Abstracto

Machine Learning 2018: Aplicación de análisis de big data y aprendizaje automático en marketing de precisión - Santosh Godbole - SSN Solutions Limited

Santosh Godbole

La creación y el uso de perfiles de compradores no es algo nuevo. Los anunciantes han estado atravesando un largo proceso de comprensión y caracterización de los perfiles de compradores para sus productos. Además, enfrentan un proceso complejo de caracterización y ejecución de campañas elaboradas para obtener datos de los compradores y encontrar los perfiles adecuados a los requeridos. Después de gastar una gran parte de su presupuesto, los anunciantes enfrentan diferentes problemas para conectarse con el comprador correcto: la obtención de datos es una tarea costosa, a menudo la información no es válida o es tardía; esto comienza a afectar la tasa de cambio de la empresa, lo que hace que el ROI sea un sueño imposible. La metodología habitual utilizada en la adquisición de datos y la creación de perfiles enfrenta diferentes problemas: la mayoría de los perfiles creados hoy en día son estáticos. De hecho, el acto de actualizar el perfil del comprador a veces es útil, pero no perfecto. En segundo lugar, hay tantas variables (características) asociadas con el proceso dinámico del consumidor. El enfoque del vendedor de restringir al comprador a solo unos pocos perfiles es muy restrictivo y erróneo. La respuesta a estos problemas desconcertantes es construir un perfil de cliente multidimensional que sea siempre moderno. Esto es posible atrayendo a los clientes en diferentes etapas de su día, ya sea en escenas en línea, por ejemplo, negocios informales, auditorías, sitios, sentimientos, reseñas o en entornos desconectados, por ejemplo, estudios, intercambios, registros, etc. Construir un perfil multidimensional que sea moderno no es una tarea fácil. Es el tipo de tema en el que las herramientas, por ejemplo, big data, análisis de datos e inteligencia artificial se pueden utilizar de manera más eficaz. Big Data es la oportunidad que ha cambiado el mundo para el marketing y las ventas desde que Internet se popularizó hace casi 20 años. El big bang de los datos ha desatado torrentes de terabytes sobre todo, desde los comportamientos de los clientes hasta los patrones climáticos y los cambios demográficos de los consumidores en los mercados emergentes. El mundo se ha entusiasmado con el big data y la analítica avanzada no solo porque la información es grande, sino también porque el potencial de impacto es grande. Nuestros colegas del McKinsey Global Institute (MGI) llamaron la atención de muchas personas hace varios años cuando estimaron que los minoristas que explotan el análisis de datos a gran escala en sus organizaciones podrían aumentar sus márgenes operativos en más del 60 por ciento y que el sector de la salud de los EE. UU. podría reducir los costos en un 8 por ciento mediante mejoras en la eficiencia y la calidad del análisis de datos.1 Desafortunadamente, lograr el nivel de impacto que MGI previó ha resultado difícil. Es cierto que existen ejemplos exitosos de empresas como Amazon y Google, donde el análisis de datos puede ser una base de la empresa, pero para la mayoría de las empresas tradicionales, el éxito del análisis de datos se ha limitado a unas pocas pruebas o a sectores estrechos del negocio. Muy pocas han logrado lo que podríamos llamar "gran impacto a través de big data,” o impacto a escala. Por ejemplo, recientemente reunimos a un grupo de líderes analíticos de importantes empresas que están muy comprometidas con la realización del potencial de los datos masivos y la analítica avanzada. Cuando les preguntamos qué grado de mejora de ingresos o costos habían logrado mediante la utilización de esas técnicas, tres cuartas partes dijeron que había sido solo el 1 por ciento. En artículos anteriores, hemos demostrado que capturar el potencial de la analítica del conocimiento requiere los componentes básicos de cualquier buena transformación estratégica: comienza con una idea, exige la creación de nueva capacidad de gestión superior para centrarse realmente en los datos y, quizás lo más importante, aborda los desafíos culturales y de desarrollo de habilidades necesarios para que la primera línea (no solo el equipo de analítica) adopte el cambio.

Biografía:

Santosh es cofundador y director de productos de SSN Solutions Limited. En SSN, su función es definir la hoja de ruta de productos y tecnología. Antes de SSN, fue director sénior de ingeniería en ARRIS (India). En ARRIS, dirigió un gran equipo de ingenieros que se encontraba distribuido en varios países. También ocupó varios puestos de alto nivel, como director de gestión de productos en Cisco Video Technologies, vicepresidente de gestión de productos en NDS Services Pay-TV Technology Pvt. Ltd., cofundador y vicepresidente de ingeniería de Sensact Applications y cofundador y arquitecto en Metabyte Networks. Tiene el certificado del Programa de Gestión General Ejecutiva (EGMP) del IIM Bangalore, una maestría en Ciencias de la Computación del IIT, Madrás y una licenciatura en Ciencias de la Computación, una maestría de la Universidad de Baroda.