Machine Learning y el auge del “Big Fast Data”

Si bien el perfil del CDO aún está pendiente de armonización, ya existen casos de éxito en los que su figura ha sido la base para el desarrollo de soluciones punteras a desafíos de negocio concretos. Logitravel y Caja Rural son dos ejemplos destacados en la aplicación de estrategias de Machine Learning, compartidos respectivamente por David Martín, CDO en Bluekiri, y Daniel Martínez, IT Strategic Projects Director, Rural Servicios Informáticos. Ambos casos son experiencias recientes sobre cómo el Machine Learning permite tomar mejores decisiones de negocio. En este sentido, la analítica predictiva y el entrenamiento de modelos de Deep Learning permiten microsegmentar servicios para mejorar la tasa de retención de clientes.

Para Martínez, una de sus tareas más importantes es la “gestión de la frustración interna”. A la vez que los CDO tienen que hacer frente a unas altas expectativas, aún difusas, sobre lo que el Machine Learning es capaz de proporcionar a la empresa, deben utilizar recursos internos que en muchos casos aún no están preparados para hacer frente a las últimas disrupciones tecnológicas de las grandes empresas tecnológicas, los “dragones digitales”. En su opinión, cabe preguntarse  “si estamos en una época de cambios o en un cambio de época”, dado que estamos atravesando un cambio de paradigma, sustituyendo la inteligencia de negocio por el negocio inteligente, un modelo en el que las empresas impulsadas por datos o “data driven” juegan un papel determinante, con los últimos avances en inteligencia artificial como pilar.

«Mediante el Machine Learning, podemos maximizar el valor del dato gracias a niveles de microsegmentación de los clientes antes impensables. Les conocemos mejor y por tanto podemos ofrecerles servicios más personalizados basándonos en sus datos (comportamiento, interacción, datos demográficos, de transacciones…). Por otro lado, la analítica prescriptiva nos permite, por ejemplo, detectar cuándo es más probable que un cliente abandone nuestros servicios y actuar en consecuencia para mejorar nuestra oferta y rentabilidad. Las técnicas de deep learning avanzadas y el diseño de redes neuronales de clasificación de clientes, entre otros, nos permite mejorar la rentabilidad de las entidades del Grupo Caja Rural», señaló Martínez, para quien es clave “errar pronto y a bajo coste, lo que nos permite, llegada la hora de la verdad, conocer mejor nuestro negocio y tomar mejores decisiones”.

Su equipo, compuesto por analistas, compliance officers y data scientists tiene que hacer frente a un reto adicional: compartir y divulgar una cultura analítica común, de manera que los expertos en datos no sean vistos como elementos externos, sino profesionales integrados en todos los procesos de la compañía que aportan un alto valor añadido a la totalidad del equipo. Asimismo, las empresas deben pensar en los datos no solo como un mero recurso, sino como un activo estratégico y, por tanto, plantearse cuál es la mejor manera de recopilarlos, analizarlos y explotarlos. En palabras de Nate Silver, “las cifras no pueden hablar por sí solas: nosotros debemos darles voz. Antes de pedir más a nuestros datos, debemos exigirnos más a nosotros mismos”.

Por su parte, Martín destaca que:

Hemos llegado a la era del Big Fast Data. Gracias al Machine Learning, somos capaces de automatizar tareas de manera inteligente, con el consecuente ahorro millonario gracias a, por ejemplo, un análisis predictivo y certero de las ventas

El CDO de Bluekiri destaca la dificultad de ofrecer información sobre la disponibilidad de hoteles (que incluye un gran volumen de datos técnicos, como fecha de entrada, noches de estancia o el número de adultos, entre otros) mediante un sistema síncrono, con baja escalabilidad y que suponía un freno tecnológico.

Un nuevo flujo de disponibilidad asíncrona conllevó, en el caso de Logitravel, un crecimiento del 2.200% en la capacidad de respuesta a peticiones, mostrando más de 4.200 disponibilidades por segundo.

Este nuevo escenario y el éxito obtenido han abierto nuevas preguntas y retos, tanto a nivel de sistemas, como de arquitectura y especialmente de negocio: una vez confirmado el impacto de una estrategia data driven, ¿por qué no continuar en esta línea y utilizar y analizar aún más información?

En este sentido, la aplicación del Machine Learning ha permitido a Logitravel responder a desafíos concretos. Por ejemplo, es capaz de predecir cuándo va a recibir una petición de información sobre la disponibilidad de un hotel, permitiendo optimizar el caché y descartar el ruido. También le es posible conocer cuál es la probabilidad de que dicha disposición se transforme en una reserva. Finalmente, el mapeo automático de hoteles y habitaciones permite integrar los datos de los proveedores de manera dinámica. Esto supone, por un lado, obtener un time to market muy reducido en la puesta en marcha de nuevas contrataciones y, por otro, poder mantener la calidad del producto en las activas.En definitiva, el Machine Learning no es una panacea para la transformación digital de cualquier empresa. Es una herramienta que soluciona problemas concretos, que solamente serán identificados cuando el dato funcione como activo estratégico de la organización.

Escrito por el Chief Data Officer Club Spain.