Machine Learning: más allá del hype

Desde hace ya un tiempo me encuentro con más gente que utiliza palabras que en su boca suenan bastante raras: big data, machine learning, algoritmos… Personas cuyo contacto con la tecnología no ha sido precisamente un caso de éxito, pero que se han sumado a la ola siguiendo el título de un disco de un grupo irlandés (“Everybody Else Is Doing It, So Why Can’t We?”).

Es más que probable que algunas de estas personas no tengan demasiado claro qué calado tienen estos términos, pero siendo sinceros, esto no tiene demasiada importancia. Lo que realmente necesita saber alguien que está fuera del mundo tecnológico es “¿para qué utilizo esto?”.

El mundo al que nos enfrentamos es el mayor generador y consumidor de datos de la historia y como muestra de ello está el hecho de que entre 2014 y 2015 se generaron más datos que en toda la historia de la humanidad. Esto no quiere decir que estemos empezando a emplear los datos ahora: siempre se han utilizado los datos para tomar decisiones de negocio. Pero lo que ha cambiado radicalmente es la cantidad de datos con los que contamos, la velocidad a la que se generan y se pueden procesar, nuestra capacidad de contextualizar dichos datos, su calidad y credibilidad…

Estamos ante un nuevo escenario que está cambiando nuestra forma de trabajar y de tomar decisiones, gracias a que contamos con nuevos modelos analíticos. Tradicionalmente nos hemos movido en un ámbito en el que contábamos lo que había pasado, pero ahora contamos con nuevos modelos derivados de cómo ha evolucionado (y está evolucionando) la tecnología.

La introducción del Big Data como acelerador de la transformación digital de las compañías ha introducido la posibilidad de avanzar en tres tipos de análisis / modelos:

• Descriptivo: describe lo que nos ha ocurrido hasta ahora a través del histórico de los datos. Tendríamos la situación actual y pasada. Es el reporting clásico (BI).
• Predictivo: A partir del descriptivo y del modelado de correlaciones existentes entre las distintas variables, podemos realizar predicciones / proyecciones de hacia dónde puede ir mi negocio o actividad. Aquí es donde nos encontramos con el Machine Learning.
• Prescriptivo: no solo proyectamos qué puede pasar en el futuro, sino que las soluciones tecnológicas proporcionan recomendaciones de cómo se debe actuar en el futuro. Para esta rama podemos volver a utilizar el Machine Learning e incluso añadir un nivel más con el entrenamiento no supervisado de la máquina, suponiendo un nivel adicional al anterior y que se conoce como Deep Learning.

Para no caer en la trampa de un artículo muy técnico que a muy pocos les puede interesar (os aconsejo que busquéis el término Machine Learning y Deep Learning en la web), veamos cómo podemos pasar del hype a algo práctico que mejore nuestros resultados.

Voy a partir desde el mismo punto desde el que partimos en Overlap cuando vimos cuáles eran las oportunidades desde las que podíamos utilizar estas tecnologías a la hora de ayudar a nuestros clientes, particularizando el ejemplo para una red comercial de una entidad financiera:

Esta entidad financiera quiere tener el mejor talento en su organización y para ello se dispone a realizar un assessment a su red, que además utilizará para evaluar a posibles candidatos que se incorporen a la misma. Este assessment contará con inputs que recogerán a través de una autoevaluación y evaluación del mando, como las competencias que tiene que tener una persona que pertenezca a esta red comercial, qué comportamientos se buscan, conocimientos que deban tener, etc. Por otra parte se puede contar con su CV / perfil, así como introducir un caso práctico para ver cómo se desenvuelve en ciertas circunstancias e incluso una entrevista personal. Todas estas mediciones me las puedo llevar a valores tabulados, numéricos o discretos, de manera que sea más sencilla su explotación.

Lo normal en estos casos es que un evaluador recoja todos estos datos y a partir de su experiencia determine cuáles son las variables que debe tomar en cuenta porque son las que más impactan, o que determine el perfil de éxito en base a esta experiencia. Sin embargo, yo podría recoger toda esta información y tratarla con una aplicación / plataforma que emplee Machine Learning. Para hacer esto, alguien debe construir un modelo matemático / analítico, que de manera científica permita a la aplicación analizar la información, despojando a la misma de cualquier sesgo personal o de experiencia previa. ¿Qué voy a obtener? Pues una funcionalidad puede ser que me muestre evidencias sobre la red en base a los datos que he introducido en mi aplicación:

• Si mi objetivo es maximizar las ventas, introduzco esta variable por perfil evaluado y voy a poder comprobar cuáles son los comportamientos, conocimientos, capacidades… que optimizan los resultados en ventas.
• Puedo identificar además qué caracteriza a los perfiles más exitosos para determinar cuáles son los aspectos que debo desarrollar en mi organización.
• A partir de las correlaciones que descubre mi tecnología, puedo conseguir resultados inmediatos si identifico cómo mejora el desempeño total si mejoro algunas variables (a través del desarrollo de las personas) frente a realizar un plan general para toda la red. Es decir, puedo optimizar el desarrollo de las capacidades críticas para cada individuo de la red, logrando un verdadero Plan de Desarrollo Individual.
• También contaré con un perfil tipo para la selección de las personas que se deben incorporar a la red, e incluso tener un perfil tipo para cada uno de los diferentes segmentos de clientes (minorista, personal, empresas, privada) que dicha red abarca.
• Hemos dicho que el nivel analítico sería el predictivo: con esta tecnología podría inferir cuál va a ser el desempeño de las personas en el futuro, con lo que podré incorporar a los candidatos que verdaderamente estarán más cualificados y predecir su desempeño más probable.
• …

Estas son solo algunas muestras de lo que puedo obtener. Evidentemente seguirá siendo necesaria la labor humana para interpretar y cualificar lo que nos está diciendo la máquina (al menos de momento), pero se abre un mundo de oportunidades. Hoy nos hemos enfocado en talento y desarrollo, pero podría también cambiar la manera en la que gestiono la propia red haciendo un análisis de cuál es mi verdadero cuadro de mando.

Tengo que admitir que sí creo que no estamos ante una moda pasajera y que tenemos en nuestras manos una nueva manera de gestionar nuestro negocio, de hecho desde Overlap estamos apostando por ello en nuestras soluciones. Espero haber sido convincente (y no muy técnico).

Ravi Purswani
Chief Technology Officer de Overlap