¿Recuerdas cuando los tableros de instrumentos te devolvían la cabeza, estupefactos de que hubieras logrado todos esos números? ¿O cuando ordenaron con orgullo los datos en función de las pocas posibilidades que había? Estas fueron funciones útiles. Puede generar informes sobre posiciones de existencias, gastos de salarios y más para ayudarlo a administrar la cadena de suministro, planificar recursos o establecer presupuestos para el trimestre.

Por más que estos fueran útiles, eran puramente diagnósticos . Los eventos que causan esos números ya habían ocurrido: las posiciones en acciones se habían movido, los gastos debían pagarse.

Fue relegado a los buenos sentidos de los humanos usando estas Aplicaciones para mantener el rumbo y utilizar los números y las figuras en la pantalla para obtener los mejores beneficios.

Las aplicaciones han evolucionado y las cosas han cambiado notablemente desde entonces. Las aplicaciones pueden aprender y comprender dónde podría ir, qué podría hacer, a quién podría conocer e incluso qué le gustaría comer. Todo esto, como puede notar, es pronóstico .

Esto coloca a las empresas en una posición envidiable. Ahora pueden comprender el comportamiento del cliente de forma activa en función de los datos y ofrecer una personalización a escala. No solo eso, las aplicaciones pueden predecir eventos relevantes para el negocio con anticipación y ayudar a los líderes a prepararse para los resultados.

Las aplicaciones parecen hacer más cosas que solo los humanos podían hacer antes

Evidentemente, las empresas desean aplicar la Inteligencia Artificial a todas sus soluciones. Según un informe IDC 2017 encargado por Salesforce, este será un gran año para AI en términos de adopción. Más del 40% de las empresas encuestadas en todo el mundo afirmaron que adoptarán AI durante los próximos dos años.

De hecho, para fines de este año, se espera que "el 75% del desarrollo de empresas e ISV incluirá la funcionalidad cognitiva / AI o de aprendizaje automático en al menos una aplicación". Pero en esta búsqueda para que las empresas se vuelvan más inteligentes, tendrán que dar un paso atrás y reflexionar sobre cómo todo esto será posible para que no se pierdan la madera de los árboles.

¿De qué volumen y variedad de datos están aprendiendo sus algoritmos?

El famoso director de investigación de Google, Peter Norvig, afirmó : "No tenemos mejores algoritmos. Solo tenemos más datos". El consenso general es que es útil tener tantos datos como sea posible.

Como regla general, Yaser Abu-Mostafa, profesor de Caltech, recomienda "aproximadamente 10 veces más ejemplos que grados de libertad en su modelo".

Cualquier modelo, incluso los que se implementan en entornos de baja variabilidad de datos, debe validarse a través de datos reales (esto ayuda a mitigar los riesgos de "sobreajuste"). Por lo tanto, es mejor crear un ciclo que pueda mejorar su modelo en función de los comentarios de sus sugerencias.

Por ejemplo, si está sugiriendo reuniones con un representante de ventas, ¿ha descubierto cómo hacer un seguimiento de qué sugerencias fueron aceptadas o rechazadas, cuáles fueron las actividades que siguieron y, finalmente, qué resultados se lograron? Aprender de estos puntos de datos reales no solo ayudará a que las recomendaciones sean más precisas, sino que también seguirán siendo relevantes para el usuario.

Una parte clave de cómo reaccionan los usuarios a sus recomendaciones dependerá de dónde, cuándo y cómo aparecerán en el ciclo de toma de decisiones. Un usuario trata las recomendaciones en la sección de notificación de forma diferente frente a cuando se colocan al lado de un elemento de acción, como una tarea. Por lo tanto, también, cuando se proporciona una recomendación antes o después de un evento.

Por ejemplo, si desea aumentar los niveles de actividad de un vendedor a lo largo del día [VIDEO], entonces solicitará sugerencias como: "Parece que su calendario es gratuito de 2 a 4 p. M., Hay tres posibles clientes". Esto es diferente de cuando, por ejemplo, un cliente está en riesgo de abandono donde la sugerencia podría leerse como "¡Alerta! Cliente X en riesgo de abandono. ¡Conoce a John ahora! ",

Una medida importante es también reconocer los límites del modelo y calcular cómo puede exponerlo a casos de esquina. Muy a #menudo, los modelos de entrenamiento para dar cuenta de estos casos de esquina requerirán más que técnicas sencillas y bastante poder #algorítmico.