Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Machine Learning Aplicado al Marketing: Mejorando tu Negocio.

231 views

Published on

Mª Jesús Alonso, Directora de Comunicación, Marketing y Eventos en BigML

Published in: Technology

Machine Learning Aplicado al Marketing: Mejorando tu Negocio.

  1. 1. MACHINE LEARNING APLICADO AL MARKETING MªJesús Alonso Directora de Comunicación, Marketing y Eventos en BigML #RebelTalksBCN MEJORANDO TU NEGOCIO #MachineLearning
  2. 2. Machine Learning: ¿Por Qué Ahora? 3 1 Adopción del Machine Learning en tu Empresa4 Conclusiones5 2 Machine Learning Aplicado al Marketing End-to-End Machine Learning
  3. 3. Machine Learning: ¿Por Qué Ahora?
  4. 4. ARTIFICIAL INTELLIGENCE MACHINE LEARNING DEEP LEARNING La ciencia que estudia cómo las máquinas pueden tener “inteligencia humana” (capacidad para percibir el entorno y actuar para conseguir un objetivo). Muchas otras áreas como razonamiento, planificación, representación del conocimiento tienen que evolucionar al nivel del Machine Learning antes de que consigamos algo mínimamente inteligente. El conjunto de algoritmos que hacen que las máquinas sean capaces de aprender sin ser explícitamente programadas. B i e n e s t u d i a d o . A p l i c a d o metódicamente puede solucionar muchos problemas. El subconjunto de algoritmos relacionados con redes neuronales profundas. Desarrollándose de forma muy rápida con grandes éxitos para dominios muy concretos. Necesita de grandes volúmenes de información y gran capacidad de computación.
  5. 5. La ciencia ficción supera con creces la realidad de la Inteligencia Artificial
  6. 6. Humans are still in the El Machine Learning es un nuevo paradigma de programación
  7. 7. Humans are still in the El Machine Learning es un nuevo paradigma de programación Datos
  8. 8. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Datos
  9. 9. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Modelo predictivo Datos
  10. 10. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Nuevo ejemplo Modelo predictivo Datos
  11. 11. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Nuevo ejemplo Modelo predictivo Predicción Datos
  12. 12. Lleva estudiándose desde hace casi 40 años
  13. 13. HERRAMIENTAS40AÑOSDEESTUDIO Está dando el paso de la academia a la industria
  14. 14. Ordenadores más rápidos y asequibles lo han hecho posible Tamaño y Coste 20171950 — + Velocidad
  15. 15. Abundancia de datos
  16. 16. Supera la capacidad humana
  17. 17. Solo el Machine Learning funciona SUPERVISADO CLASIFICACIÓN Y REGRESIÓN NOSUPERVISADO SERIES TEMPORALES AGRUPACIÓN DE DATOS DETECCIÓN DE ANOMALÍAS DESCUBRIMIENTO ASOCIACIONES MODELADO DE TÓPICOS
  18. 18. Professor Arthur Samuel (1959) “A field of study that gives computers the ability to learn without being explicitly programmed”
  19. 19. AIRLINE ORIGIN DESTINATION DEPARTURE DELAY DISTANCE ARRIVAL DELAY AS ANC SEA -11 1448,0 -22 AA LAX PBI -8 2330,0 -9 US SFO CLT -2 2296,0 5 AA LAX MIA -5 2342,0 -9 AS SEA ANC -1 1448,0 -21 DL SFO MSP -5 1589 8 NK LAS MSP -6 1299 -17 US LAX CLT 14 2125,0 -10 AA SFO DFW -11 1464,0 -13 DL LAS ATL 3 1747,0 -15 Encuentra patrones en los datos que se usa para hacer inferencia Predictive Models
  20. 20. ¿Puedes encontrar un patrón que te ayude a predecir la cancelación de un cliente? ¿Por qué Machine Learning?
  21. 21. Machine Learning: Supervisado
  22. 22. Machine Learning: SupervisadoSUPERVISADO
  23. 23. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) SUPERVISADO
  24. 24. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML SUPERVISADO
  25. 25. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO SUPERVISADO
  26. 26. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADO
  27. 27. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADO Predicción % Confianza
  28. 28. Machine Learning: Supervisado CLASIFICACIÓN • Riesgo de cancelación • Mantenimiento predictivo • Priorización de contenido • Diagnóstico de pacientes REGRESIÓN • Publicidad predictiva • Optimización de precios • Estimación de ventas • Valor de tiempo de vida SERIES TEMPORALES • Predicción de los precios de las acciones • Predicción de ventas • Tráfico web • Predicción del tiempo • Análisis de crédito • Análisis de riesgo • Análisis de sentimiento • Análisis de campañas
  29. 29. Machine Learning: No Supervisado
  30. 30. Machine Learning: No SupervisadoNOSUPERVISADO
  31. 31. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) NOSUPERVISADO
  32. 32. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML NOSUPERVISADO
  33. 33. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML NOSUPERVISADO CLUSTER
  34. 34. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML Nuevo ejemplo NOSUPERVISADO CLUSTER
  35. 35. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML Nuevo ejemplo NOSUPERVISADO Puntuación CLUSTER
  36. 36. Machine Learning: No Supervisado ANÁLISIS DE CLUSTERS • Segmentación de mercado • Segmentación de clientes • Gestión de portfolios • Agrupación de datos por similitud DETECCION DE ANOMALÍAS • Análisis de fraude • Limpieza de datos • Detección de intrusos • Autenticación MODELADO 
 DE TÓPICOS • Evaluación de la similitud de varios documentos • Categorización de textos DESCUBRIMIENTO DE ASOCIACIONES • Análisis de la cesta de la compra • Patrones de UX • Bioinformática • Detección de incidentes • Análisis forenses digitales • Análisis de comportamiento de tribunales, jueces o letrados
  37. 37. End-to-End Machine Learning
  38. 38. El Proceso Paso 1 Resultado “Vamos a predecir la pérdida de clientes!” “Estos son los c l i e n t e s q u e abandonarán nuestro servicio”
  39. 39. El Proceso Paso 1 Resultado “Vamos a predecir la pérdida de clientes!” “Estos son los c l i e n t e s q u e abandonarán nuestro servicio” Paso 2 - - - - - - - - ???
  40. 40. El Proceso Definir el proceso como tarea de ML
  41. 41. El Proceso Definir el proceso como tarea de ML Hay que ser específico
  42. 42. El Proceso Definir el proceso como tarea de ML Hay que ser específico
  43. 43. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio”
  44. 44. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio”
  45. 45. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio”
  46. 46. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)”
  47. 47. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)”
  48. 48. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)”
  49. 49. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)” Este proceso a menudo requiere iteración
  50. 50. El Proceso Definir el proceso como tarea de ML ~10% del trabajo
  51. 51. El Proceso Definir el proceso como tarea de ML ~10% del trabajo Data wrangling
  52. 52. El Proceso Definir el proceso como tarea de ML ~10% del trabajo ¿De dónde vienen los datos? ¿En qué formatos están? ¿Son malos o muy malos? ¿Se puede acceder a los datos con un API? Data wrangling
  53. 53. El Proceso Definir el proceso como tarea de ML ~10% del trabajo Transformación de los datos Data wrangling Feature engineering
  54. 54. El Proceso Definir el proceso como tarea de ML ~10% del trabajo Necesitamos los datos limpios y preparados para el Machine Learning, con listados de filas y columnas Los metadatos como los años, puntuaciones, duración, tienen que unirse La mayoría de veces el dataset no tiene el campo predictor que necesita el algoritmo y tenemos que obtenerlo de otros campos (sumando/restando/ dividiendo campos, sacando la media, etc.) en función de lo que queramos predecir. Transformación de los datos Data wrangling Feature engineering
  55. 55. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering ~10% del trabajo Transformación de los datos ~80% del trabajo
  56. 56. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering ~10% del trabajo Transformación de los datos ~80% del trabajo Modelado y evaluaciones
  57. 57. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering ~10% del trabajo Transformación de los datos ~80% del trabajo Modelado y evaluaciones Finalmente llega el momento de hacer Machine Learning, la parte más sencilla del proceso ¿Qué algoritmo dará mejores resultados con los datos que dispongo?
  58. 58. El Proceso: Elección del Algoritmo SUPERVISADO CLASIFICACIÓN Y REGRESIÓN NOSUPERVISADO SERIES TEMPORALES AGRUPACIÓN DE DATOS DETECCIÓN DE ANOMALÍAS DESCUBRIMIENTO ASOCIACIONES MODELADO DE TÓPICOS
  59. 59. El Proceso: OptiML OptiML encuentra de forma automática el mejor modelo supervisado para tus datos • Optimiza los parámetros de cada modelo • Evalúa todos los modelos supervisados en paralelo y selecciona el mejor
  60. 60. El Proceso: OptiML OptiML encuentra de forma automática el mejor modelo supervisado para tus datos • Optimiza los parámetros de cada modelo • Evalúa todos los modelos supervisados en paralelo y selecciona el mejor
  61. 61. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering Modelado y evaluaciones Predicciones ~10% del trabajo Transformación de los datos ~80% del trabajo ~5% del trabajo
  62. 62. El Proceso: Predicciones
  63. 63. SUPERVISADOEl Proceso: Predicciones
  64. 64. Atributos (Features) (miles) Ejemplos (millones) SUPERVISADOEl Proceso: Predicciones
  65. 65. Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML SUPERVISADOEl Proceso: Predicciones
  66. 66. Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO SUPERVISADOEl Proceso: Predicciones
  67. 67. Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADOEl Proceso: Predicciones
  68. 68. Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADO Predicción % Confianza El Proceso: Predicciones
  69. 69. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering Modelado y evaluaciones Predicciones Medición de resultados ~10% del trabajo Transformación de los datos ~80% del trabajo ~5% del trabajo ~10% del trabajo
  70. 70. Machine Learning de Extremo a Extremo MODELAJE OPERACIÓN TRANSFORMACIONES DE DATOS Algoritmo de ML MODELO Nuevo ejemplo Predicción % Confianza
  71. 71. Madurez de las técnicas
  72. 72. Rapidez de computación Madurez de las técnicas
  73. 73. Coste de los ordenadores Rapidez de computación Madurez de las técnicas
  74. 74. Coste de los ordenadores Abundancia de datos Rapidez de computación Madurez de las técnicas
  75. 75. Coste de los ordenadores Abundancia de datos Rapidez de computación Herramienta sencilla y asequible Madurez de las técnicas
  76. 76. Machine Learning Aplicado al Marketing
  77. 77. Casos de Uso • Predicción de la cancelación de cliente • Retención y compromiso con la marca • Éxito de una campaña de marketing • Agrupación de clientes • Análisis del sentimiento • Monitorización de las RRSS • Recomendación de productos • Optimización del precio • Previsión de la demanda • Brand awareness • Lead scoring para el contacto personalizado
  78. 78. BigML, Inc Off-Grid Electric (O.G.E.) es una empresa africana que ofrece soluciones de energía solar en Rwanda y Tanzania
  79. 79. BigML, Inc Problema • El uso y pago de sus servicios es errático y es complejo anticipar una cancelación • El coste de perder a un cliente es ~100 veces mayor que el coste de intentar retenerlo.
  80. 80. Caso de Uso #1
  81. 81. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico
  82. 82. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico Modelo Segmentación y predicción de cancelaciones
  83. 83. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico Modelo Segmentación y predicción de cancelaciones Predicción • ¿Cancelará este cliente? • 90% de precisión
  84. 84. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico Modelo Segmentación y predicción de cancelaciones Predicción • ¿Cancelará este cliente? • 90% de precisión https://blog.bigml.com/2018/05/14/2ml-underscores-the-need-to-adopt-machine-learning-in-all-businesses-and-organizations/
  85. 85. Caso de Uso #2
  86. 86. Caso de Uso #2 Datos Acuerdos de confidencialidad
  87. 87. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos
  88. 88. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos Predicción ¿Firmar o no firmar un NDA?
  89. 89. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos Predicción ¿Firmar o no firmar un NDA? Aplicable a la redacción de textos or artículos repetitivos (predicción meteorológica)
  90. 90. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos Predicción ¿Firmar o no firmar un NDA? Aplicable a la redacción de textos or artículos repetitivos (predicción meteorológica) https://blog.bigml.com/2018/04/18/getting-the-nda-out-of-the-way-with-machine-learning/
  91. 91. Caso de Uso #3 • Ayuda a las empresas a generar más demanda • Datos de clientes y usuarios + base de datos nacional + plantillas de Machine Learning (en todas las fases del ciclo de vida de un cliente) • Objetivo: que empresas de todos los sectores puedan conseguir y retener más clientes y que estos compren más productos de dichas marcas • Ideal para seleccionar audiencias https://blog.bigml.com/2018/04/26/making-machine-learning-work-for-b2c-revenue-optimization/ Faraday: Machine Learning para B2C
  92. 92. Adopción del Machine Learning en tu Empresa
  93. 93. AdopciónResistenciaaunaplatform Exploración No usamos Machine Learning All Machine Learning para todos Usamos SAS (Statistical Analysis System) Necesitamos una plataforma Necesitamos Data Scientists Usemos una platforma Elección de una plataforma inadecuada Toda Construyamos nuestra propia plataforma Nada
  94. 94. Conclusiones
  95. 95. El Machine Learning llegará a ser omnipresente
  96. 96. Y ayudará a automatizar muchas tareas
  97. 97. Conclusiones • Importancia de la formación • No se necesitan gran bases de datos para empezar. • Adoptar Machine Learning de menos a más.  • Nuevas profesiones y oportunidades. ¿Quién dijo miedo? • Los expertos os guiamos en este camino: Partnership
  98. 98. alonso@bigml.com
  99. 99. Fundadores de BigML Uno de los fundadores del campo del Machine Learning Tom Dietterich, Ph.D. Francisco Martin, Ph.D. 100+ publicaciones Jose A. Ortega “jao”, Ph.D. CTO Charlie Parker, P.h.D. Poul Petersen, MSc. Adam Ashenfelter, MSc. Chief Data Engineer VP de Algoritmos de ML CIO Cofundador y Consejero Delegado de 3 empresas de AI 20+ patentes CEODirector Científico La misión de BigML es hacer el Machine Learning accesible a todo el mundo
  100. 100. 80,000+
  101. 101. 51 Democratización y educación
  102. 102. “The BigML platform enables us to deliver Machine Learning insights to decision makers with high speed and the visualization makes it possible to explain the outcomes easily to non-technical professionals. The next step in bringing Machine Learning to the bigger crowd!” Auke IJsselstein - HR Strategy & Analytics Consultant at ABN-AMRO. “Accurate and reliable predictions are a quintessential pillar for our business. BigML has delivered on all aspects: ease of use, being able to develop the models on BigML’s servers but run the predictions locally on our computers, a full-featured C# API, incredible documentation, reliability, beyond-belief responsive support, and great pricing. In short, BigML is light years ahead of the competition.” David J. Marcus - Sr. Vice President of Special Projects and Chief ML Scientist at Realmatch, Inc. “Creating a Machine Learning system for the legal sector is quite a challenge. Fortunately, the BigML team was able to significantly improve performance & quality within a few days! Great personal service and quality software.” Arnoud Engelfriet, IT Lawyer & Co-founder at JuriBlox B.V. BigML, Inc “Even in a company which uses custom built Machine Learning solutions on a daily basis, BigML proves to be very useful for quick proof of concept experiments. And the insightful visualizations help a lot when collaborating with newcomers to the ML field.” Libor Morkovsky - Research Manager at Avast.

×