Data Science as a Service (DSaaS)

google-cloud-platform

Data Science as a Service (DSaaS)

Tradicionalmente reservado a las grandes empresas y con fuertísimas dependencias tecnológicas, el acceso total a la información, está hoy al alcance de los bolsillos más modestos de la mano de las soluciones Cloud.

Plataformas como Google Cloud Platform posibilitan la construcción de agile Data Lakes, que se integran a la perfección con herramientas de visualización como Tableau o Google Data Studio.

Por supuesto, el aprovechamiento de toda esta información requiere de nuevas capacidades en las unidades de análisis. Por ejemplo, conocimientos de lenguaje SQL nos van a permitir combinar las distintas fuentes de datos (campañas, CRM, comportamiento web) para la generación de casos de uso más y más sofisticados.

Los equipos que cuenten con un background en Estadística y modelización, disfrutarán, sin lugar a dudas, de una gran ventaja competitiva: la incorporación a sus procesos de decisión del importante abanico de librerías de Machine Learning, que tanto Google como otros proveedores están liberando.

Intelligent Business Cases

Algunos de los business cases que ya se están poniendo en marcha incluyen:

 – Analítica predictiva: el estudio de la serie histórica de valores de los principales indicadores temporales permite identificar patrones y tendencias, así como simular escenarios futuros o detectar valores anómalos.

Los entornos Cloud posibilitan la ejecución de estos modelos en real o near-real time así como la configuración de alertas predictivas u otras acciones.

Modelos de propensión / Next Best Action: el objeto es la determinación de la fase del proceso de compra en que se encuentra cada cliente/prospecto, mediante el análisis de los factores que influyen en la misma (histórico de navegación o transacciones, impactos publicitarios recibidos o incluso momento del día).

Una vez conocida la propensión de compra de un usuario concreto, se calcula el impacto en la misma de las posibles acciones que se puedan llevar a cabo (llamadas, emails, contenidos personalizados, etc.), seleccionando aquélla que dé mejores resultados.

– Frequency capping: este análisis de datos de campañas busca controlar el número de impactos que reciben los usuarios para optimizar el gasto publicitario, sin penalizar en exceso las conversiones obtenidas.

Un modelo en producción permite determinar este cap (límite) de forma dinámica para adaptarse a la distinta naturaleza de las campañas.

– Modelos de Atribución y Marketig Mix: el acceso hit-level a los datos posibilita la construcción de Modelos de Atribución personalizados, basados en los paths de conversión que se construyen mediante el procesamiento de los datos y sin dependencias de las herramientas de Analítica, sus ventanas de conversión, etc.

De la visión 360 que se puede obtener con un adecuado naming de campañas y la integración de eventos offsite, resultan modelos completamente adaptados a cada negocio particular.

Además, el modelado predictivo de las inversiones por canal y su rendimiento son una herramienta muy valiosa cara a la planificación de las acciones futuras.

– Sistemas de recomendación: estos sistemas se apoyan en datos históricos de los usuarios, en sus similitudes con otros usuarios, etc, para construir la experiencia ideal para cada uno de ellos, mediante las sugerencias de productos personalizadas, etc.

De nuevo, el entorno Cloud posibilitará el cálculo de las recomendaciones, su archivo y activación en real o near-real time.

El futuro ya está aquí

Los ejemplos que hemos detallado, que se apoyan en lenguajes como R o Python y aprovechan Tensorflow y otras librerías de Machine Learning, se ejecutan en el Cloud y pueden lanzarse desde cualquier ordenador personal independientemente de los programas que tenga instalados o su potencia de computación.

Y por si esto fuera poco, el futuro es, además, apasionante. Aplicaciones basadas en el Procesamiento del Lenguaje Natural (chatbots, traducción automática, topic detection, reputación online,…), el reconocimiento de imágenes (búsqueda de logos, análisis de las expresiones faciales) o la información geoposicionada, integran ya los casos de uso más disruptivos.

El Cloud es, en definitiva, un arma poderosa para los científicos de datos, que ya por fin pueden centrar sus esfuerzos en los modelos, dejando de lado tareas más técnicas que aportaban poco valor de negocio.

Desde DIVISADERO creemos que este es el momento ideal para avanzar en la integración de los datos en los procesos de toma de decisión, ¿quieres que te ayudemos?

No hay comentarios

Envíanos tu comentario

¡Suscríbete a nuestra newsletter mensual Stay Sharp!

Para más información

CONTÁCTANOS