Mejora tu modelo de negocio con big data

Aprende cómo tu organización puede aprovechar el poder de los datos para mejorar tu negocio

Leo mucho sobre transformación digital, Director de datos (CDO), ciencia de datos, aprendizaje profundo, aprendizaje automático, Internet de las cosas, Blockchain etc. Todos los días hay un par de términos nuevos en el juego: el último que escuché es MLOPS. Hace unos meses, durante la Conferencia de Conversaciones de DevOps en Melbourne, conocí este término. Sasa Savic, cofundador de Telstra HPSE, acuñó este nuevo término al explicar cómo la combinación de aprendizaje automático y DevOps constituye – MLOps – el camino hacia la construcción de servicios inteligentes.

Para continuar con un proyecto de transformación digital, se necesita trabajar muy de cerca con el negocio. Cuando estaba aprendiendo los conceptos básicos de la ciencia de datos, vi que podía mejorar muchos de mis modelos de aprendizaje automático. Técnicamente, tenemos muchas posibilidades de mejorar nuestros modelos incluso mientras las métricas de precisión o validación están creciendo. Pero si no se usaron las funciones correctas, su puntaje de predicciones no será válido.

Consideremos el ejemplo del fútbol. ¿Qué harías si tuvieras que predecir la cantidad de usuarios que se conectarán a tu plataforma en línea? Deberás mantener un registro de todos los datos históricos que obtengas de todas las bases de datos o el lago de datos que se te proporcionaron.

Sin embargo, los datos proporcionados pueden contener mucha información innecesaria. Entonces. ¿Cómo se crea un entorno para recuperar los datos correctos? Aquí es donde tendrás que trabajar con el departamento comercial, y no solo con el departamento de TI, para incluir nuevas herramientas o extraer los datos de este repositorio físico a digital.

Consideremos otro escenario en el que deseas construir un modelo de aprendizaje automático, sobre la cantidad de partidarios que desean consumir un partido de fútbol a través de tu plataforma de transmisión. ¿Cuál sería el requisito principal para completar este proyecto? Necesitarás administrar los datos. Necesitarás atributos como la competencia, los equipos participantes, la clasificación, el nombre y el número de jugadores lesionados, la fecha del partido, la rivalidad del equipo, la tradición, el presupuesto, las estrellas y los datos históricos.

Muchos de estos atributos comentados anteriormente que describen la observación, no están incluidos en el entorno empresarial. Debe obtenerlos antes y compartirlos con el resto de tus especificaciones para comenzar a construir su mejor modelo. Estoy seguro de que, con las nuevas funciones, su valor de entropía será más bajo que antes, y esto mejorará tu modelo. En los siguientes pasos, puedes limpiar los datos, estandarizar, normalizar y diferenciarlos. Puedes aplicar técnicas como la reducción de dimensión, Análisis de componentes principales (PCA) y validación cruzada.

Otro ejemplo. ¿Qué sucede si eres musulmán y durante el mes sagrado de Ramadán recibes un correo electrónico de tu restaurante favorito con una recomendación para el almuerzo? Obviamente, el modelo mencionado anteriormente es inválido. Uno necesita pasar mucho tiempo conociendo las reglas y aplicándolas a sus respectivos negocios. En términos simples, si no logras traer la mejor versión, tus clientes optan por interrumpirlo.

Uno tiene que entender las reglas comerciales para hablar el mismo idioma que habla el cliente. La incorporación de estas reglas puede proporcionar a las empresas más experiencia en retener a sus clientes y adquirir nuevos.

Me encantan los datos y la transformación digital a pesar de problemas como los silos y la resistencia al cambio. Sin embargo, cuando crees en tu propia capacidad y en tu alineación con tu empresa y tus clientes, tienes muchas posibilidades para tener éxito.

Para más información contactános en connect.mx@capgemini.com