Son muchos los artículos y noticias que te hablan de los beneficios y bondades de aplicar Machine Learning en tu empresa. Pero, ¿qué es realmente esta máquina de aprendizaje?
La mayoría de nosotros ya debe haber visto alguna serie en Netflix y ha hecho uso de su sistema de recomendación de películas y series basado en nuestros gustos y comportamiento en la plataforma. Esto es exactamente Machine Learning.
Un modelo estadístico/matemático que a través de una serie de variables (temática de la serie, número de comentarios positivos, minutos totales que invertimos en ver el capítulo, etc.) es capaz de predecir algo. En este caso, cuál sería la serie, película, documental, etc. que más se ajusta a nosotros.
Netflix organizó en 2009 una competición mundial donde los participantes tenían que mejorar su algoritmo actual de recomendación.
Visto así tampoco parece tan difícil que nos podamos ir aproximando a este tipo de técnicas, ¿verdad?
Antes de comenzar tendremos que garantizar ciertos puntos que te voy a citar a continuación:
Almacena tus datos
Imagina que quieres diseñar un sistema de pricing dinámico en tu ecommerce (como ya hace por ejemplo Groupon). ¿Qué variables necesitaría?
Primeramente, tendrás que predecir la demanda de tus productos y podrías utilizar: variables que te definan la estacionalidad (festivos, días de la semana, etc.), precios de tu competencia, tu precio propio para cada SKU, campañas de Marketing, número de veces que se busca ese producto, etc.
Cómo ves, la robustez del modelo dependerá de la significatividad y calidad de los inputs que éste contenga y, por supuesto, del histórico que se tenga. Porque para predecir, tenemos que conocer muy bien el pasado.
Por tanto, comienza a almacenar los datos que puedan ser valiosos introducir en tu algoritmo.
Visualiza tus datos
¿Qué inputs pueden ser importantes en mi machine learning? Cómo debes estar pensando ahora mismo, ésta es una decisión compleja que bien decide el analista, o bien la máquina. Yo soy partidario de un mix de ambos.
Las variables a las que te enfrentas esconden determinado conocimiento que es fácilmente observable con un gráfico. Sí, un gráfico. Los grandes desconocidos para muchos usuarios de negocio.
Un simple diagrama de cajas, un gráfico de líneas o uno circular pueden darte mucha información para introducir a tu algoritmo. No te olvides de la matriz de correlaciones.
Tableau es un software que puede ayudarte en tu análisis visual a través de gráficos interactivos.
Comienza con tu modelo
Tras haber seguidos los pasos anteriores y haber asistido a un par de cursos de Machine Learning en Udemy, Udacity o Coursera, ya estás preparado para dar tus primeros pasos en tu algoritmo.
Cómo ya habrás escuchado e incluso estudiado durante tu aprendizaje, existen diferentes tecnicas estadísticas con sus respectivas variaciones para cada tipo de problema: modelos de regresión lineal o multivariante, modelos logit/probit, k-means, Collaborative Filtering, Random Forest, Neural Networks, etc.
Si eres más valiente y te gusta programar, investiga en la variedad de librerías que te ofrecen R o Python.
Si quieres empezar poco a poco, te recomienzo que utilices AWS Machine Learning o Azure Machine Learning Studio, son plataformas donde no tendrás que preocuparte por la técnica a utilizar (ellas mismas te lo recomiendan en base a los datos que proporcionas), ni tampoco por la puesta en producción.
Si sigues estas 3 pautas, conseguirás que tu empresa agilice y optimice procesos a través de la aplicación de machine learning en sus diferentes áreas.
Por último, te recomiendo que veas el capítulo de Black Mirror (serie obligatoria para los amantes del dato), Hang the DJ. Y si te apetece cuéntanos en los comentarios como aplican Machine Learning.
Very valid, pithy, suticncc, and on point. WD.