MENU

| AR

Sedes

Cursos

Carreras

Programas Ejecutivos

Paises

Diferencias entre el aprendizaje automático y el análisis predictivo

Diferencias entre el aprendizaje automático y el análisis predictivo
#Tecnología
21 de mar - min de lectura


El aprendizaje automático (Machine Learning) es un método de aprendizaje computacional subyacente a la mayoría de las aplicaciones de inteligencia artificial (IA). En este caso, los sistemas o algoritmos se mejoran a través de la experiencia de datos sin depender de una programación explícita. Estos algoritmos se presentan como herramientas de gran alcance capaces de realizar predicciones al mismo tiempo que aprenden de grandes volúmenes de datos. El aprendizaje automático se considera una extensión moderna del análisis predictivo. El reconocimiento eficiente de patrones y el autoaprendizaje son la columna vertebral de los modelos Machine Learning, que evolucionan automáticamente en base a patrones cambiantes para permitir las acciones apropiadas. Actualmente, muchas empresas dependen de algoritmos de aprendizaje automático para comprender mejor a sus clientes y detectar oportunidades de ingresos. Cientos de algoritmos de aprendizaje automático existentes y recientemente desarrollados se aplican para derivar predicciones de alto nivel que guían las decisiones en tiempo real con menos dependencia de la intervención humana. En tanto, el análisis predictivo se puede definir como el procedimiento para condensar grandes volúmenes de datos en información que los humanos pueden entender y usar. Las técnicas analíticas descriptivas básicas incluyen promedios y recuentos. El análisis descriptivo basado en la obtención de información de eventos pasados ??se ha convertido en análisis predictivo, que intenta predecir el futuro en base a datos históricos. Este concepto es el que aplican los data scientist. Para eso, apelan a técnicas complejas de estadísticas clásicas, como árboles de regresión y decisión, para proporcionar respuestas creíbles a consultas tales como: "¿Cómo se verán mis ventas influenciadas por un aumento del 10% en el gasto publicitario?" Esto lleva a simulaciones y " "qué pasa si" analiza para que los usuarios aprendan más. Todas las aplicaciones de análisis predictivo involucran tres componentes fundamentales:   Datos: La efectividad de cada modelo predictivo depende en gran medida de la calidad de los datos históricos que procesa.   Modelado estadístico: Incluye las diversas técnicas estadísticas que van desde las funciones básicas hasta las complejas que se utilizan para la derivación de significado, perspicacia e inferencia. La regresión es la técnica estadística más comúnmente utilizada.   Suposiciones: Las conclusiones extraídas de los datos recopilados y analizados suelen suponer que el futuro seguirá un patrón relacionado con el pasado.   El análisis de los datos es crucial para cualquier empresa que se dirija al éxito, y el análisis predictivo se puede aplicar de muchas maneras para mejorar la productividad empresarial. Estos incluyen cosas como optimización de campañas de marketing, evaluación de riesgos, análisis de mercado y detección de fraudes, por mencionar solo algunos casos.   Cómo se relacionan el aprendizaje automático y el análisis predictivo Si bien es importante deben comprender las diferencias entre el aprendizaje automático y el análisis predictivo, también hay que saber cómo ambos se relacionan. Básicamente, el aprendizaje automático es una rama de análisis predictivo. A pesar de tener objetivos y procesos similares, hay dos diferencias principales entre ellos: en primer lugar, el machine learning resuelve las predicciones y recalibra los modelos en tiempo real automáticamente después del diseño. Mientras tanto, el análisis predictivo funciona estrictamente con datos de "causa" y debe actualizarse con datos de "cambio". Por último, a diferencia del aprendizaje automático, el análisis predictivo aún depende de personas para trabajar y probar las asociaciones entre causa y resultado.

Otras Noticias

"El uso de herramientas digitales en el proceso de selección de personal es beneficioso tanto para los candidatos como para las empresas" img
#Datos
#Otros

"El uso de herramientas digitales en el proceso de selección de personal es beneficioso tanto para los candidatos como para las empresas"

En esta entrevista cuenta más detalle sobre esta solución y qué impacto genera tanto en sus usuarios. ¿Cuánto hace que surgió Robin y por qué motivo se les ocurrió crearla?Robin surge hace poco más de un año y medio porque, tras trabajar en Recursos Humanos por más de 20 años, vimos que había una gran oportunidad de utilizar ciencia y tecnología en todo lo que tiene que ver con modelos predictivos en el comportamiento de las personas. De esta manera, es posible evitar los sesgos al elegir al mejor candidato y predecir muchísimo mejor las habilidades de los candidatos que se están evaluando, así como para trabajar en el ámbito del desarrollo profesional de los talentos.¿Qué suelen decir los candidatos respecto a esta nueva forma de avanzar en un proceso de selección de personal?Los candidatos están encantados con que se utilice tecnología en el proceso de evaluación y selección. De hecho, el Customer Satisfaction Rate (CSR) que utiliza nuestra plataforma para medir el nivel de satisfacción con la herramienta está por encima del 95%.¿Cómo hacen para evitar sesgos de género y edad entre otros?Contamos con un equipo de data scientists que trabaja todo el tiempo monitoreando y auditando los resultados de las pruebas para evitar estos sesgos.¿En qué aspecto las empresas observan mejoras al utilizar Robin respecto a los métodos de reclutamiento tradicionales?Algunas de las mejoras tienen que ver con automatizar, digitalizar y llevar a gran escala los procesos de evaluación. Con Robin también se evitan sesgos culturales y verbales, y esto es algo muy valorado por las organizaciones. Nuestra herramienta tiene una base de ciencia por detrás, por lo que es muy precisa y objetiva.¿Qué tipo de compañías están utilizando esta solución?Hoy utilizan nuestra plataforma empresas de distintas industrias como servicios, banca, tecnología y educación, entre otros.¿Cómo son los resultados que muestra plataforma y estos son confeccionados por personas o por algoritmos?Los resultados que muestra la plataforma son automatizados. Dentro de Robin tenemos niveles de información individual hasta poder evaluar a grandes grupos de persona para llegar a tener mapas de talentos.¿Cómo impacta en los especialistas de selección de personal la llegada de una herramienta como esta?La solución de Robin en el mundo de los especialistas de Recursos Humanos impacta muy bien por varias razones, entre ellas, que es una herramienta muy atractiva para los candidatos que la prueban. Del lado de la información, genera un nivel muy interesante y rico porque reportamos el nivel de competencias personales y digitales, incluyendo foco, atención e impulsividad, entre otros. Definitivamente, se entiende al candidato con mucha profundidad.¿Cuánto tiempo le lleva a un especialista dominar Robin?Está diseñada para que sea 100% autoadministrable por la empresa, con lo cual es muy intuitiva. En pocos minutos cualquier persona aprende a utilizarla.¿Qué consejos para personas que deben pasar un proceso de selección con este sistema?En primer lugar, procurar disponer de 20 minutos libres para hacer las pruebas con tranquilidad para tomar el juego mediante el cual lo evaluaremos y, en segundo término, que disfruten de la propuesta y que jueguen tal como lo son en la vida real.  

Ranking: las 10 posiciones digitales mejor remuneradas img
#Marketing
#Datos
#UX
#Otros

Ranking: las 10 posiciones digitales mejor remuneradas

Según el relevamiento realizado por la consultora global en recursos humanos Mercer, el Gerente de Seguridad Informática lidera el ranking de posiciones digitales mejor compensadas a nivel gerencial, seguido por el Gerente de Arquitectura en segundo lugar, el Gerente de Experiencia al usuario en la tercera posición, el Gerente de Business Intelligence (BI) en la cuarta; el Gerente de Desarrollo en el quinto lugar; en la sexta posición se ubica el Gerente de Marketing Digital, en el séptimo puesto el de Desarrollo de negocios; en el octavo el Gerente de Arquitectura de Computación en la nube; el Gerente de Producto en el noveno lugar y en el último puesto el Gerente de Infraestructura. En el nivel de los analistas senior, las posiciones se modifican. En el primer lugar se encuentra el Arquitecto; seguido por el Desarrollador mobile en segundo lugar.  En la tercera posición se ubica Arquitectura de computación en la nube, en el cuarto el Desarrollador Back End; en la quinta posición se ubica el Analista de Seguridad Informática; en la sexta el Desarrollador Full Stack; en la séptima posición se encuentra el Analista Devops; el octavo lugar lo ocupa el Analista de Producto; el noveno lugar se encuentra el analista de Estrategia y Planificación de Ecommerce; en la décima y última posición se ubica el Desarrollador Front End.  El 89% de las empresas que participaron de la encuesta tienen dificultad para atraer determinados perfiles, entre ellos: Desarrollador Full Stack; Desarrollador Mobile; Desarrolladores de Software, Arquitectos, Scrum Master; Data Scientists; Product Designers; Desarrolladores JAVA, Python y Ruby. Esta realidad es una gran oportunidad para todos aquellos que quieran aprovechar esta tendencia, ya que es posible convertirse en especialista de cualquier de estas disciplinas en un curso corto a distancia basado en la práctica.   En cuanto al incremento salarial previsto para el 2020 por las empresas de High Tech específicamente (que representan el 40% de las empresas participantes), es de un 45,5 por ciento. El 40% tiene previsto dar 3 aumentos; otro 40% dará 2 y un 20% dará 4 o más incrementos. En cuanto a la participación por nivel organizacional desde la perspectiva de género, se observa mayor participación de mujeres en los niveles de Profesional junior (37%); Profesional Semi Senior (34%); Jefe (30%). La menor presencia femenina se presenta en el nivel de Director (4%); Gerente Senior (13%) y Profesional Especialista (17%). Los sectores de Bancos y de Seguros son los que presentan menor brecha de género en estas posiciones.

Marketing digital: apps móviles para aumentar las ventas de fin de año img
#Marketing
#Tecnología
#UX

Marketing digital: apps móviles para aumentar las ventas de fin de año

A través de su reporte “The State of Shopping Apps Marketing”, la firma AppsFlyer señala que las aplicaciones móviles de e-commerce impulsan 3 veces más las compras, convirtiéndose en el canal primordial para las marcas que buscan aumentar sus ventas y base de clientes durante la próxima temporada de compras de fin de año que se inicia en el mes de octubre.De acuerdo al reporte, la instalación de apps de comercio electrónico en América Latina creció 93% entre abril y junio, como consecuencia de las medidas de distanciamiento social impuestas en todos los países. A su vez, la instalación de apps de marketplace como MercadoLibre aumentó 35% en el mismo periodo.Por este contexto es que las marcas en la próxima temporada de compras deberían tener en cuenta algunas aspectos tales como atraerá los  usuarios con anticipación a través de las campañas publicitarias. Para eso es preciso contar con una buena estrategia de marketing digital.También es importante “pensar diferente”. Esto significa considerar que lo que funcionó el año pasado puede que este año no funcione ya que los hábitos de consumo cambiaron drásticamente, por lo tanto hay que innovar en la creatividad de las campañas, hacer diferentes versiones y pruebas para tener la versión con la que se logrará el éxito. Por otra parte es indispensable implementar una infraestructura de medición para contar con los datos y su análisis en tiempo real para lograr el mayor retorno sobre la inversión publicitaria.Perfeccionar la experiencia del usuario es otro punto relevante: Los consumidores se volvieron más activos durante la pandemia, por ello, las marcas deben aprovechar esta tendencia como una oportunidad para perfeccionar la experiencia del usuario, es decir, que la app sea amigable y accesible en cualquier dispositivo, con una rápida navegación, y procesos de pago seguros y sencillos.  Por último, hay que aprovechar los medios propios para interactuar con el usuario: Los mensajes de texto (SMS), notificaciones automáticas, correos electrónicos y redes sociales sirven para seguir atrayendo usuarios a la app. Utilizar correctamente estas herramientas puede reducir los costos de marketing y fomentar mejores relaciones con los consumidores. Es importante ofrecer un valor real con la app y evitar saturar a los usuarios con información que no sea de su interés, ya que de lo contrario, elevará rápidamente los niveles de abandono de la aplicación. El reporte The State of Shopping Apps Marketing, edición 2020 está disponible aquí.