Como les contamos en otros posteos, los datos permiten tomar grandes decisiones basadas en evidencia a los servicios, gobiernos, empresas, entre otros. Se trata de decisiones Data driven, es decir, basadas en ese núcleo duro de información que obtenemos y procesamos.
Muchas empresas realizan acciones basándose en predicciones realizadas por algoritmos de Machine Learning. Si bien esto sucede en todas las áreas donde se recolectan datos (¡que son muchas!), esto puede verse de manera más notable en el ámbito de los negocios. Google, Facebook, Amazon, Uber, Mercadolibre, todas estas son ejemplos de empresas que toman decisiones data driven.
Para poder realizar esto, en primer lugar, debe existir algún tipo de implementación de ML en el espacio, esto está orientado a dos ejes: tener en claro cómo usarlo y hacer un análisis de las ventajas que puede tener su integración. A partir de esto, debemos capacitarnos en esta tecnología para materializarla en el espacio de trabajo. ¡Manos a la obra!
Para comenzar, intenta implementar tareas sencillas teniendo como base los datos que tienes. ¿Qué es lo que podrías predecir de manera más sencilla? ¿Qué datos tienes? ¿Qué ganancia podrías obtener al aplicar aprendizaje automático en esas tareas?
Una tarea sencilla podría ser predecir el engagement de los clientes con tu empresa y así evaluar quiénes podrían irse a otra empresa. Con un poco de aprendizaje supervisado puedes utilizar los datos que posees para predecir sobre datos futuros. ¿Quiénes van a realizar una compra? ¿Quiénes son propensos a cancelar? ¿Quiénes están pensando en irse a otra empresa?
Small data first
Una de las creencias más extendidas en torno a Machine Learning e Inteligencia Artificial es que solo se trabaja con grandes cantidades de datos. Solo empresas muy grandes poseen tanta cantidad de datos como para entrar en la calificación de Big data, así que no esperes y comienza a implementar ML a los datos que ya posees.