Como ya se ha comentado en entradas anteriores, la ciencia de datos nos puede ayudar a tomar mejores decisiones empresariales, mejorando muchos aspectos de las organizaciones y por ende otorgando un valor agregado que se traduce al final como un rendimiento o beneficio extra para los stakeholders. Para lograr este objetivo, los científicos de datos se apoyan de herramientas, que en este caso son modelos de Machine Learning, para conseguir estos objetivos.

1. Regresión Lineal – Posiblemente uno de los modelos más usados, más enseñados y más comunes en los negocios, principalmente en finanzas y en manejo de proyectos. Normalmente se utiliza para predecir ventas a futuro, el valor de una tasa de interés o tipo de cambio a futuro, entre otros usos.

2. K-means clustering – La clusterización es una manera de agrupar objetos o cosas de las cuales no sabemos el resultado. Por ejemplo se toma una base de datos de clientes de los cuales sabemos cuanto gastan en un mes, el tiempo que llevan siendo clientes, etc. pero queremos saber si hay alguna manera de agruparlos por categorías para tener más claros los grupos de clientes por media de ciertos cálculos matemáticos sabremos por ejemplo grupos de los que llevan comprando muchos años, separado de otro grupo que llevan menos años comprando. Muy útil para poder realizar segmentaciones de mercado o en general para obtener grupos que no conocemos.

3. Árboles de Decisión – Otro de los modelos más utilizados y que aparentemente es muy sencillo. Es ampliamente utilizado en planeación, en toma de decisiones estratégicas y en manejo de proyectos de inversión. Desde la vista de los negocios, no es un modelo tan complejo en el que se estiman probabilidades contra cantidades de dinero, para saber que rama o camino conviene tomar, en ocasiones de inversión o desinversión, al igual que si realizar o no ciertas actividades o en algunos casos hasta esperar es viable.

4. Apriori – Este es un algoritmo que permite, de manera muy sencilla, realizar asociaciones de objetos que son frecuentes juntos. Por ejemplo, cuando se tiene una lista de productos del supermercado y la cantidad de personas que compran esos objetos. Se sabe que una persona compró agua y pan, a su vez se sabe que otro compró huevo y juego, entonces se puede iniciar una asociación y saber que productos deberían de estar más cerca juntos porque se compran normalmente, o sea que si alguien compra pan, es probable que también compre agua. Esto depende de varios cálculos en los cuales no profundizaremos en esta entrada. PEro su uso más típico es sobre canastas de productos de supermercado en los negocios o incluso en bancos, para saber que ofrecer a clientes conforme a lo que se sabe normalmente se consume junto.

5. Artificial Neural Networks – La rama principal en la que se utilizan es en las inversiones bursátiles, ay que se utilizan mucho para predecir con mayor precisión y exactitud los precios de las acciones a futuro, optimizando las carteras de inversión y mejorando el rendimiento de los portafolios

Esperemos les sean de utilidad estas 5 herramientas básicas de machine learning en sus negocios, las puedan aplicar de manera favorable y puedan obtener alguna clase de insight o alguna visión más clara del negocio para poder obtener más ganancias y cumplir sus objetivos.

By: José Luis Rodríguez.

Referencias: