Compartir a través de

Modelado predictivo e influencia del comportamiento del cliente

Hay dos clases de aplicaciones en la economía digital: histórica y predictiva. Muchas necesidades de los clientes se pueden satisfacer únicamente mediante datos históricos, incluidos los datos casi en tiempo real. La mayoría de las soluciones se centran principalmente en agregar datos en el momento. A continuación, procesan y comparten esos datos al cliente en forma de experiencia digital o ambiental.

A diferencia del modelado histórico, se encuentra el modelado predictivo. Pero, ¿qué es el modelado predictivo? El modelado predictivo usa estadísticas y resultados conocidos para procesar y crear modelos que se pueden usar para predecir los resultados futuros, dentro del motivo. A medida que el modelado predictivo se vuelve más rentable y fácilmente disponible, los clientes exigen experiencias de pensamiento hacia delante que conducen a mejores decisiones y acciones. Sin embargo, esa demanda no siempre sugiere una solución predictiva. En la mayoría de los casos, una vista histórica puede proporcionar suficientes datos para permitir al cliente tomar una decisión por su cuenta.

Desafortunadamente, los clientes a menudo toman una visión miope que conduce a decisiones basadas en su entorno inmediato y esfera de influencia. A medida que las opciones y las decisiones aumentan en número e impacto, esa vista myopic puede no atender las necesidades del cliente. Al mismo tiempo, a medida que se demuestra una hipótesis a escala, la empresa que proporciona la solución puede observar miles o millones de decisiones de clientes. Este enfoque de imagen general permite ver patrones amplios y los impactos de esos patrones. La funcionalidad de modelado predictivo es una inversión sabia cuando es necesario comprender esos patrones para tomar decisiones que mejor sirvan al cliente.

Ejemplos de modelado predictivo y cómo influye en el comportamiento del cliente

Varias aplicaciones y experiencias ambientales usan datos para realizar predicciones:

  • Comercio electrónico: En función de lo que otros consumidores similares han comprado, un sitio web de comercio electrónico sugiere productos que pueden merecer la pena agregar a su carro.
  • Realidad ajustada: IoT ofrece instancias más avanzadas de funcionalidad predictiva. Por ejemplo, supongamos que un dispositivo de una línea de ensamblado detecta un aumento de la temperatura de una máquina. Un modelo predictivo basado en la nube determina cómo responder. En función de esa predicción, otro dispositivo ralentiza la línea de ensamblado hasta que la máquina se puede enfriar.
  • Productos de consumidor: Los teléfonos celulares, los hogares inteligentes, incluso el coche, usan funcionalidades predictivas, que analizan para sugerir el comportamiento del usuario en función de factores como la ubicación o la hora del día. Cuando se alinea una predicción y la hipótesis inicial, la predicción conduce a la acción. En una etapa muy madura, esta alineación puede hacer que los productos como un coche autoconducción sea una realidad.

Desarrollo de funcionalidades predictivas

Las soluciones que proporcionan constantemente funcionalidades predictivas precisas suelen incluir cinco características principales. Las cinco características principales del modelado predictivo son:

  • Datos
  • Información
  • Patrones
  • Predicciones
  • Interacciones

Cada aspecto es necesario para desarrollar funcionalidades predictivas. Al igual que todas las grandes innovaciones, el desarrollo de funcionalidades predictivas requiere un compromiso con la iteración. En cada iteración, una o varias de las siguientes características se maduran para validar hipótesis de clientes cada vez más complejas.

Pasos para las funcionalidades predictivas

Precaución

Si la hipótesis del cliente desarrollada en Compilación con empatía con el cliente incluye funcionalidades predictivas, es posible que se apliquen bien los principios descritos. Sin embargo, las funcionalidades predictivas requieren una inversión significativa del tiempo y la energía. Cuando las funcionalidades predictivas constituyen picos técnicos, en lugar de una posible fuente de valor real para el cliente, se recomienda retrasar las predicciones hasta que se hayan comprobado las hipótesis de los clientes a gran escala.

Datos

Los datos son los más elementales de las características mencionadas anteriormente. Cada una de las materias para desarrollar invenciones digitales genera datos. Esos datos, por supuesto, contribuyen al desarrollo de predicciones. Para obtener más información sobre las formas de obtener datos en una solución predictiva, consulte:

Se pueden usar varios orígenes de datos para ofrecer funcionalidades predictivas:

Información

Los expertos en la materia usan datos sobre las necesidades y comportamientos de los clientes para desarrollar información empresarial básica a partir de un estudio de datos sin procesar. Esas conclusiones pueden identificar las apariciones de los comportamientos deseados del cliente (o, alternativamente, resultados no deseados). Durante las iteraciones de las predicciones, estas conclusiones pueden ayudar a identificar posibles correlaciones que podrían generar resultados positivos en última instancia. Para obtener instrucciones sobre cómo habilitar expertos en la materia para desarrollar información, consulte Democratización de los datos con invención digital.

Patrones

Las personas siempre han intentado detectar patrones en grandes volúmenes de datos. Los equipos se diseñaron para ese propósito. El aprendizaje automático acelera esa búsqueda mediante la detección precisa de estos patrones, una aptitud que comprende el modelo de aprendizaje automático. Estos patrones se aplican a través de algoritmos de aprendizaje automático para predecir resultados cuando se introduce un nuevo conjunto de datos en los algoritmos.

Mediante insights como punto de partida, el aprendizaje automático desarrolla y aplica modelos predictivos para aprovechar patrones en los datos. A través de varias iteraciones de entrenamiento, pruebas y adopción, esos modelos y algoritmos pueden predecir con precisión los resultados futuros.

Azure Machine Learning es el servicio nativo en la nube en Azure para crear y entrenar modelos basados en los datos. Esta herramienta también incluye un flujo de trabajo para acelerar el desarrollo de algoritmos de aprendizaje automático. Este flujo de trabajo se puede usar para desarrollar algoritmos mediante una interfaz visual o Python.

Predicciones

Una vez creado y entrenado un patrón, puede aplicarlo a través de las API, lo que puede realizar predicciones durante la entrega de una experiencia digital. La mayoría de estas API se crean a partir de un modelo bien entrenado basado en un patrón de los datos. A medida que más clientes implementan cargas de trabajo diarias en la nube, las API de predicción que usan los proveedores de nube conducen a una adopción cada vez más rápida.

Azure Machine Learning le permite implementar algoritmos personalizados, que puede crear y entrenar basándose únicamente en sus propios datos. Para más información sobre la implementación de predicciones con Azure Machine Learning, consulte Implementación de modelos de Machine Learning en Azure.

Interacciones

Después de que una predicción esté disponible a través de una API, puede usarla para influir en el comportamiento del cliente. Esa influencia adopta la forma de interacciones. Una interacción con un algoritmo de aprendizaje automático se produce dentro de sus otras experiencias digitales o ambientales. A medida que los datos se recopilan a través de la aplicación o la experiencia, se ejecutan a través de los algoritmos de aprendizaje automático. Cuando el algoritmo predice un resultado, esa predicción se puede volver a compartir con el cliente a través de la experiencia existente.

Obtenga más información sobre cómo crear una experiencia ambiental a través de una solución de realidad ajustada.

Pasos siguientes

Revise un marco prescriptivo que incluya las herramientas, los programas y el contenido (procedimientos recomendados, plantillas de configuración e instrucciones de arquitectura) para simplificar la adopción de los siguientes escenarios de innovación.