MACHINE LEARNING
Según los datos recopilados por Fortune Business Insights (2020), se espera que el valor de mercado de Machine Learning en todo el mundo alcance casi los 117 000 millones de dólares para 2027. Según McKinsey, hoy en día solo el 37% de las organizaciones de Contact Center creen que están utilizando análisis avanzados para crear valor. Este es sin duda un claro indicador de las oportunidades de mejora que siguen existiendo en la creación de soluciones basadas en Machine Learning en la industria. Si hay algo único en nuestra industria, es el gran volumen de datos que se manipulan y generan.
Cuando se trata de los beneficios del Contact Center, Mckinsey también proporciona numerosos datos interesantes. El uso de Machine Learning como una solución para los Contact Center puede permitir las siguientes innovaciones de la industria:
• Cerca de un 50% de incremento del Conversion Rate en servicios de venta
• Disminuir el tiempo medio operativo en aproximadamente un 40%
• Entre un 5 y un 20% de aumento del autoservicio
• 5 mil millones de dólares menos en costes en el sector
Si bien puede parecer complicado, ejecutar un proyecto de Machine Learning no requiere una gran cantidad de recursos, por tanto, el retorno de la inversión es prácticamente inmediato y se escala fácilmente
Se pueden diferenciar estas cuatro fases al llevar a cabo un proyecto tipo de Machine Learning:
-Definición
-Análisis
-Modelización
-Monotorización
Necesita estar en línea con la estrategia de la empresa y debe basarse en objetivos claros y definidos. ¿Qué se quiere lograr? Para conseguirlo, es imperativo fijar un plan de negocio que pueda implantar de manera exitosa el retorno esperado de la inversión.
Una vez definidos los objetivos a alcanzar, la siguiente fase es reconocer las fuentes de datos y llevar a cabo un análisis detallado. Capture muestras de datos, defina variables específicas para esos datos, identifique datos confidenciales y más. En esta etapa, se debe enfatizar la importancia de la anonimización de datos. A partir de ahí, se han establecido los procedimientos necesarios para permitir la manipulación de datos de forma anónima y segura y cumplir con las respectivas normas de protección y privacidad de datos.
Una vez estén los datos y variables bien definidos, se establece la etapa de análisis estadístico que permite comprender la conexión entre los datos y sus posibles asociaciones. La limpieza de datos y la capacidad de inventar nuevas variables son acciones muy comunes debido a la estructura de la propia fuente de datos, que a menudo no está estructurada en entornos del mundo real.
En un proyecto de Machine Learning, la fase de análisis puede ocupar el 80% del tiempo. Esta es la etapa más delicada y requiere que el científico de datos trabaje más intensamente.
Una vez conocidos los datos, comienzan las operaciones de modelado, utilizando varios algoritmos para encontrar patrones inherentes a los datos y predecir el comportamiento futuro de los datos. Al aplicar diferentes modelos, crear nuevos algoritmos o usar algoritmos ya existentes para normalizar en diferentes dominios (regresión logística, modelos, árboles de decisión, modelos de conglomerados, etc)
El modelado incluye la evaluación estadística de varios modelos para garantizar la precisión en implementaciones futuras.
Finalmente, existe una fase de ejecución automatizada del modelo que se ajusta a los objetivos previamente definidos, permitiendo el monitoreo continuo del rendimiento del modelo y el reciclaje periódico, mientras se actualizan y renuevan los datos subyacentes.
Los diferentes proyectos de Machine Learning se pueden integrar fácilmente con otras soluciones digitales que toleran ciclos de mejora basados en datos. Las conexiones entre clasificadores basados en programación neurolingüística (conversacional) proporcionada por soluciones de Speech Analytics con modelos de Machine Learning basados en datos directamente de los sistemas de gestión de huéspedes (CRM) son comunes.
Los algoritmos de Machine Learning también se pueden aplicar al rastreo de imágenes, que es común en la medicina, y los servicios de comercio electrónico, lo que podría conducir a mejoras significativas en la gestión del servicio al cliente.
Otros ejemplos de soluciones integradas son el uso de enrutamiento inteligente basado en modelos de Machine Learning para brindar interacciones personalizadas con los clientes. También incluye soluciones de gestión de oficinas automatizadas basadas en estilos de gestión clasificados algorítmicamente.
En conclusión, el uso cada vez mayor de tecnologías y soluciones basadas en modelos de Machine Learning es una realidad que acompaña a nuestro día a día (todos ofrecemos servicios personalizados basados en la visualización de contenidos a través de plataformas de streaming). No podemos quedarnos indiferentes ante este tipo de soluciones. Impact cuenta con un equipo especializado en la creación y ejecución de proyectos de esta naturaleza, que seguro le serán de gran ayuda para mejorar sus objetivos comerciales y de atención al cliente. Todavía queda un largo camino por recorrer, pero utilizar el Machine Learning es una apuesta segura.
Maria Illescas - Consultora de Impact Strategy
