Business Intelligence (BI) hace referencia al manejo de softwares para emplear y transformar datos de forma más rápida, para la toma de decisiones empresariales estratégicas y tácticas de una organización. Las herramientas que se suelen emplear para el análisis conjunto de datos son informes, resúmenes, paneles gráficos, cuadros, etc., con el fin de brindar una idea detallada de la visión que posee el negocio [1]. A esto se puede sumar la introducción de herramientas de Machine Learning (ML) para agilizar el proceso de análisis de datos.
Las diferentes aplicaciones de ML permiten a las empresas gestionar mayor cantidad de datos en un menor tiempo y así aumentar su productividad. Por ejemplo, algunos algoritmos pueden identificar los factores que contribuyen y restan valor a la salud de una marca al analizar sus datos desde todos los ángulos [2].
A continuación se explicarán algunas herramientas en ciertas áreas que facilitarán el manejo y análisis de datos dentro de una compañía que desea emplear BI y ML:
1. Investigación de mercado y segmentación de clientes
Las herramientas para entender patrones de compra de grupos específicos de compradores, ya sea en edades o en ingresos le permitirán a una empresa fijar sus precios y saber qué estrategias incluir. Para ello se puede aplicar un método de clustering y el algoritmo de K-means para tener una mayor precisión sobre la segmentación que vayamos a realizar en nuestra base de datos. Esta herramienta de ML se basa en agrupar a individuos u observaciones bajo las mismas características. En el siguiente enlace web encontrará un ejemplo aplicado a una base real y cómo es utilizado en el área de marketing: https://rubialesalberto.medium.com/segmenta-a-tus-clientes-con-k-means-mediante-python-y-sklearn-3574b98f357f
Además, si desea aprender más sobre el clustering como herramienta de ML puede observar este vídeo tutorial “Clustering Método K-means”:
2. Detección de fraude
La capacidad del ML para comprender patrones y para ver instantáneamente anomalías que quedan fuera de esos patrones, lo convierte en una herramienta valiosa para detectar actividades fraudulentas [3]. Las instituciones financieras suelen emplear técnicas de ML para detectar comportamientos sospechosos con tarjetas de créditos. Para ello pueden emplear Support Vector Machine (SVM), una técnica que consiste en encontrar un hiperplano que maximiza la separación entre diferentes clases dentro de varias dimensiones.
El concepto puede parecer difícil de entender, pero describamos un ejemplo aplicado a las tarjetas de crédito y cómo detectar si se realiza fraude con SVM: Usted posee una base de datos que contiene el número de transacciones realizadas con una tarjeta de crédito por los clientes, puede encontrar que varios clientes emplean diferentes tarjetas para ello necesita saber si cada una de estas es válida. SVM, en este caso, se aplicaría en la clasificación de las diferentes tarjetas para encontrar una clase en común que permita identificar algún movimiento atípico.
Si desea saber más de cómo aplicar herramientas de ML o de SVM a la detección de fraude puede visitar esta página “Credit Card Fraud Detection”: https://towardsdatascience.com/credit-card-fraud-detection-using-machine-learning-python-5b098d4a8edc
3. Dinámicas de los precios
Otra aplicación de la ML en los negocios es la fijación de precios por demanda o conocida como la dinámica de precios. Es un proceso de estrategia de precios de comercio electrónico de un producto o artículo basado en el nivel de interés del cliente objetivo mediante el uso de big data [4]. Es comúnmente usado en e-commerce y básicamente puede señalar qué artículo comprará un cliente, la hora en la que prefiere comprarlo, por cuál medio desea hacerlo, el tiempo en que demora hacerlo entre otras acciones que pueden mejorar el producto o servicio de una empresa.
Las dinámicas de precios se pueden establecer a través de regresiones o funciones matemáticas que puedan explicar el comportamiento del mercado. Para enterarse más de cómo aplicar esta poderosa herramienta puede ingresar a “Dynamic product pricing”: https://medium.com/swlh/dynamic-product-pricing-d2c3a970cb95
4. Gestión de datos
La forma en cómo se gestionan los datos en una empresa puede determinar el éxito de la misma. Para BI, la gestión de datos es el primer paso antes de tomar alguna decisión. Puede que le parezca demasiado fácil en comparación a las otras herramientas descritas en las áreas anteriores; no obstante, es importante consolidar excelentes bases de datos para futuras predicciones. Para una mejor gestión de datos con ML es necesario tener en cuenta tres objetivos [5]:
Automatización para tareas que se pueden entender fácilmente, pero requieren mucho tiempo. Por ejemplo, separar a los clientes por la zona geográfica teniendo en cuenta sus ubicaciones en una aplicación.
Optimización del rendimiento del sistema, mediante la selección automática de estrategias de optimización de consultas, enfoques de combinación de tablas, esquemas de recursos y administración de tareas. Es importante que dentro de una compañía se fijen metas donde se establezcan qué tareas son necesarias.
Gestión de la capacidad mediante el ajuste de escala automático consciente de la carga de trabajo.
Recursos electrónicos donde podrá aprender más sobre gestión de datos y ML:
- Taller Python (Data Management y Machine Learning) - IISE USFQ Chapter 734:
- Curso Gratuito de Python para el tratamiento de datos - Clase 1/2 :
Data Management Lab: https://github.com/DataManagementLab
Curso: Python and Machine-Learning for Asset Management with Alternative Data Sets.https://es.coursera.org/learn/machine-learning-asset-management-alternative-data
Las herramientas de ML para BI son diversas y permiten mejorar los procesos en las tomas de decisiones en las compañías. Si usted posee una empresa y desea mejorar la productividad de su equipo o tener mayor información para tomar una decisión, aplique alguna de estas herramientas y automatice los procesos dentro de su compañía.
Referencias
[1] CIO from IDG, “Business intelligence definition”, Disponible en: https://www.cio.com/article/2439504/business-intelligence-definition-and-solutions.html
[2] Tokio, “Business intelligence y machine learning”, Disponible en: https://www.tokioschool.com/noticias/business-intelligence/
[3] Tech Target, “10 common uses for machine learning applications in business”, Disponible en:https://searchenterpriseai.techtarget.com/feature/10-common-uses-for-machine-learning-applications-in-business
[4] UBUNTU|PIT, “15 Examples of Machine Learning and Artificial Intelligence in Business”, Disponible: https://www.ubuntupit.com/examples-of-machine-learning-and-artificial-intelligence-in-business/
[5] Upside, “Machine Learning that Automates Data Management Tasks and Processes”, Disponible en: https://tdwi.org/articles/2018/07/30/adv-all-machine-learning-automates-data-management.aspx
