¿Para qué sirve Machine Learning? [Parte 2 y última]

En otro post dábamos un listado de casos de uso de Machine Learning, y es hora de explicar con más detalle algunos ejemplos.

Imagina que tenemos trabajamos para una gran compañía como Amazon y tenemos y completo historial de compras de los usuarios de nuestro portal de venta, así como de las reclamaciones, devoluciones, navegación por el portal, etc

Lo que queremos saber es la probabilidad de que un cliente compre un determinado artículo, para saber qué recomendarle. Sería muy sencillo mostrarle su historial de búsqueda o los accesorios para artículos que ya ha comprado. Para eso no necesitamos Machine Learning. Pero nuestro objetivo es mucho más ambicioso: predecir qué producto va a comprar.

Por ejemplo si el cliente ha comprado artículos para sembrar césped probablemente tenga un jardín y necesitará otras herramientas relacionadas: cortadora de césped, podadora, etc y las querrá dentro del rango de precios en el que compra habitualmente. De nuevo sería sencillo sugerirle artículos al azar de la sección de jardinería pero seguramente hablemos de cientos de productos y será difícil acertar.

Otro ejemplo. Un cliente que compra un cinturón de seguridad para el coche para embarazadas probablemente quiera artículos de seguridad de bebes para el coche un tiempo después, por lo que podemos adelantarnos a su decisión de compra. Quizás ese mismo cliente dé menos importancia a los artículos de telefonía y se confirma con un móvil de gama baja.

Machine Learning puede ser muy útil para aumentar las ventas

No queremos tener una legión de analistas descifrando todas esas interrelaciones entre los artículos y estilos de vida que pueden depender de decenas o cientos de factores; queremos que el propio sistema los calcule basándose en las experiencias de compra de otros usuarios.

Para sacar partido de Machine Learning, lo importante es tener una gran cantidad de datos sobre los que procesar los algoritmos. Cuanto más datos tengamos más precisos seremos. Lo siguiente es determinar qué información queremos inferir de los datos. Hay que tener en cuenta que la información que queremos inferir sea posible de inferir a partir de los datos que tenemos. Pongo unos ejemplos:

Caso 1. Tengo la serie histórica de todos los resultados de la lotería desde su inicio¿Puedo inferir el próximo número que va a salir?

No, ya que el número premiado no depende de los anteriores.

Caso 2. Tengo el historial de compra de un usuario en un sitio web: ¿puedo inferir si tiene hijos y su edad?

Si el usuario compra mucho a través del sitio web, probablemente sí.

Caso 3. Tengo el historial de navegación de un usuario sobre un sitio web de películas: ¿puedo inferir si le gusta las comedias, los dramas, las películas de ciencia-ficción?

No sólo eso sino probablemente muchos más datos: edad, si le gusta u odia algún actor en particular…


Originally published at felvelsal.blogspot.com.

One clap, two clap, three clap, forty?

By clapping more or less, you can signal to us which stories really stand out.