8 beneficios del aprendizaje automático para las empresas

imágenes falsas

El aprendizaje automático tiene como objetivo predecir resultados con mayor precisión y discernir tendencias que los humanos probablemente pasarían por alto si dependieran únicamente de métodos estadísticos convencionales.

Para las empresas, esas capacidades significan una ventaja competitiva. Es por eso que el aprendizaje automático (ML) está experimentando una adopción empresarial cada vez mayor, encontrando uso en funciones que van desde la planificación estratégica hasta la seguridad. Además de esas aplicaciones horizontales, el aprendizaje automático puede satisfacer las necesidades particulares de los mercados verticales y respaldar iniciativas de transformación digital.

Un algoritmo de aprendizaje automático examina los datos en busca de patrones. A medida que el algoritmo recibe más y más datos, tiene potencial para mejorar con el tiempo.

La perspectiva de mejores predicciones encaja con las aspiraciones de las empresas basadas en datos. Para dichas organizaciones, ML puede ofrecer recomendaciones, pronosticar la demanda de los clientes y respaldar el proceso de toma de decisiones corporativas. La tecnología también ha impulsado otros desarrollos de IA, en particular la IA generativa, preparada para su adopción empresarial.

Con ese telón de fondo en mente, aquí presentamos ocho beneficios principales del aprendizaje automático para las empresas.

La capacidad de captar clientes se encuentra entre las principales razones para implementar ML. La pérdida de clientes es un gran dolor de cabeza para las empresas. El aprendizaje automático puede ayudar a las empresas a identificar qué clientes es probable que se vayan.

"Este es absolutamente el problema número uno que vemos con nuestros clientes, ya sea un contrato a largo plazo o de mes a mes, en diferentes industrias y tamaños de empresas", dijo Matt Mead, CTO de SPR, una empresa de modernización tecnológica. en Chicago.

La retención de clientes es básicamente un problema de clasificación. Mead dijo que esta tarea de ML implica observar las características de los clientes de una empresa, es decir, información histórica sobre los que se fueron y los que se quedaron, además de sus diferentes comportamientos. Los clientes pueden utilizar ese análisis para establecer "programas de guante blanco" para clientes potencialmente en riesgo, anotó Mead. La empresa puede intentar aumentar la satisfacción del cliente y crear una relación más estrecha, añadió.

David Frigeri, director general y líder de la práctica de IA/ML de Slalom en Filadelfia, también citó la retención de clientes como un beneficio de ML.

"Hemos descubierto que el mejor rendimiento desde una perspectiva financiera es cuando la capacidad de análisis se ubica lo más cerca posible de las principales fuentes de ingresos", afirmó. "Por lo tanto, crear una mejor experiencia para el cliente, mejorar la retención y mejorar el valor de vida de los clientes a través de mejores productos o servicios es realmente el enfoque horizontal que cruza todas las verticales principales".

Otra aplicación de ML en demanda es el mantenimiento predictivo de activos de capital fijos o de largo plazo, dijo Mead. Aquí, ML identifica los equipos que probablemente experimenten fallas. Las organizaciones pueden utilizar esa información para programar el tiempo de inactividad y realizar reparaciones en lugar de experimentar costosas interrupciones que interrumpen a los clientes, dijo.

Se prevé que el mercado mundial de mantenimiento predictivo alcance los 19.300 millones de dólares en 2028, creciendo a una tasa de crecimiento anual compuesta del 30%, según Vantage Market Research.

Netflix y Amazon ofrecen ejemplos destacados del uso de ML para crear sistemas de recomendación que sugieren nuevos productos o servicios basados ​​en el historial de compras de un cliente.

"Esas son implementaciones interesantes y muy públicas de ML con un espíritu de personalización", señaló Mead.

Este caso de uso de ML crea un mayor valor para los clientes y también abre oportunidades de ventas adicionales y cruzadas para las empresas. Por tanto, un sistema de recomendación puede generar nuevas fuentes de ingresos para las empresas.

El aprendizaje automático consiste en hacer predicciones, por lo que la tecnología ofrece una plataforma natural para planificar y pronosticar actividades.

El aprendizaje automático puede ayudar a las empresas a predecir costos, demanda y tendencias de precios futuros para facilitar la elaboración de presupuestos y proteger las perspectivas financieras de una empresa, dijo Mead. "Esa es una categoría enorme de trabajo que hacemos para nuestros clientes", señaló.

Dentro de las empresas, el rol de estratega corporativo se beneficiará de una mayor adopción del ML. Las tendencias que los estrategas corporativos deben considerar -y el ritmo al que deben analizarlas- son fundamentalmente diferentes a la luz de la pandemia de COVID-19, dijo David Akers, director de investigación de Gartner.

Las tecnologías de inteligencia artificial pueden aportar mayor conocimiento y eficiencia al proceso. Pero un estudio de Gartner publicado en julio de 2023 encontró que solo el 20% de los 200 líderes de estrategia corporativa encuestados utilizan herramientas como ML. Sin embargo, parece que la adopción aumentará, ya que el 51% de los encuestados dijeron que están investigando el lavado de dinero.

El modelado predictivo de ML reforzará la previsión necesaria para la toma de decisiones estratégicas, ayudando a una empresa a "ver a la vuelta de la esquina", señaló Akers. Citó la importancia del ML no supervisado y la capacidad de "identificar nuevas oportunidades que no vimos con el análisis tradicional".

Los modelos de aprendizaje no supervisados ​​no requieren que humanos entrenen conjuntos de datos y pueden descubrir patrones en datos no estructurados.

El ML y su capacidad para identificar patrones han encontrado un hogar en la detección de fraude.

Mead dijo que ve a los clientes implementar software de detección de fraude disponible en el mercado, pero también se ha encontrado con una buena cantidad de implementaciones personalizadas. La detección de fraude suele asociarse con empresas de servicios financieros que buscan anomalías en las transacciones con tarjetas de crédito.

Pero Mead citó una aplicabilidad más amplia.

"Hemos trabajado con clientes para identificar cuentas fraudulentas en todo tipo de industrias", dijo. Eso incluye ayudar a las empresas de comercio electrónico a detectar pedidos fraudulentos.

Si bien el ML tiene una aplicabilidad horizontal considerable, las organizaciones también pueden utilizar la tecnología para cumplir con los requisitos del mercado vertical. Aquí hay una muestra de industrias a considerar:

Otro beneficio es la capacidad de generar múltiples retornos a partir de una inversión inicial en ML. Por ejemplo, un minorista que crea un conjunto de datos para pronosticar la demanda de productos tiene la oportunidad de aprovechar esa inversión, dijo Frigeri. Sin embargo, es posible que una empresa no se dé cuenta.

"Existe una especie de barrera suave de bajas expectativas en torno al pensamiento: 'Tenemos muy buenas previsiones de demanda, ya hemos terminado'", afirmó.

Pero el conjunto de datos creado para el pronóstico de la demanda también puede ayudar a los minoristas a anticipar situaciones de falta de existencias, señaló Frigeri. Y un minorista que puede predecir cuándo le faltará un producto en particular puede entonces crear un sistema de recomendación para existencias de seguridad: un producto de reemplazo que puede aprovechar como amortiguador por si acaso. Otros grupos de minoristas, como el marketing por correo electrónico, también pueden aprovechar los datos de previsión de la demanda.

"En realidad, se pueden hacer muchas cosas con ese mismo dólar de inversión, pero hay que ser muy reflexivo", dijo Frigeri.

La automatización a través del ML puede recortar los gastos de una empresa mediante la reducción de la mano de obra y una mayor eficiencia.

El servicio al cliente es un área en la que es probable que se produzcan ahorros de costes gracias al aprendizaje automático. Gartner estimó que la IA conversacional, que combina ML y procesamiento del lenguaje natural (NLP), reducirá los costos laborales de los agentes de los centros de contacto en 80 mil millones de dólares en 2026.

Los chatbots, que reciben un impulso adicional de la IA generativa, hacen que las organizaciones se pregunten si pueden comenzar a tener menos agentes de call center que estén hablando por teléfono por menos tiempo, dijo Mead.

Reemplazar a los agentes del call center por chatbots es una posibilidad. Pero Mead dijo que considera que el uso de chatbots para ayudar a los agentes humanos y reducir el tiempo de manejo de llamadas es el uso más creativo de la tecnología. La idea es que los chatbots escuchen las conversaciones, comprendan el contexto y evalúen el sentimiento del cliente. Esa información, combinada con el análisis de PNL de transcripciones de llamadas anteriores, permite que un chatbot brinde asesoramiento a los agentes mientras interactúan con los clientes, señaló Mead.

Mientras tanto, la IA generativa abre vías adicionales para la eficiencia, dijo Zakir Hussain, líder de datos de IoT para América de la consultora EY. Señaló un ahorro de tiempo del 44% en tareas de escritura profesionales y una reducción del 55% en el tiempo de programación, citando investigaciones del MIT y Microsoft, respectivamente.

La aparición de la IA generativa cambia la naturaleza de la programación, afirmó.

"Ya no se trata de codificar", dijo Hussain. "Hemos pasado a una era en la que se trata más de aprovechar la IA para realizar la codificación, pero luego de discutir ese [resultado] para asegurarnos de que lo que se ha generado sea realmente correcto".

En ese escenario, Hussain dijo que prevé que muchos desarrolladores se conviertan en "defensores de datos".

Pero la automatización, si bien es importante, no debería superar la capacidad del ML para brindar nuevas experiencias a los clientes, según Frigeri.

"La automatización ha tenido un enorme impacto para muchas organizaciones en términos de impulsar la productividad, pero el número uno es su cliente, ante todo", afirmó.