como personal. Agradecer a la Universidad la oportunidad de dar a conocer la investigación que estamos realizando a través del Doctorado sobre las Redes Bayesianas cómo técnica de apoyo a la toma decisiones, acción que cada vez se hace más difícil por el desbordamiento de información y que en Artyco estamos aplicando en diversos proyectos, proporcionándonos tan buenos resultados.

Dedicamos una parte a conversar sobre cómo las matemáticas han evolucionado en el tiempo y cómo este hecho ha provocado a la Sociedad a seguir evolucionando, adaptándose a los continuos cambios, pudiendo comprobar como el machine learning está detrás de las cosas más cotidianas.

Por último, no podíamos irnos sin transmitir el auge actual del perfil técnico, Matemáticos/Estadísticos y lo importante que es actualmente disponer dentro de la organización de estos perfiles capaces de explotar la gran cantidad de información que generamos diariamente y convertirla en conocimiento.