Machine Learning: qué es y cómo utilizarlo si tengo una pyme


Si ya existe confusión cuando hablamos de inteligencia artificial, que no termina de estar claro si nos referimos a robots, a chatbots o a una voz lúgubre que nos da los buenos días mientras levanta las persianas, aún hay más confusión al leer machine learning. Machine. Learning. ¿Qué es y cómo puedo utilizarlo si tengo una pyme? Sorprendentemente, su explicación es muy sencilla: es la parte de la inteligencia artificial relacionada con el aprendizaje de las máquinas a partir de enormes cantidades de datos. La máquina analiza los datos, descubre tendencias y, gracias a eso, optimiza su funcionamiento.

Veámoslo con un ejemplo. Si tenemos una ristra de 50 currículos en formato digital, podemos usar una aplicación de inteligencia artificial para que haga un screening, es decir, una lectura y filtrado automáticos de los documentos. En caso de que el filtrado se haga después de que alguien haya introducido los valores en las columnas de un documento de Excel y haya hecho clic en filtrar, entonces no tendremos inteligencia artificial alguna; es sólo una función de Excel. Para que podamos decir que existe una IA, tenemos que ponerle las cosas mucho más difíciles a la máquina. Si la máquina abre los documentos y es capaz de leerlos y de extraer los datos y llevarlos a una tabla, todo ello sin que intervenga mano humana alguna, entonces sí hablamos de IA.

¿Y dónde queda el machine learning? Va un par de pasos más allá. En este caso la máquina no se limita sólo al screening de los currículos, sino que, analizando una ingente cantidad de datos (edad de los candidatos, tiempo que suelen durar en sus puestos, formación, idiomas, semejanza con la persona que estaba en el puesto al que aspiran, etc.), la aplicación es capaz de ofrecer un porcentaje del grado de adecuación del candidato a ese puesto. Es decir, la máquina cruza datos de diversas fuentes y, a partir de los mismos, hace sus predicciones. Esto sí es machine learning. Parece útil, ¿verdad? Pues es sólo un ejemplo de lo que esta tecnología puede aportar a las pymes.

Ayuda a tomar mejores decisiones

Lo leerás varias veces en este artículo (pero tampoco muchas): el machine learning se alimenta de datos; cuanta más información tenga, mejores análisis y predicciones hará. Así que cuanto más sepa de la empresa, más útil resultará. ¿Datos procedentes del CRM? Sí. ¿Inventario? Claro. ¿El balance financiero de la empresa? Por supuesto. ¿Los KPI de cualquier departamento? ¡Naturalmente!

La clave de la IA es que su capacidad de procesamiento de datos es muy superior a la de cualquier ser humano, así que es capaz de ver el cuadro completo, independientemente de su tamaño. El problema es que hay que programar cómo se relacionan unos datos con otros (un punto que veremos un poco más abajo). Pero si las relaciones se hacen bien, entonces el nivel de análisis y clarividencia que ofrece el machine learning es impresionante.

Por ejemplo, tienes un ecommerce y las pasadas Navidades fueron fantásticas porque vendiste mucho más que las anteriores. Eso sí, hasta mediados de enero no se te pasó el temor a que la parte logística colapsara. Estuviste a punto de contratar a nuevos repartidores porque la demanda superó con creces tus mejores expectativas, una contratación extra que hubiera podido echar por tierra una parte importante de los beneficios. ¿Ocurrirá lo mismo las Navidades que vienen?

El machine learning y sus capacidades predictivas están para ayudarte. Atendiendo a los datos de las pasadas campañas, a cómo van las ventas hasta el momento y también a los cambios en la demanda que se producen según va acabando el año –y todo esto lo sabes a través de los datos, datos que has introducido en la máquina– el ML puede simular cómo serán las ventas de las Navidades próximas. De esta forma, tendrás una idea más o menos ajustada (el ML no es infalible, claro) y podrás prever si serán necesarios esos repartidores extra.

Optimiza todo tipo de procesos

No hemos escogido el ejemplo de la logística por casualidad, pues esta área suele condicionar muchísimos negocios y optimizarla suele marca la diferencia. El ML tiene mucho que decir aquí. Un ejemplo real: UBER utiliza ML para determinar el precio de cada viaje atendiendo a variables como la distancia del viaje, el clima o el estado del tráfico. Basándose en datos actualizados y en las tendencias recientes de las variables ya comentadas, el ML de la compañía de transportes determina cuánto pagará el usuario. ¿Te imaginas la cantidad de empleados, tiempo y esfuerzo que llevaría conseguir esa cifra? Pues el ML de UBER lo hace en tiempo real.

Otra área fácilmente optimizable gracias al ML es todo lo que tiene que ver con el análisis de textos y la transcripción de audios. La traducción simultánea es probablemente la quintaesencia del ML: cuanto más traduce la máquina, más y mejores traducciones hace. ¿Dónde está ahora mismo la cúspide del ML en materia de traducción y transcripción? Probablemente, pues la vanguardia de la investigación queda siempre de puertas hacia adentro en los laboratorios, lo máximo que se ha alcanzado ahora mismo es la transcripción de reuniones. Eso sí, con un detalle importante. Empiezas la reunión, colocas un móvil con una app en el centro de la mesa y el ML te transcribe la reunión determinando quién ha dicho qué, pues la propia máquina es capaz de diferenciar entre voces.

Como ves, todo lo que tenga que ver con reconocer, transcribir o analizar textos y documentos es la especialidad del ML. Ya hablamos en la introducción de los screening de currículos y de los modelos predictivos sobre la idoneidad de candidatos. Piensa ahora en una marca que quiera saber qué se dice de ella en las redes sociales. Si es sencilla, la IA podría dividir los mensajes entre positivos, neutrales o negativos. Una ML no demasiado compleja en cambio te podría decir cuál de tus lanzamientos motivó más comentarios positivos, cuál más negativos y cuál dejó indiferente a los usuarios de redes sociales y, del mismo modo, cómo será recibido tu siguiente lanzamiento.

Yoigo-Empresas_Machine-Learning

Automatiza el servicio al cliente y lo mejora (especialmente si tienes un ecommerce)

La atención al cliente también es un proceso que puede optimizarse con el ML y bien podría ir en el apartado anterior, pero le hemos dado uno propio porque aquí la tecnología brilla especialmente. Un chatbot multilenguaje puede sustituir a una persona para responder dudas rápidas (plazos de entrega, formas de pago, estado de un envío...), de forma que la máquina relevaría de estas tareas menores a una persona para que concentre su tiempo y atención en la resolución de incidencias, que son las que verdaderamente marcan la diferencia.

Pero hay mucho más. De nuevo, pensemos en un ecommerce. El momento decisivo en toda compra online es el pago, qué duda cabe, pero en los últimos años se han extendido esos “El cliente que compró _______ también se interesó por _______”, las recomendaciones de productos parecidos que tantas y tantas veces suponen añadir un producto con el que el comprador no contaba. Eso es ML puro y duro. Y cuanto mejor programado esté el algoritmo, cuantos más datos tenga en cuenta para dar su recomendación (no sólo lo que va a comprar el usuario sino también la edad del comprador, de dónde es, qué departamentos suele visitar, cuáles son esos productos que lleva viendo meses pero nunca termina de comprar…), cuanta más información tenga el ML, mejor será su recomendación.

Refuerza la seguridad de la pyme

Ya hemos visto que el ML es capaz de prever todo tipo de variables. Puede adelantar cómo se comportarán los clientes, si una candidata a un puesto de dirección lo hará bien e incluso si una cifra macroeconómica podría afectar a una parte concreta del negocio. Esta ventaja de predicción también funciona con aspectos menos positivos para el negocio. Como los ciberataques.

Analizando los ataques sufridos a la web, y centrándose en el tipo de ataques y en cuándo fueron realizados, el ML puede aportar más que interesantes sugerencias al equipo de seguridad de la pyme, que puede reforzar aquellas áreas más vulnerables y también elevar la alerta cuando se acerque la temporada de ataques.

Otro aspecto, especialmente útil para las pymes que manejen maquinaria pesada y costosa, es el llamado mantenimiento predictivo. Básicamente, el ML es capaz de predecir qué usos son más perjudiciales para la maquinaria y, de esta forma, no sólo sugerir un uso que prolongue su vida útil, sino también dar a la dirección una fecha aproximada de cuándo sería apropiado sustituir esa máquina.

¿Qué necesitas para usar machine learning en tu pyme?

Programar una IA no es ni fácil ni rápido ni barato. Si cuesta encontrar un departamento de seguridad informática en muchas pymes, más difícil todavía es encontrar un programador especializado en IA, no hablemos ya en ML. Sin embargo, esto no significa que la IA y el ML sólo estén al alcance de las empresas del IBEX 35.

Unas cuantas compañías tecnológicas, como Microsoft y Amazon, ofrecen entornos de trabajo en la nube para poder trabajar con IA y ML. Son herramientas accesibles, preparadas para que su uso recuerde a una combinación de los programas típicos del paquete Office. Así que no es necesario saber programar para usarlas a un nivel básico. Sólo si la empresa quiere explotar todas las posibilidades que ofrece la IA, entonces sí sería adecuado que estos entornos de trabajo fueran utilizados por una persona experta en programación.

Aunque su coste depende del uso, lo que es una ventaja, no son servicios baratos. El precio depende de la complejidad de los procesos. Servicios de transcripción o de traducción pueden costar no más de 50 dólares al mes, pero si lo que se buscan son análisis predictivos de varias áreas de la empresa, entonces los costes pueden superar fácilmente los 5.000 dólares al mes.

Machine Learning: qué es y cómo utilizarlo si tengo una pyme

¿El machine learning es para todo tipo de pymes?

Las cifras del párrafo anterior deberían dar a entender que no. Pero no sólo los costes son una barrera de entrada a este tipo de tecnología. Como sucede con cualquier tecnología cuya función es automatizar tareas (y el ML no sólo automatiza, como hemos visto), hay que valorar con detenimiento si es la mejor solución posible. Si después de analizar concienzudamente todos los departamentos de la empresa y optimizar procesos y hábitos, sigues pensando que hay algo que se podría mejorar, entonces invertir en ML puede ser una solución.

Pero no basta con querer invertir en ML. Como dijimos más arriba, el ML necesita muchos datos para funcionar. Los análisis predictivos sólo serán creíbles si la máquina ha podido empaparse de una ingente cantidad de datos. Volvamos al ejemplo de la idoneidad de un candidato. Si introduces los CV de 50 candidatos, la máquina no tendrá información suficiente como para prever su desempeño probable. Faltan datos relacionados con la empresa actual y con las personas que ocuparon el cargo anteriormente. A falta de esto, el análisis de la máquina puede ser tan acertado como el de una pitonisa.

Que sea modulable es una ventaja importante en el uso del ML, pues cada tipo de negocio puede sentirse atraído por una función concreta. El screening de currículos y las transcripciones automáticas son ideales para los departamentos de recursos humanos; las recomendaciones de productos gracias a los algoritmos son casi un must hoy en día en cualquier tienda virtual; o qué decir de los chatbots, que pueden evitar fácilmente dolores de cabeza tanto a empleados como a clientes de cualquier pyme. Sin embargo, el análisis predictivo a partir de enormes volúmenes de datos de varios sectores productivos diferentes puede ser interesante solo para unas pocas pymes.

Lo recomendable es empezar poco a poco y, de nuevo, valorar si se va a sacar verdadero partido a una herramienta tan potente como el machine learning. Sus ventajas para automatizar procesos y aportar información para una mejor toma de decisiones son enormes, y pueden ser decisivas en algunos negocios, pero sus exigencias relacionadas con su coste y con la necesidad de contar con enormes volúmenes de datos pueden hacer que invertir en ML no resulte del todo rentable. Como siempre que se trata de tecnología, antes de invertir en ella hay que tener muy claro para qué se va a utilizar.