Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medición De Impactos.

Information about Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas....

Published on September 2, 2020

Author: FlatIOIDigitalBusine

Source: slideshare.net

Content

1. Miguel Monreal HEAD OF BUSINESS TECH @monrealista #Flat101DS @SomosFlat101 [email protected]flat101.es

2. Machine Learning para definir clusters de usuarios y acciones 28 de mayo de 2020 #Flat101DS @SomosFlat101 [email protected]flat101.es

3. ML para definir clústers de usuarios y acciones Indice: 01 Definiciones: AI vs ML vs DL 02 ¿Cómo funciona ML? 03 ML: Casos de uso reales y oportunidades 04 Activando ML en negocios digitales 05 Wrap-up

4. ML para definir clústers de usuarios y acciones 01 Definiciones: AI vs ML vs DL

5. ML para definir clústers de usuarios y acciones DEFINICIÓN: AI, ML, DL ARTIFICIAL INTELLIGENCE (AI) MACHINE LEARNING (ML) DEEP LEARNING (DL) La capacidad de una máquina de imitar el comportamiento inteligente de los humanos Diccionario Merriam-Webster El campo de estudio que da a los ordenadores la capacidad de aprender sin ser explícitamente programados Arthur Samuel Se trata de una forma de aplicar machine learning utilizando redes neuronales con distintos niveles jerárquicos.

6. ML para definir clústers de usuarios y acciones AI, ML, DL a lo largo del tiempo https://www.linkedin.com/pulse/biggest-confusion-cleared-ai-vs-ml-dl-ashwin-kumar/

7. ML para definir clústers de usuarios y acciones Inteligencia Artificial 01 Definiciones La capacidad de una máquina de imitar el comportamiento inteligente de los humanos

8. ML para definir clústers de usuarios y acciones ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO M 2345- KT- Z 5081- AZ- Desde 1971: Es una matricula de Madrid Año 1990 Es una matricula de Zaragoza Año 1996 Es una matricula de Navarra Año 1991 NA 6620- BC-

9. ML para definir clústers de usuarios y acciones ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO 2367 BSB- Desde 2000: ????????

10. ML para definir clústers de usuarios y acciones 2367 BSB- Desde 2000: Un desarrollador añade una condición adicional if ( matricula empieza por sello ) { // Lee sello europeo España // Lee 4 dígitos 2367 // Lee 3 letras BSB // Se determina el año 2002 } if ( matricula empieza por 1 ó 2 letras ) { // leo matricula M-2345-KT } Código existente Sello europeo con letra de país 4 letras de matrícula 3 letras (sin vocales) Excluídas tb LL, CH, Ñ y Q ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?: EJEMPLO DE USO

11. ML para definir clústers de usuarios y acciones Machine Learning 02 Definiciones El campo de estudio que da a los ordenadores la capacidad de aprender sin ser explícitamente programados

12. ML para definir clústers de usuarios y acciones MACHINE LEARNING: Entrada de datos Algoritmo genérico Predicción En machine learning no se indican sentencias de código rígidas para resolver un problema concreto. Datos de matrículas: • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT • 2367 BSB • Etc Algoritmo apropiado de machine learning entrenado para resolver el problema Matrícula válida • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT Matrícula inválida • 2367 BSB En su lugar se "enseña" a un ordenador para que pueda solventarlo por su cuenta, utilizando un algoritmo de aprendizaje genérico.

13. ML para definir clústers de usuarios y acciones MACHINE LEARNING: Entrada de datos Algoritmo genérico Predicción Datos de matrículas: • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT • 2367 BSB • Etc Algoritmo apropiado de machine learning entrenado para resolver el problema Matrícula válida • M 2345 KT • Z 5081 AZ • NA 6620 BC • LO 4512 RT • 2367 BSB Re-entreno del algoritmo

14. ML para definir clústers de usuarios y acciones Deep Learning 03 Definiciones Técnica avanzada de machine learning utilizando redes neuronales con distintos niveles jerárquicos.

15. ML para definir clústers de usuarios y acciones DEEP LEARNING: Deep Learning es una técnica avanzada de aplicar Machine Learning utilizando redes neuronales con distintos niveles jerárquicos. El concepto se asemeja al funcionamiento del cerebro humano, donde existe una entrada de datos y una serie de nodos (neuronas) interconectados entre sí en distintos niveles que trabajan en conjunto para generar una salida.

16. ML para definir clústers de usuarios y acciones DEEP LEARNING: En el nivel inicial, las neuronas realizan un trabajo simple que se traspasa a la siguiente capa. Esta combina los datos de entrada y ejecuta una tarea más compleja, haciéndola llegar a un tercer nivel, y así sucesivamente. Este planteamiento permite abordar problemas abstractos, a través del aprendizaje en sucesivas capas cada vez más complejas.

17. ML para definir clústers de usuarios y acciones DEEP LEARNING: USOS Algunos ejemplos de aplicación de Deep Learning: • Clasificación avanzada de imágenes • Reconocimiento de voz • Conducción autónoma • Asistentes de voz • Etc. Habitualmente se ejemplifica Deep Learning con el caso de clasificación de imágenes, donde el proceso se divide en diferentes etapas, comenzando con la detección de zonas claras y oscuras, pasando a contornos con formas simples, que posteriormente se combinan para identificar elementos, etc.

18. ML para definir clústers de usuarios y acciones

19. ML para definir clústers de usuarios y acciones CLOUD VISION DE GOOGLE

20. ML para definir clústers de usuarios y acciones 02 ¿Cómo funciona ML? (Machine Learning)

21. ML para definir clústers de usuarios y acciones CICLO BÁSICO DE APRENDIZAJE EN MACHINE LEARNING • Oportunidad de negocio: Como premisa, debe partirse de un objetivo a conseguir (ej: "predecir la probabilidad de compra de un usuario para ofrecer mensajes más persuasivos"). • Recopilación de datos: Identificación, extracción y limpieza de la información clave, así como data governance integral. • Selección de algoritmo: Elección de aproximación matemática para resolver el challenge planteado. • Entrenamiento: Training con datos del algoritmo seleccionado para obtener un modelo de machine learning. • Evaluación: Checking de la precisión del modelo generado. • Despliegue: Deployment de modelo para que pueda ser consultado en tiempo real o a través de procesos batch. • Predicción: El modelo está listo para ser utilizado enviando nuevos datos sobre los que realizar la predicción.

22. ML para definir clústers de usuarios y acciones ALGUNOS APUNTES…. El modelo puede ser reentrenado según nuevos inputs (ej: resultado real de conversión - “label”) La recolección y data quality comprende el 60-70% de trabajo total Habitualmente se hace un split de datos para entrenar y evaluar el modelo

23. ML para definir clústers de usuarios y acciones CATEGORÍAS DE ALGORITMO EN MACHINE LEARNING: ¿CUÁL ELEGIR? MACHINE LEARNING APRENDIZAJE SUPERVISADO (Supervised learning) APRENDIZAJE NO SUPERVISADO (Unsupervised learning) APRENDIZAJE REFORZADO (Reinforcement learning)

24. ML para definir clústers de usuarios y acciones Algoritmo supervisado 01 Cómo funciona ML (Supervised learning)

25. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO Lo característico de esta aproximación es que partimos de una serie de datos organizados y estructurados sobre los que entrenar nuestro algoritmo. Es decir, tenemos un set de datos de entrada etiquetados que dan semántica a la información. Ej: Tenemos una colección de imágenes que sabemos que son de árboles, con lo que podemos entrenar a nuestro algoritmo para que determine si una imagen que nos llega es de un árbol o no.

26. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: EJEMPLO Imaginemos que tenemos un concesionario de coches de segunda mano y queremos, a través de una aplicación, estimar el precio de venta de un coche en función de ciertas características, como su marca, modelo y kilometraje. Para poder entrenar el algoritmo y predecir el precio de venta, se guarda un histórico de todos los coches que se han vendido en los últimos 4 meses, especificando las características arriba mencionadas y sobretodo el precio en el que finalmente se cerró la venta.

27. ML para definir clústers de usuarios y acciones PROCESO DEBEMOS SEGUIR • Marca: Ford • Modelo: Kuga • Kilómetros: 64.000 • Precio de venta: ???

28. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR • En primer lugar, es fundamental y necesario reunir un set de datos válidos donde se localice toda la información relacionada que consideremos de interés. • Esto quiere decir incorporar toda aquella característica interna o externa que pueda tener relación con el dato a predecir. • Ej: INE (Instituto Nacional de Estadística) para obtener informes de matriculaciones: https://www.ine.es/dyngs/IOE/es/ operacion.htm?numinv=70041

29. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR Relativo a la información a incorporar encontramos 2 tipos de datos: - Característica (feature): Se trata de información que aportamos al sistema como variables. Los modelos de predicción se basan en estos datos para realizar predicciones. Adicionalmente a estos datos aportados, puede realizarse un enriquecimiento (o feature engineering) para completar indirectamente información. Por ejemplo, a partir de la matrícula se podría determinar la fecha de matriculación. - Etiqueta (label): Es el dato final de salida a partir de la información de entrada (features). En resumen, en el ejemplo son features la "marca", el "modelo" y los "kilómetros". En cambio "precio de venta" es el label a predecir, que en este set de datos de prueba conocemos.

30. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR Para realizar un predicción numérica continua (ej: qué facturación tendremos este año) unos de los algoritmos más usados es la regresión lineal • Regresión múltiple • Bayesiano • Redes neuronales Para conocer la pertenencia o no a una clase (ej: spam/no spam, comprador/no comprador) es frecuente utilizar algoritmos de clasificación • Regresión logística • KNN (k-nearest neighbor) • Árboles de decisión

31. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR • Es un modelo matemático que genera predicciones encontrando patrones en tus datos. Fuente: Amazon (AWS) • Un modelo es la relación entre características (features) y etiquetas (labels). Fuente: TensorFlow ¿Qué es un modelo en Machine Learning?

32. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR

33. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR

34. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR ENTRENO VALIDACIÓN Datos de prueba (contiene features + label)

35. ML para definir clústers de usuarios y acciones APRENDIZAJE SUPERVISADO: PROCESO A SEGUIR Predicción (features+label) Solicitud (features)

36. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado 02 Cómo funciona ML (Unsupervised learning)

37. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado En el caso de aprendizaje NO supervisado, los datos a utilizar están sin etiquetar. Esto es, que no hay semántica en la información que vamos a introducir en el sistema. Por poner un símil, el paralelismo sería como si nos dieran una serie de jeroglíficos egipcios y tuviéramos que encontrar patrones y/o potenciales agrupaciones entre los distintos símbolos.

38. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado Este hecho, aunque supone un reto para el algoritmo de entrenamiento, es una clara ventaja, ya que ahorramos el costoso trabajo de etiquetado que habitualmente tiene que ser realizado por una persona en el enfoque de algoritmos supervisados. Es decir, el proceso con respecto al aprendizaje supervisado se simplifica, ya que no es necesario realizar una fase de etiquetado, sino que directamente se produce la ingesta de datos a la espera del output

39. ML para definir clústers de usuarios y acciones De acuerdo a los últimos estudios de Gartner, el 80% de la información existente hoy en día es NO estructurada, con lo que las oportunidades existentes son enormes. 80%Datos NO estructurados Algoritmo NO supervisado https://www.forbes.com/sites/forbestechcouncil/2017/06/05/the-big-unstructured-data-problem/

40. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: oportunidades

41. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: oportunidades

42. ML para definir clústers de usuarios y acciones Clustering es una técnica de Machine Learning que consiste en la agrupación de datos. A partir de una serie de datos, el algoritmo clasifica cada punto en un grupo específico. Los puntos que están en un mismo grupo deberían tener propiedades/features, muy similares. Ej: Look-a-like en DMP Algoritmo NO supervisado: clusterización

43. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: clusterización - ejemplos K-Mean Clustering Mean Shift Clustering EM with GMM Expectation-Maximization using Gaussian Mixture Models https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68Fuente:

44. ML para definir clústers de usuarios y acciones Ciertos autores consideran que el aprendizaje no supervisado permite realizar una segmentación automática que permita entender mejor la información. Incluso apuntan como paso previo a un aprendizaje supervisado. Por ejemplo, en el caso de detección de terremotos, un algoritmo no supervisado puede realizar la búsqueda de patrones en los datos, pudiendo obtener insights que permitan la anticipación ante posibles catástrofes. Algoritmo NO supervisado: dando semántica a los datos

45. ML para definir clústers de usuarios y acciones Algoritmo NO supervisado: detección de anomalías

46. ML para definir clústers de usuarios y acciones Algoritmo Reforzado 03 Cómo funciona ML (Reinforced learning)

47. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO La principal diferencia del aprendizaje reforzado es que NO se realiza un entrenamiento previo basado en un set de datos, sino que el algoritmo aprende dinámicamente en base al feedback que recibe. En otras palabras, el aprendizaje reforzado es un modelo basado en el comportamiento. Podría asemejarse a un enfoque prueba-error para la búsqueda del resultado más óptimo.

48. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO Un ejemplo de aplicación clara es la inteligencia artificial de los videojuegos. Supongamos un juego de lucha. En base a los movimientos que realicemos, la CPU actuará atacando o defendiendo de una determinada manera. Es decir, irá modificando su comportamiento en sucesivas secuencias para conseguir ganar la batalla

49. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO EN AB TESTING Las herramientas de AB Testing plantean el problema de no obtener un resultado final hasta recopilar un volumen mínimo de conversiones que proporciones una significancia estadística suficiente Esta aproximación tiene una clara desventaja, ya que el experimento se alarga y se pierde negocio mostrando versiones con menos capacidad de conversión https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804

50. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO EN AB TESTING: MULTI-ARMED BANDIT TEST Los Multi-Armed Bandit Test permiten bascular tráfico de forma anticipada a combinaciones que se determinan potencialmente ganadoras http://conductrics.com/balancing-earning-with-learning-bandits-and-adaptive-optimization/ Fuente:

51. ML para definir clústers de usuarios y acciones ALGORITMO REFORZADO EN AB TESTING https://towardsdatascience.com/beyond-a-b-testing-multi-armed-bandit-experiments-1493f709f804 THOMPSON SAMPLING MONTECARLO SIMULATION

52. ML para definir clústers de usuarios y acciones EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES

53. ML para definir clústers de usuarios y acciones EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES AUTO-TARGET AUTOMATED-PERSONALIZATION Con auto-target automáticamente determina la mejor experiencia a nivel de journey para cada visitante en función de su perfil e información contextual Muy útil en fase de testing para determinar los contenidos más adecuados para los distintos target de cliente AUTOMATED-ALLOCATE Sirve para optimizar el rendimiento del test, obteniendo la versión ganadora en el menor tiempo posible • Multi-armed bandit • Random Forest • Thompson Sampling

54. ML para definir clústers de usuarios y acciones EL FUTURO PRESENTE DE LAS HERRAMIENTAS DE AB TESTING PROFESIONALES

55. ML para definir clústers de usuarios y acciones UN POCO DE LITERATURA:

56. ML para definir clústers de usuarios y acciones Resumen 04 Cómo funciona ML

57. ML para definir clústers de usuarios y acciones MAPEO DE NECESIDADES DE MK CON PROBLEMAS DE ML Problema a resolver Tipología ML Lead scoring CLV Descuento ideal Regression (valor continuo) Click en un banner Cliente de alto/medio/bajo valor Classification (opciones acotadas) Qué producto mostrar Qué contenido mostrar Recommendation Segmentación de clientes Insights de negocios Clustering Detección de incidencias Anomaly detection CRO / Orquestación de emails Reinforcement Learning Supervised Learning Unsupervised Learning Reinforcement Learning

58. ML para definir clústers de usuarios y acciones 03 ML: Casos de éxito reales

59. ML para definir clústers de usuarios y acciones Clusterización de usuarios para predicción de bajas Aplicación de modelo de detección de churn-rate en un servicio de suscripción 01 Casos de uso

60. ML para definir clústers de usuarios y acciones Acerca del proyecto Empresa que vende un servicio deportivo bajo suscripción anual desea conocer con antelación el porcentaje de usuarios que van a darse de baja. Se requiere realizar este estudio intertemporada (antes del nuevo año) e intratemporada(durante el año) El objetivo es poder anticipar acciones de marketing concretos para cada cluster para reducir estas cifras Aplicación de algoritmo de Machine Learning para clusterización de usuarios • Identificación de variables relevantes • Obtención, limpieza y enriquecimiento de datos (feature engineering) • Validación de datos • Elección de algoritmo y entrenamiento del modelo • Verificación de precisión de modelo, clusterizando en 5 grupos según propensión a baja • Despliegue del modelo en producción PLAN DE TRABAJO:

61. ML para definir clústers de usuarios y acciones Churn rate global Suscripciones por año Suscripciones Año 1 Año 2 Año 3 Año 4 El estudio agrupa en distintos tipos de usuario: •New: Nuevo clientes •Loyal: Fidelizados (tuvo suscripción el pasado año) •Winback: Recuperado (no fue suscriptor el año anterior) •Lost: Perdido (no ha renovado suscripción)

62. ML para definir clústers de usuarios y acciones Distribución de clientes por edad

63. ML para definir clústers de usuarios y acciones Churn rate por edad

64. ML para definir clústers de usuarios y acciones Análisis univariable

65. ML para definir clústers de usuarios y acciones Análisis multivariante

66. ML para definir clústers de usuarios y acciones Predicción Suscripciones

67. ML para definir clústers de usuarios y acciones Clusterización de usuarios para priorización de servicio Aplicación de modelo de detección de propensión en un servicio bancario 02 Casos de uso

68. ML para definir clústers de usuarios y acciones Acerca del proyecto Aplicación de modelo predictivo en producto hipotecario para particulares en formulario presente en landing pages así como en otros procesos críticos de contratación. Una vez cumplimentado el formulario, se realizo scoring en tiempo real para cálculo de propensión (alta | baja). 40% LAS CIFRAS: Enlace con simulador automático Cita con call center para simulación de hipoteca asistida BAJA PROPENSIÓN ALTA PROPENSIÓN MODELO +13% Ahorro en llamadas asistidas En ratio de conversión de agentes

69. ML para definir clústers de usuarios y acciones Clusterización de usuarios para cross- selling y recurrencia Aplicación de modelo en eCommerce 03 Casos de uso

70. ML para definir clústers de usuarios y acciones Acerca del proyecto eCommerce de venta de productos de beauty desea desarrollar 2 modelos de Machine Learning: Cross-selling: Predicción de la afinidad de cada cliente para diferentes líneas de producto Recurrencia: Modelo de recurrencia y predicción de productos triggers (generan otra compra)

71. ML para definir clústers de usuarios y acciones Cross-selling / Recomendación personalizada Predicción de la afinidad de cada cliente para diferentes líneas de productos en base a: • Compras previas (collaborative filtering) • Perfil de cliente (predictive model) Parametrización analítica: • Secuencialidad temporal • Ponderación por recencia • Diversificación • Cuantificación Aplicaciones: • Campañas de cross-selling personalizadas • Perfilado por afinidad a catálogo Matriz de propensión de productos por usuario

72. ML para definir clústers de usuarios y acciones Modelos de recurrencia Detección y explotación de 2 tipos de recurrencia: • Productos recurrentes con compra periódica • Productos (triggers) que predisponen a la compra de otros productos (targets) Fases del modelo: • Identificación de productos recurrentes y cruzados mediante metodología analítica • Identificación de los tiempos esperados para la recurrencia (periodicidades) • Creación de alertas cuando se sobrepasa el tiempo esperado

73. ML para definir clústers de usuarios y acciones 04 Activando ML en negocios digitales

74. ML para definir clústers de usuarios y acciones Más datos, ¿más accionabilidad? Cada vez las empresas consiguen generar un mayor volumen de datos de clientes, siendo más difícil su entendimiento y explotación a través de acciones concretas. La capacidad de hacer clasificación de clientes permite centrarnos y dedicar recursos a aquellos que dispongan de una alta probabilidad de consecución de un objetivo. Para ello se utilizan los modelos de datos. Un modelo de datos persigue catalogar un set de información en base a ciertos criterios para conseguir un objetivo concreto, que debe estar consensuado.

75. ML para definir clústers de usuarios y acciones Oportunidades con Machine Learning Ejemplo de nuestro trabajo en lead scoring: El 3% de nuestros clientes generan el 35% de la facturación Los 3 primeros segmentos suponen el 70% de la facturación Algunos ejemplos de modelo de datos habituales: • Upselling • Cross-selling • Clustering • Scoring por LTV • Segmentación por ROI • Retención (volverían a comprar) • Contactabilidad • Etc

76. ML para definir clústers de usuarios y acciones ¿Por dónde comenzar?. Algunas ideas ¿Cómo captas a tus potenciales clientes?: - Utilizando tecnologías como DMP para la obtención de audiencias lookalike - Clusterización de keywords en la captación de tráfico SEO Antes de la visita Durante la navegación Durante la compra Tras la compra ¿Cómo mantienes el interés de tus potenciales clientes?: - Personalización escaparate - Ordenación en grids y resultados de búsqueda en función a propensión - Priorización de productos en función de su cluster. - Recomendación de productos ¿Cómo conviertes a tus potenciales clientes?: - Activación de mensajes (triggers) en función de su customer journey - Acciones de up-selling en productos trigger - Ordenación de envío y forma de pago ¿Cómo fidelizas y tienes clientes recurrentes?: - Mensajes en función en probabilidad de compra - Alineación de productos ofrecidos con expectativa de cliente - Cadencia acorde con la tipología de cliente - CLV - Churn rate

77. La aplicación de reglas para la personalización de contenido puede ser un buen punto de comienzo si no se disponen de medios o como fase previa a un proyecto de Machine Learning A través de geolocalización por IP se estableció un sistema de personalización en la oferta en escaparate Érase una vez 2007… ML para definir clústers de usuarios y acciones Personalización con reglas

78. ML para definir clústers de usuarios y acciones Inteligencia artificial basada en reglas Versión fallback Versión Euskadi Versión Madrid

79. ML para definir clústers de usuarios y acciones Un gran proyecto de Machine Learning puede fallar por una mala usabilidad Las matemáticas nos ayudan a localizar oportunidades, pero en nuestro tejado está encontrar la forma adecuada de transmitir el mensaje One more thing…

80. ML para definir clústers de usuarios y acciones 05 Wrap-up

81. ML para definir clústers de usuarios y acciones La personalización se está convirtiendo en un must. En pocos años se convertirá en un higiénico Atrás quedan los tiempos en los que la oferta y el mensaje eran igual para todos. En digital es posible y nuestros clientes no entenderán que no lo hagamos. Simplemente cambiarán de pestaña y se irán a la competencia.

82. ML para definir clústers de usuarios y acciones Información para obtener contexto bit.ly/estudio2019 flat101.es/conversion101/

83. ML para definir clústers de usuarios y acciones ¿En qué fase se encuentra tu negocio? “Café para todos” "AI” basado en reglas Machine Learning Deep Learning Ofrecemos la misma experiencia a todo el mundo, perdiendo grandes oportunidades Approach efectivo y rápido cuando se está empezando, pero poco escalable y con cierto nivel de sesgo Conlleva una inversión pero nos permite obtener información muy valiosa, basada en matemáticas y con capacidad de accionabilidad Permite resolver problemas muy complejos, aunque también conlleva un equipo especializado/inversión en herramientas

84. ¡Gracias por la asistencia! #Flat101DS @SomosFlat101 [email protected]flat101.es

#flat101ds presentations

Related presentations


Other presentations created by FlatIOIDigitalBusine