# 1: qué puede hacer el aprendizaje automático para su negocio y cómo resolverlo

Esta es la parte 1 del tutorial de 6 partes, La guía paso a paso de PM para crear productos basados ​​en el aprendizaje automático. Siga el enlace para obtener una descripción general de toda la serie.

Invertir en ML es como invertir en dispositivos móviles hace 10 años: puede transformar su negocio

La consulta de datos existentes para obtener información es una disciplina bien conocida y ampliamente adoptada. ML, sin embargo, es la próxima frontera en el análisis de datos. Es una disciplina donde los programas de computadora hacen predicciones o dibujan ideas basadas en patrones que identifican en los datos y pueden mejorar esas ideas con experiencia, sin que los humanos les digan explícitamente cómo hacerlo. A medida que las organizaciones tienen acceso a más datos, el aprendizaje automático les permite obtener información de los datos a escala, a un nivel de granularidad que abarca desde la interacción de un solo usuario hasta las tendencias mundiales y su impacto en el planeta. El uso de esos conocimientos también puede variar desde la personalización de la experiencia de un usuario individual a nivel de píxeles hasta la creación de nuevos productos y oportunidades comerciales que actualmente no existen. Tenga en cuenta que con ML puede ir mucho más allá del uso de datos internos: el poder de ML a menudo se puede mejorar combinando datos internos con datos externos para generar nuevas ideas que antes no eran posibles.

Frank Chen de A16Z tiene una excelente introducción sobre las posibles aplicaciones de la inteligencia artificial, muchas de las cuales requieren o requerirán aprendizaje automático. Algunas de estas aplicaciones son de futuro y aún no se pueden lograr con la tecnología existente, pero dan una gran idea de las posibilidades.

Al igual que las empresas de consumo comenzaron a pensar en invertir en dispositivos móviles hace 8–10 años, ahora es el momento para que las empresas comiencen a explorar ML como una tecnología que puede ayudar a impulsar los resultados comerciales. Para las empresas que se centran en aprovechar las tecnologías de ML existentes, existen varios temas clave para lo que ML le permite hacer. Estos no son exhaustivos o mutuamente excluyentes, sino que representan diferentes ángulos de pensamiento sobre el impacto potencial en su negocio:

  • Personalización masiva del entorno, la experiencia y las respuestas del sistema de un usuario. Imagine que todo lo que una persona hace o ve podría personalizarse especialmente para ella e incluso anticipar sus necesidades y comportamientos. Eso incluye recomendaciones para productos o servicios, clasificados por nivel de relevancia para ellos; Experiencia de usuario personalizada o flujos basados ​​en el conocimiento que tiene del usuario, su comportamiento, otras personas como ellos o datos externos, incluida la predicción de lo que querrían hacer a continuación, etc. A menor escala, esto podría traducirse en la personalización de la experiencia a segmentos de usuarios en lugar de individuos.
  • La capacidad de identificar objetos visualmente y automatizar o adaptar experiencias en consecuencia. La tecnología actual puede identificar objetos en fotos y videos, incluso en cámaras en vivo. Pinterest usa esto para sugerir objetos similares / complementarios a los de una foto que el usuario está mirando; Facebook utiliza la tecnología de reconocimiento facial para sugerir a los amigos que etiqueten en una foto, Amazon está construyendo el pago automático de la tienda basado en la identificación visual de objetos, etc.
  • Recuperación automática, generación o procesamiento de contenido. ML permite el procesamiento oportuno de las cantidades masivas de contenido en el mundo. Los usos comunes son la recuperación de documentos, p. encontrar todos los documentos que son relevantes para un caso legal (tenga en cuenta que esto va más allá de las palabras clave en la búsqueda contextual), clasificación de documentos por tema y palabras clave, resumen automático del contenido, extracción de información pertinente de grandes cantidades de contenido, p. encontrar términos específicos en los contratos de proveedores, etc. El "contenido" aquí se aplica a todos los tipos de medios, no solo texto.
  • Predicciones, estimaciones y tendencias a escala. ML permite predicciones que son muy caras o difíciles de hacer de otra manera. ML es particularmente útil para hacer predicciones que de otro modo requerirían un alto nivel de experiencia, como el precio de una casa, o que incluso un ser humano no puede hacer, como qué contenido funcionará bien en las redes sociales. Las máquinas también pueden identificar tendencias en los datos mucho antes de que sean evidentes para los humanos.
  • Detección de actividad inusual o fallas del sistema. Todos los sistemas tienen fallas y problemas, pero ML le permite no solo detectar si surgen problemas, sino también si esos problemas son inusuales y alarmantes. Esto es particularmente útil en varios sistemas de monitoreo y seguridad.

Desde una perspectiva estratégica, ML puede impulsar varios tipos de resultados comerciales:

  • Experiencia y funcionalidad mejoradas para sus clientes. El caso de uso más común es la personalización masiva: encontrar los productos que tienen más probabilidades de ser relevantes para sus clientes de manera más rápida y eficiente, p. sus mejores coincidencias en sitios de citas, canciones que podrían gustarles en sitios de música, productos que podrían estar interesados ​​en comprar, etc. El otro caso de uso es el uso de predicciones para obtener información sobre entidades o situaciones que de otro modo no tendrían. Esto podría ser general, p. Zestimate de Zillow valora una casa de la misma manera, independientemente de quién la esté mirando o personalizada para el cliente individual, p. la calificación que un usuario puede dar a una película que no ha visto debido a sus gustos específicos.
  • Funciones internas, procesos y lógica de negocios. El aprendizaje automático puede ahorrarle tiempo y hacer que su inversión en recursos sea más efectiva cuando se trata de procesos y decisiones empresariales. Por ejemplo: a una compañía de préstamos le gustaría priorizar su alcance a posibles solicitantes de préstamos. Necesita determinar quién quiere un préstamo lo suficiente como para realmente tomarlo si se lo ofrecen, pero aún es probable que pueda pagarlo. Priorizar a los clientes más solventes no es necesariamente la respuesta, ya que esos clientes generalmente tienen muchas opciones y es menos probable que se conviertan, por lo que se requiere un modelo más complejo.
  • Expansión a nuevas verticales y nuevos productos. Los datos pueden ayudarlo a abrir oportunidades comerciales completamente nuevas: crear nuevos productos para sus clientes existentes o servir segmentos o clientes a los que no ha atendido antes. Por ejemplo: Netflix puede servir a los estudios, que no eran el público objetivo principal, vendiéndoles información de sus datos sobre qué temas y líneas argumentales funcionan para qué público; Zillow puede ayudar a los desarrolladores de bienes raíces a comprender qué características del edificio les brindarán el mayor retorno de la inversión, etc.

La decisión de qué área abordar primero debe depender del impacto comercial potencial, así como de la complejidad del problema y el costo de lograr ese impacto.

"Necesitamos hacer algo con nuestros datos" es una estrategia, no una ciencia de datos, un problema

Muchas compañías buscan contratar científicos de datos, las personas que construyen modelos de ML, porque "deberíamos hacer algo con nuestros datos". He escuchado a muchos ejecutivos de compañías prominentes decir "vemos a nuestros competidores comprar datos, por lo que debemos hacer esto para seguir siendo competitivos", y luego contratar a un par de científicos de datos con la esperanza de que encuentren algo de magia. Esto me lleva a una gran idea errónea sobre ML.

ML no es una varita mágica para tu negocio. El primer desafío en ML es descubrir el impacto comercial que la tecnología pretende impulsar. ML es una solución: primero debe definir el problema: ¿cuáles son los resultados comerciales que espera lograr con ML? ¿Qué beneficio puede brindar ML a sus clientes? ML es un martillo, pero si no tienes un clavo, un martillo no es particularmente útil. Para estirar aún más el cliché, ML es un conjunto de martillos muy variado, y el tipo de clavo que tenga determinará qué martillo elegirá y cómo lo usará. El problema preciso que está tratando de resolver determinará todo: cómo se utilizará el resultado, qué debe predecir su modelo y cómo se debe calibrar, qué datos recopila y procesa, qué algoritmos prueba y muchas otras preguntas.

En esencia, "¿qué problema estamos resolviendo?" Es una pregunta comercial, lo que significa que definirla es, en última instancia, responsabilidad de los gerentes de productos y líderes empresariales, no de los científicos de datos. Los científicos de datos y otras partes interesadas deberían estar absolutamente involucrados en llegar a la definición, simplemente no les hagan la pregunta y esperen que vuelvan con las respuestas. Si tiene datos con los que no sabe qué hacer, lleve a cabo entrevistas con los clientes e idee ideas con otras personas de toda la organización orientadas al cliente. Los científicos de datos pueden ayudarlo a explorar sus datos, idear e iterar, pero a menos que tengan mucha experiencia en el espacio del problema, sería difícil para ellos llegar al caso de negocios por su cuenta. Para maximizar el valor de ML para el negocio, necesita una colaboración continua entre los gerentes de producto y los científicos de datos, donde es responsabilidad de los gerentes de producto garantizar que los problemas que se resuelven sean los más impactantes para el negocio.

Desempaquetando cómo ML puede hacer avanzar su negocio

Si bien las posibilidades con ML son infinitas, hay ciertas preguntas que podría hacer para descubrir cómo la tecnología podría aplicarse a su organización. Aquí hay unos ejemplos:

Procesos internos

  • ¿Dónde aplican las personas de mi empresa el conocimiento de hoy para tomar decisiones que podrían automatizarse, de modo que sus habilidades puedan aprovecharse mejor en otros lugares?
  • ¿Cuáles son los datos que las personas de mi empresa normalmente buscan, recopilan o extraen manualmente de ciertos depósitos de información y cómo se puede automatizar?
  • ¿Cuál es el conjunto de decisiones que toman las personas de mi empresa? ¿Es posible que una máquina pueda tomar esas decisiones si ingiere mágicamente todos los datos que tiene mi gente?

Productos y experiencia para clientes existentes.

  • ¿Qué partes de mis interacciones con los clientes son personalizadas por personas y que podrían ser personalizadas por máquinas?
  • ¿Tengo una segmentación clara de mis clientes en función de sus preferencias, comportamientos y necesidades? ¿Mi producto / experiencia está personalizado para cada segmento?
  • ¿Puedo personalizar la experiencia para cada cliente individual en función de lo que sé sobre ellos o su interacción con mi sitio / aplicación / producto? ¿Cómo podría crear una experiencia mejor, más rápida o más agradable para ellos?
  • Específicamente, ¿cuáles son las decisiones y elecciones que les pido a mis clientes que tomen hoy? ¿Pueden esas decisiones ser automatizadas basadas en algún conocimiento que ya tengo o podría tener?
  • ¿Cómo puedo identificar mejor las buenas y malas experiencias del cliente? ¿Puedo detectar problemas que afectarán negativamente la experiencia o satisfacción del cliente antes de que sucedan o se propaguen?

Nuevas verticales o clientes

  • ¿Tengo algún dato que pueda ser útil para otras partes interesadas en la industria o en industrias adyacentes? ¿Qué tipo de decisiones puede ayudar a estos interesados ​​a tomar?

Todo lo anterior

  • ¿Cuáles son las métricas o tendencias que si pudiera predecir correctamente tendrían un impacto significativo en mi capacidad de servir a mis clientes o competir en la industria? pronostica la demanda de ciertas categorías de productos, fluctuaciones de costos, etc.
  • ¿Cuáles son las entidades clave sobre las que recopilo datos (personas, empresas, productos, etc.)? ¿Puedo unir esos datos con datos externos (de fuentes públicas, socios, etc.) de una manera que me diga algo nuevo o útil sobre esas entidades? ¿Útil para quién y cómo? Por ejemplo: identifique clientes potenciales cuando estén a punto de buscar su producto, comprenda cómo los factores externos afectan la demanda en su industria y reaccione en consecuencia, etc.

Haga una lluvia de ideas sobre algunas de estas preguntas (y otras) con su equipo y las partes interesadas clave de la organización. Si no está seguro de por dónde empezar, comience en alguna parte. Simplemente experimentar con algunos datos puede ayudarlo a usted y a su equipo a determinar a dónde pueden ir desde allí.

En la parte 2, discutiremos todos los términos técnicos de LD que los PM deben comprender, cómo la elección de tecnología se ve afectada por la definición de su problema y algunos de los obstáculos de modelado a tener en cuenta que tienen un impacto en su negocio.

Si esta publicación le parece interesante, ¿podría hacer clic en el corazón verde a continuación para informarme o compartirla con alguien más que pueda encontrarla útil? ¡Eso me alegraría totalmente el día!