Llegó a las empresas la rebelión de las máquinas

Ahora, y gracias a los algoritmos de aprendizaje automático, firmas de verticales tan distintos como el telco y el fintech pueden tomar decisiones más efectivas para reforzar sus ganancias

El aprendizaje automático (del inglés "machine learning" o ML) está en boca de todos. Esto se debe a que se trata de algoritmos capaces de "aprender", por lo que tienen la capacidad de automatizar procesos de análisis de datos y detectar patrones que son imperceptibles de hallar de forma manual. En resumen, esto puede generar beneficios en cualquier negocio cuando estamos ante verdaderos tsunamis de datos que provienen de diversas fuentes. Dicho en otras palabras: el machine learning combinado con el big data arman un dúo que redefine la forma de tomar decisiones de negocio y de trabajar.

Hace unos seis años que la filial argentina de Telefónica incursionó en este campo. Primero lo hicieron en áreas comerciales para armar segmentaciones y modelo de prospección para la venta, es decir, para seleccionar cuál es la mejor acción comercial para abordar a un cliente. Luego lo expandieron hacia el área de la operación para varios objetivos, por ejemplo, la optimización de la inversión en la red. Por último, lo incorporaron en procesos internos.

Un ejemplo concreto: "Tras analizar segmentos de clientes según sus preferencias, determinados cual debería ser la oferta óptima de un dispositivo móvil o de un plan para que éstos se ajuste a la necesidad del usuario. En resumen, con un modelo analítico buscamos hacer una oferta relevante", comenta Alejandro Salevsky, gerente de Big data analytics e Inteligencia artificial de Telefónica Argentina. El ejecutivo destaca que para armar los modelos de ML usan datos están anonimizados. "No necesitamos saber que Débora es un cliente que viaja con frecuencia al exterior con su smartphone", aclara Salevsky.

Wenance, una fintech de origen local que desarrolla productos financieros para individuos y opera en Argentina, Uruguay y España bajo las marcas Welp y Mango utiliza ML. Mientras que Mango se enfoca en préstamos personales y la inclusión financiera, Welp es una plataforma financiera que busca simplificar la vida financiera de todas las personas.

Wenance, una fintech de origen local que desarrolla productos financieros para individuos y opera en Argentina, Uruguay y España bajo las marcas Welp y Mango utiliza ML desde el primer día. Actualmente posee una cartera activa de préstamos personales superior a los u$s 35 millones y más de 80.000 clientes activos. "Dentro de la inversión en tecnología una parte sustancial se destina a la captura de datos y explotación de estos mediante técnicas de aprendizaje automático. Por ejemplo, en España los clientes consienten compartir su historial de movimientos bancarios, refinamos las transacciones en crudo para poder hacerlas digeribles a los algoritmos de machine learning. Esto fue todo un desafío. En este sentido, para obtener resultados rápido incorporamos know-how externo, hasta desarrollar el propio", explica Sebastián Ferro, gerente de Data Science. Y agrega: "Si bien esta estrategia fue más costosa que la alternativa de ir creciendo, acumulando e ir refinando los modelos de forma interna, nos resultó beneficiosa porque contribuyó a alcanzar el punto de equilibrio mucho más rápido que con la estrategia conservadora".

Resultados y desafíos

Para medir el nivel de asertividad de los algoritmos, dependiendo el tipo de modelo y de objetivo se trabaja con muertas testigo, es decir, con datos que no estén modelados para ver, por ejemplo, cuántas ventas se obtuvieron utilizando el modelo y cuántas sin el modelo para poder perfeccionarlo. Sin embargo, esto se complica cuando ML se aplica en otros ámbitos como, por ejemplo, los procesos internos, ya que es difícil encontrar una muestra de control.

El ejecutivo de Telefónica dice que ellos han logrado duplicar efectividades de venta e incluso más que duplicar la comercialización de ciertos productos y servicios. "A veces es difícil medir el impacto exacto porque hay muchas variables que entran en juego. También nos apoyamos en ML para sugerir o no sugerir un producto a determinado cliente, y notamos que esto mejora mucho el nivel de satisfacción de usuarios, lo que redunda en menos clientes perdidos".

Dos datos: en Telefónica no segmentan por género, edad u otras variables relacionadas sino con patrones de consumo. Además, las conclusiones a las que llegan los científicos de datos no se implementan en acciones concretas sin antes se chequeadas por varios equipos como comercial y marketing, entre otros. "Todo es contrastado y chequeado. En caso de equivocación, no hay dramas porque siempre que es posible probamos en pequeñas muestras y luego escalamos. Definitivamente, trabajamos en base al aprendizaje continuo", dice Salevsky.

El mercado de la fintech Wenance no solo es más acotado que el de la telco, sino que opera en los segmentos más riesgosos: "Sin modelos o incluso con sólo los modelos provistos por terceras partes, el negocio hubiera sido inviable y el desembarco en algunos países o segmentos habría terminado en fracaso. Gracias a nuestros modelos actuales conseguimos reducir la mora en más de 15 puntos porcentuales aumentando incluso nuestro nivel de aprobación", ejemplifica Ferro, orgulloso. En líneas generales, Wenance usa modelos de aprendizaje supervisado. "Además, ponemos especial cuidado en la construcción de bases de datos para poder simular la aplicación de modelos en el pasado y de esa manera disminuir los riesgos de sesgos y sobreajuste", dice Ferro y agrega: "Una frase que nunca me olvido y que nos emparenta con los cocineros es: "Garbage in, garbage out". Esto significa que si no tenemos una buena calidad de datos no vas a conseguir buenos modelos, ya que construir, limpiar y curar buenos datasets se lleva una buena parte del esfuerzo del área".

Dentro de la industria informática local la exportación de servicios pisa fuerte, y en este sentido, profesionales argentinos están ayudando a firmas extranjeras a implementar machine learning. Por caso, científicos de datos de Practia trabajan para Spiro, una plataforma de CRM enfocada en el área de ventas. Andy Levi, Chief Technology Officer y confundador de Spiro, cuenta su experiencia: "Nuestro equipo de desarrollo necesitaba incorporar una forma de simplificar la carga de datos y desarrollar un método utilizando ML para identificar automáticamente las oportunidades concretas para cerrar ventas. Así fue como implementamos un 'análisis de sentimiento' del cliente, ya sea de su tono de voz o por las palabras empleadas en sus mensajes, que nos permite mejorar la asertividad del análisis del pipeline de ventas".

Para evaluar el éxito de esta tecnología, Levi cuenta que en una primera fase obtuvieron resultados que fueron comparados con los que sucedía cuando esta tarea se realizaba de forma manual, y así confirmaron la correcta configuración de los algoritmos para poder confiar en ellos.

Déficit de talentos

La falta de profesionales idóneos parece ser, según los entrevistados, el obstáculo más importante para implementar machine learning. De todos modos, los ejecutivos son optimistas porque notan que hay aumento de propuestas de capacitación de la misma manera que hay más interesados en aprender esta disciplina.

"En la Argentina es complicado conseguir a estos profesionales ya que además de sus conocimientos teóricos deben saber usar herramientas específicas. De todos modos, es fundamental que todas las organizaciones empiecen a mirar sus datos para entenderlos y así poder convertirlos en conocimiento", dice Luis López, gerente de preventa de SAS, una compañía global de inteligencia empresarial y data analytics, que tiene presencia en la Argentina. En su filial local, esta organización cuenta con perfiles como matemáticos, físicos, economistas y actuarios que viran hacia esta profesión por las oportunidades que ofrece.

"Todos estamos peleando no solo por captar data scientists, sino luego por retenerlos, ya que la rotación es muy alta entre estos profesionales. Además, muchas veces tienen conocimientos profundos pero no se adaptan al ámbito corporativo", señala Salevsky.

Los entrevistados destacan que el costo más alto es el relacionado a la contratación de los especialistas, porque la parte tecnológica que es cada vez más económica, ya que alcanza con contratar espacio de almacenamiento en la nube y ciertos modelos de ML precalculados, que están listos para cargarle los datos. Por esto último, y porque según la escala de datos se puede prescindir de los data scientist es que los ejecutivos alientan a las pyme para que aprovechen el valor de esta disciplina ya que el costo de entrada es muy bajo. "Si se tiene claro cómo afecta la rentabilidad, la inversión en machine learning es barata", concluye Ferro, y López agrega: "Todas las empresas deberían ser conscientes que si analizan los datos del pasado, pueden comprender el presente y a partir de eso es posible anticiparse a posibles escenarios futuros".

Trabajo asegurado y con un salario elevado

La inteligencia artificial pisa fuerte en los trabajos online. De hecho, entre los perfiles más demandados a nivel mundial en la plataforma freelancing y crowdsourcing Freelancer.com, se destacaron los profesionales con conocimientos en machine learning. Este dato surge de la última edición del Fast 50, reporte realizado por dicha plataforma muestra el movimiento trimestral de los 50 trabajos que muestran el máximo crecimiento entre más de 34 millones de personas en todo el mundo.

Por otra parte, los salarios que perciben son envidiables. Según el portal de ofertas de empleo Indeed, un ingeniero que trabaje aplicando esta tecnología cobra un salario básico de 160.000 dólares anuales en los Estados Unidos, porque su demanda creció un 344% en los últimos 3 años y hay escasez de talentos.

Otro detalle de este ranking del listado completo de perfiles profesionales, hay 3 trabajos en el TOP 5 que están relacionados con el Big Data y el Análisis de Datos: Computer Vision Engineer, Machine Learning Engineer y Data Scientist.

Según datos de Glassdoor Argentina, un profesional senior de este campo actualmente percibe un sueldo mensual bruto de entre $ 138.000 y $ 150.000. Frente a esta situación, comenzaron a aparecer cursos online y en español sobre esta disciplina así como capacitaciones presenciales en instituciones educativas tales como Digital House, la Universidad de Palermo e Instituto Tecnológico Buenos Aires.
 

Compartí tus comentarios

¿Querés dejar tu opinión? Registrate para comentar este artículo.
Nombre