SlideShare una empresa de Scribd logo
MACHINE LEARNING APLICADO AL MARKETING
MªJesús Alonso

Directora de Comunicación, Marketing y Eventos en BigML
#RebelTalksBCN
MEJORANDO TU NEGOCIO
#MachineLearning
Machine Learning: ¿Por Qué Ahora?
3
1
Adopción del Machine Learning en tu Empresa4
Conclusiones5
2
Machine Learning Aplicado al Marketing
End-to-End Machine Learning
Machine Learning: ¿Por Qué Ahora?
ARTIFICIAL INTELLIGENCE
MACHINE LEARNING
DEEP LEARNING
La ciencia que estudia cómo las
máquinas pueden tener “inteligencia
humana” (capacidad para percibir el
entorno y actuar para conseguir un
objetivo).
Muchas otras áreas como razonamiento,
planificación, representación del
conocimiento tienen que evolucionar al
nivel del Machine Learning antes de
que consigamos algo mínimamente
inteligente.
El conjunto de algoritmos que hacen que
las máquinas sean capaces de aprender
sin ser explícitamente programadas.
B i e n e s t u d i a d o . A p l i c a d o
metódicamente puede solucionar
muchos problemas.
El subconjunto de algoritmos relacionados
con redes neuronales profundas.
Desarrollándose de forma muy rápida
con grandes éxitos para dominios muy
concretos. Necesita de grandes
volúmenes de información y gran
capacidad de computación.
La ciencia ficción
supera con creces la
realidad de la
Inteligencia Artificial
Humans are still in the
El Machine Learning es
un nuevo paradigma de
programación
Humans are still in the
El Machine Learning es
un nuevo paradigma de
programación
Datos
Humans are still in the
El Machine Learning es
un nuevo paradigma de
programación
Algoritmo
de ML
Datos
Humans are still in the
El Machine Learning es
un nuevo paradigma de
programación
Algoritmo
de ML
Modelo
predictivo
Datos
Humans are still in the
El Machine Learning es
un nuevo paradigma de
programación
Algoritmo
de ML
Nuevo ejemplo
Modelo
predictivo
Datos
Humans are still in the
El Machine Learning es
un nuevo paradigma de
programación
Algoritmo
de ML
Nuevo ejemplo
Modelo
predictivo
Predicción
Datos
Lleva estudiándose
desde hace casi
40 años
HERRAMIENTAS40AÑOSDEESTUDIO
Está dando el paso
de la academia a la
industria
Ordenadores
más rápidos
y asequibles lo han
hecho posible
Tamaño y Coste
20171950
—
+
Velocidad
Abundancia de datos
Supera la
capacidad humana
Solo el
Machine Learning
funciona
SUPERVISADO
CLASIFICACIÓN Y REGRESIÓN
NOSUPERVISADO
SERIES 

TEMPORALES
AGRUPACIÓN

DE DATOS
DETECCIÓN 

DE ANOMALÍAS
DESCUBRIMIENTO 

ASOCIACIONES
MODELADO 

DE TÓPICOS
Professor Arthur Samuel
(1959)
“A field of study that gives computers the ability
to learn without being explicitly programmed”
AIRLINE ORIGIN DESTINATION
DEPARTURE
DELAY
DISTANCE
ARRIVAL
DELAY
AS ANC SEA -11 1448,0 -22
AA LAX PBI -8 2330,0 -9
US SFO CLT -2 2296,0 5
AA LAX MIA -5 2342,0 -9
AS SEA ANC -1 1448,0 -21
DL SFO MSP -5 1589 8
NK LAS MSP -6 1299 -17
US LAX CLT 14 2125,0 -10
AA SFO DFW -11 1464,0 -13
DL LAS ATL 3 1747,0 -15
Encuentra patrones en los datos que se usa para hacer inferencia
Predictive Models
¿Puedes encontrar un patrón que te ayude a predecir la cancelación de un cliente?
¿Por qué Machine Learning?
Machine Learning: Supervisado
Machine Learning: SupervisadoSUPERVISADO
Machine Learning: Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
SUPERVISADO
Machine Learning: Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
SUPERVISADO
Machine Learning: Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
SUPERVISADO
Machine Learning: Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
Nuevo ejemplo
SUPERVISADO
Machine Learning: Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
Nuevo ejemplo
SUPERVISADO
Predicción
%
Confianza
Machine Learning: Supervisado
CLASIFICACIÓN
• Riesgo de cancelación

• Mantenimiento predictivo

• Priorización de contenido

• Diagnóstico de pacientes
REGRESIÓN
• Publicidad predictiva

• Optimización de precios 

• Estimación de ventas 

• Valor de tiempo de vida
SERIES TEMPORALES
• Predicción de los precios de las acciones

• Predicción de ventas

• Tráfico web 

• Predicción del tiempo
• Análisis de crédito

• Análisis de riesgo

• Análisis de sentimiento

• Análisis de campañas
Machine Learning: No Supervisado
Machine Learning: No SupervisadoNOSUPERVISADO
Machine Learning: No Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
NOSUPERVISADO
Machine Learning: No Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
NOSUPERVISADO
Machine Learning: No Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
NOSUPERVISADO
CLUSTER
Machine Learning: No Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
Nuevo ejemplo
NOSUPERVISADO
CLUSTER
Machine Learning: No Supervisado
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
Nuevo ejemplo
NOSUPERVISADO
Puntuación
CLUSTER
Machine Learning: No Supervisado
ANÁLISIS DE
CLUSTERS
• Segmentación de mercado

• Segmentación de clientes

• Gestión de portfolios

• Agrupación de datos por similitud
DETECCION
DE ANOMALÍAS
• Análisis de fraude 

• Limpieza de datos

• Detección de intrusos 

• Autenticación
MODELADO 

DE TÓPICOS
• Evaluación de la similitud de varios
documentos

• Categorización de textos
DESCUBRIMIENTO
DE ASOCIACIONES
• Análisis de la cesta de la compra

• Patrones de UX

• Bioinformática

• Detección de incidentes 

• Análisis forenses digitales

• Análisis de comportamiento de
tribunales, jueces o letrados
End-to-End Machine Learning
El Proceso
Paso 1 Resultado
“Vamos a
predecir la
pérdida de
clientes!”
“Estos son los
c l i e n t e s q u e
abandonarán
nuestro servicio”
El Proceso
Paso 1 Resultado
“Vamos a
predecir la
pérdida de
clientes!”
“Estos son los
c l i e n t e s q u e
abandonarán
nuestro servicio”
Paso 2 - - - - - - - -
???
El Proceso
Definir el proceso como tarea de ML
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
“Vamos a predecir los clientes que
abandonarán nuestro servicio basándonos en
las características de cada cliente (edad,
sexo, localización, número de llamadas, SMS,
etc.) y las ultimas interacciones que ha tenido
con el servicio de atención al cliente (por
ejemplo)”
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
“Vamos a predecir los clientes que
abandonarán nuestro servicio basándonos en
las características de cada cliente (edad,
sexo, localización, número de llamadas, SMS,
etc.) y las ultimas interacciones que ha tenido
con el servicio de atención al cliente (por
ejemplo)”
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
“Vamos a predecir los clientes que
abandonarán nuestro servicio basándonos en
las características de cada cliente (edad,
sexo, localización, número de llamadas, SMS,
etc.) y las ultimas interacciones que ha tenido
con el servicio de atención al cliente (por
ejemplo)”
El Proceso
Definir el proceso como tarea de ML Hay que ser específico
“Vamos a predecir los clientes que
abandonarán nuestro servicio”
“Vamos a predecir los clientes que
abandonarán nuestro servicio basándonos en
las características de cada cliente (edad,
sexo, localización, número de llamadas, SMS,
etc.) y las ultimas interacciones que ha tenido
con el servicio de atención al cliente (por
ejemplo)”
Este proceso a menudo requiere iteración
El Proceso
Definir el proceso como tarea de ML ~10% del trabajo
El Proceso
Definir el proceso como tarea de ML ~10% del trabajo
Data wrangling
El Proceso
Definir el proceso como tarea de ML ~10% del trabajo
¿De dónde vienen los datos?
¿En qué formatos están?
¿Son malos o muy malos?
¿Se puede acceder a los datos con un
API?
Data wrangling
El Proceso
Definir el proceso como tarea de ML ~10% del trabajo
Transformación de los datos
Data wrangling
Feature engineering
El Proceso
Definir el proceso como tarea de ML ~10% del trabajo
Necesitamos los datos limpios y preparados para
el Machine Learning, con listados de filas y
columnas
Los metadatos como los años, puntuaciones,
duración, tienen que unirse
La mayoría de veces el dataset no tiene el campo
predictor que necesita el algoritmo y tenemos que
obtenerlo de otros campos (sumando/restando/
dividiendo campos, sacando la media, etc.) en
función de lo que queramos predecir.
Transformación de los datos
Data wrangling
Feature engineering
El Proceso
Definir el proceso como tarea de ML
Data wrangling
Feature engineering
~10% del trabajo
Transformación de los datos ~80% del trabajo
El Proceso
Definir el proceso como tarea de ML
Data wrangling
Feature engineering
~10% del trabajo
Transformación de los datos ~80% del trabajo
Modelado y evaluaciones
El Proceso
Definir el proceso como tarea de ML
Data wrangling
Feature engineering
~10% del trabajo
Transformación de los datos ~80% del trabajo
Modelado y evaluaciones Finalmente llega el momento de hacer Machine
Learning, la parte más sencilla del proceso
¿Qué algoritmo dará mejores resultados con los
datos que dispongo?
El Proceso: Elección del Algoritmo
SUPERVISADO
CLASIFICACIÓN Y REGRESIÓN
NOSUPERVISADO
SERIES 

TEMPORALES
AGRUPACIÓN

DE DATOS
DETECCIÓN 

DE ANOMALÍAS
DESCUBRIMIENTO 

ASOCIACIONES
MODELADO 

DE TÓPICOS
El Proceso: OptiML
OptiML encuentra de forma automática el mejor modelo supervisado para tus datos
• Optimiza los parámetros de cada modelo
• Evalúa todos los modelos supervisados en paralelo y selecciona el mejor
El Proceso: OptiML
OptiML encuentra de forma automática el mejor modelo supervisado para tus datos
• Optimiza los parámetros de cada modelo
• Evalúa todos los modelos supervisados en paralelo y selecciona el mejor
El Proceso
Definir el proceso como tarea de ML
Data wrangling
Feature engineering
Modelado y evaluaciones
Predicciones
~10% del trabajo
Transformación de los datos ~80% del trabajo
~5% del trabajo
El Proceso: Predicciones
SUPERVISADOEl Proceso: Predicciones
Atributos (Features)
(miles)
Ejemplos
(millones)
SUPERVISADOEl Proceso: Predicciones
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
SUPERVISADOEl Proceso: Predicciones
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
SUPERVISADOEl Proceso: Predicciones
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
Nuevo ejemplo
SUPERVISADOEl Proceso: Predicciones
Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
Nuevo ejemplo
SUPERVISADO
Predicción
%
Confianza
El Proceso: Predicciones
El Proceso
Definir el proceso como tarea de ML
Data wrangling
Feature engineering
Modelado y evaluaciones
Predicciones
Medición de resultados
~10% del trabajo
Transformación de los datos ~80% del trabajo
~5% del trabajo
~10% del trabajo
Machine Learning de Extremo a Extremo
MODELAJE OPERACIÓN
TRANSFORMACIONES
DE DATOS
Algoritmo
de ML
MODELO
Nuevo ejemplo
Predicción
%
Confianza
Madurez de 

las técnicas
Rapidez de

computación
Madurez de 

las técnicas
Coste de los

ordenadores
Rapidez de

computación
Madurez de 

las técnicas
Coste de los

ordenadores
Abundancia 

de datos
Rapidez de

computación
Madurez de 

las técnicas
Coste de los

ordenadores
Abundancia 

de datos
Rapidez de

computación
Herramienta sencilla y asequible
Madurez de 

las técnicas
Machine Learning Aplicado al Marketing
Casos de Uso
• Predicción de la cancelación de cliente
• Retención y compromiso con la marca
• Éxito de una campaña de marketing
• Agrupación de clientes
• Análisis del sentimiento
• Monitorización de las RRSS
• Recomendación de productos
• Optimización del precio
• Previsión de la demanda
• Brand awareness
• Lead scoring para el contacto
personalizado
BigML, Inc
Off-Grid Electric (O.G.E.)
es una empresa africana
que ofrece soluciones de
energía solar en Rwanda
y Tanzania
BigML, Inc
Problema
• El uso y pago de sus servicios
es errático y es complejo
anticipar una cancelación

• El coste de perder a un cliente
es ~100 veces mayor que el
coste de intentar retenerlo.
Caso de Uso #1
Caso de Uso #1
Datos
Recargas y pagos
Uso eléctrico
Caso de Uso #1
Datos
Recargas y pagos
Uso eléctrico
Modelo
Segmentación y
predicción de
cancelaciones
Caso de Uso #1
Datos
Recargas y pagos
Uso eléctrico
Modelo
Segmentación y
predicción de
cancelaciones
Predicción
• ¿Cancelará este
cliente?
• 90% de precisión
Caso de Uso #1
Datos
Recargas y pagos
Uso eléctrico
Modelo
Segmentación y
predicción de
cancelaciones
Predicción
• ¿Cancelará este
cliente?
• 90% de precisión
https://blog.bigml.com/2018/05/14/2ml-underscores-the-need-to-adopt-machine-learning-in-all-businesses-and-organizations/
Caso de Uso #2
Caso de Uso #2
Datos
Acuerdos de
confidencialidad
Caso de Uso #2
Datos
Acuerdos de
confidencialidad
Modelo
Modelado
de tópicos
Caso de Uso #2
Datos
Acuerdos de
confidencialidad
Modelo
Modelado
de tópicos
Predicción
¿Firmar o no firmar
un NDA?
Caso de Uso #2
Datos
Acuerdos de
confidencialidad
Modelo
Modelado
de tópicos
Predicción
¿Firmar o no firmar
un NDA?
Aplicable a la redacción de
textos or artículos repetitivos
(predicción meteorológica)
Caso de Uso #2
Datos
Acuerdos de
confidencialidad
Modelo
Modelado
de tópicos
Predicción
¿Firmar o no firmar
un NDA?
Aplicable a la redacción de
textos or artículos repetitivos
(predicción meteorológica)
https://blog.bigml.com/2018/04/18/getting-the-nda-out-of-the-way-with-machine-learning/
Caso de Uso #3
• Ayuda a las empresas a generar más
demanda
• Datos de clientes y usuarios + base de
datos nacional + plantillas de Machine
Learning (en todas las fases del ciclo de
vida de un cliente)
• Objetivo: que empresas de todos los
sectores puedan conseguir y retener
más clientes y que estos compren más
productos de dichas marcas
• Ideal para seleccionar audiencias
https://blog.bigml.com/2018/04/26/making-machine-learning-work-for-b2c-revenue-optimization/
Faraday: Machine Learning para B2C
Adopción del Machine Learning en tu Empresa
AdopciónResistenciaaunaplatform
Exploración
No usamos
Machine Learning
All
Machine Learning
para todos
Usamos SAS
(Statistical Analysis System)
Necesitamos
una plataforma
Necesitamos
Data Scientists
Usemos una
platforma
Elección de
una plataforma
inadecuada
Toda
Construyamos nuestra
propia plataforma
Nada
Conclusiones
El Machine
Learning llegará a
ser omnipresente
Y ayudará a
automatizar
muchas tareas
Conclusiones
• Importancia de la formación
• No se necesitan gran bases de datos para empezar.
• Adoptar Machine Learning de menos a más. 
• Nuevas profesiones y oportunidades. ¿Quién dijo miedo?
• Los expertos os guiamos en este camino: Partnership
alonso@bigml.com
Fundadores de BigML
Uno de los fundadores
del campo del
Machine Learning
Tom Dietterich, Ph.D.
Francisco Martin,
Ph.D.
100+ publicaciones
Jose A. Ortega “jao”,
Ph.D.
CTO
Charlie Parker,
P.h.D.
Poul Petersen,
MSc.
Adam Ashenfelter,
MSc.
Chief Data Engineer
VP de Algoritmos
de ML
CIO
Cofundador y
Consejero Delegado
de 3 empresas de AI
20+ patentes
CEODirector Científico
La misión de BigML es hacer el Machine Learning
accesible a todo el mundo
80,000+
51
Democratización y educación
“The BigML platform enables us to deliver
Machine Learning insights to decision
makers with high speed and the
visualization makes it possible to explain
the outcomes easily to non-technical
professionals. The next step in bringing
Machine Learning to the bigger crowd!”
Auke IJsselstein - HR Strategy & Analytics
Consultant at ABN-AMRO.
“Accurate and reliable predictions are a
quintessential pillar for our business.
BigML has delivered on all aspects: ease
of use, being able to develop the models
on BigML’s servers but run the predictions
locally on our computers, a full-featured C#
API, incredible documentation, reliability,
beyond-belief responsive support, and
great pricing. In short, BigML is light years
ahead of the competition.”
David J. Marcus - Sr. Vice President of
Special Projects and Chief ML Scientist at
Realmatch, Inc.
“Creating a Machine Learning system for
the legal sector is quite a challenge.
Fortunately, the BigML team was able to
significantly improve performance & quality
within a few days! Great personal service
and quality software.”
Arnoud Engelfriet, IT Lawyer & Co-founder
at JuriBlox B.V.
BigML, Inc
“Even in a company which uses custom
built Machine Learning solutions on a daily
basis, BigML proves to be very useful for
quick proof of concept experiments. And
the insightful visualizations help a lot when
collaborating with newcomers to the ML
field.”
Libor Morkovsky - Research Manager
at Avast.

Más contenido relacionado

La actualidad más candente

Seminario:¿Cómo convertir los usuarios online en clientes tips y casos práct...
Seminario:¿Cómo convertir los usuarios online  en clientes tips y casos práct...Seminario:¿Cómo convertir los usuarios online  en clientes tips y casos práct...
Seminario:¿Cómo convertir los usuarios online en clientes tips y casos práct...
Cámara Argentina de Comercio Electrónico
 
Ciberestrategia
CiberestrategiaCiberestrategia
Ciberestrategia
Almendra
 
Interconexiones API: multiplicación del rendimiento de la analítica digital
Interconexiones API: multiplicación del rendimiento de la analítica digitalInterconexiones API: multiplicación del rendimiento de la analítica digital
Interconexiones API: multiplicación del rendimiento de la analítica digital
AT Internet
 
[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...
[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...
[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...
OM Latam
 
P2P Lending sigue empujando fuerte.
P2P Lending sigue empujando fuerte.P2P Lending sigue empujando fuerte.
P2P Lending sigue empujando fuerte.
Jorge Pueyo Pons
 
CRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.comCRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.com
Jorge Pueyo Pons
 
Revista Mundo Contact Febrero 2015
Revista Mundo Contact Febrero 2015Revista Mundo Contact Febrero 2015
Revista Mundo Contact Febrero 2015
Mundo Contact
 
Mobile Marketing. Estrategia Digital 360. Universidad Pacífico
Mobile Marketing. Estrategia Digital 360. Universidad PacíficoMobile Marketing. Estrategia Digital 360. Universidad Pacífico
Mobile Marketing. Estrategia Digital 360. Universidad Pacífico
Jorge Pueyo Pons
 
Workshop Corebiz- eCommerce Day Chile Online [Live] Experience
Workshop Corebiz- eCommerce Day Chile Online [Live] ExperienceWorkshop Corebiz- eCommerce Day Chile Online [Live] Experience
Workshop Corebiz- eCommerce Day Chile Online [Live] Experience
eCommerce Institute
 
Que necesito hacer antes de implementar un dmp
Que necesito hacer antes de implementar un dmp Que necesito hacer antes de implementar un dmp
Que necesito hacer antes de implementar un dmp
Acceso
 
Uvm oct 12
Uvm oct 12Uvm oct 12
Uvm oct 12
Moises Cielak
 
Barómetro Digital AEA 2018
Barómetro Digital AEA 2018Barómetro Digital AEA 2018
Barómetro Digital AEA 2018
t2ó | Connect. Convert. Grow.
 
¿Qué puede hacer el mercadeo digital en una pyme?
¿Qué puede hacer el mercadeo digital en una pyme? ¿Qué puede hacer el mercadeo digital en una pyme?
¿Qué puede hacer el mercadeo digital en una pyme?
Action
 
Big data: retos y oportunidades para el turismo
Big data: retos y oportunidades para el turismoBig data: retos y oportunidades para el turismo
Big data: retos y oportunidades para el turismo
Good Rebels
 
Propuesta de Asesoría en Marketing Digital
Propuesta de Asesoría en Marketing DigitalPropuesta de Asesoría en Marketing Digital
Propuesta de Asesoría en Marketing Digital
Diego Vazquez
 
Estrategias de negocio utilizando las redes - Colombia 3.0
Estrategias de negocio utilizando las redes - Colombia 3.0Estrategias de negocio utilizando las redes - Colombia 3.0
Estrategias de negocio utilizando las redes - Colombia 3.0
Roca Salvatella
 
IAB Top Tendencias 2018
IAB Top Tendencias 2018IAB Top Tendencias 2018
IAB Top Tendencias 2018
t2ó | Connect. Convert. Grow.
 
Propuesta app para empresas y profesionales
Propuesta app para empresas y profesionalesPropuesta app para empresas y profesionales
Propuesta app para empresas y profesionales
jackrojoimagenes
 
Desarrollo de apps
Desarrollo de appsDesarrollo de apps
Desarrollo de apps
jackrojoimagenes
 
El futuro del CRM en banca: La experiencia omnicanal
El futuro del CRM en banca: La experiencia omnicanalEl futuro del CRM en banca: La experiencia omnicanal
El futuro del CRM en banca: La experiencia omnicanal
EvaluandoSoftware
 

La actualidad más candente (20)

Seminario:¿Cómo convertir los usuarios online en clientes tips y casos práct...
Seminario:¿Cómo convertir los usuarios online  en clientes tips y casos práct...Seminario:¿Cómo convertir los usuarios online  en clientes tips y casos práct...
Seminario:¿Cómo convertir los usuarios online en clientes tips y casos práct...
 
Ciberestrategia
CiberestrategiaCiberestrategia
Ciberestrategia
 
Interconexiones API: multiplicación del rendimiento de la analítica digital
Interconexiones API: multiplicación del rendimiento de la analítica digitalInterconexiones API: multiplicación del rendimiento de la analítica digital
Interconexiones API: multiplicación del rendimiento de la analítica digital
 
[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...
[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...
[WEBINARIO amdia OM Latam] Cómo utilizar los datos para conversar con mis cli...
 
P2P Lending sigue empujando fuerte.
P2P Lending sigue empujando fuerte.P2P Lending sigue empujando fuerte.
P2P Lending sigue empujando fuerte.
 
CRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.comCRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.com
 
Revista Mundo Contact Febrero 2015
Revista Mundo Contact Febrero 2015Revista Mundo Contact Febrero 2015
Revista Mundo Contact Febrero 2015
 
Mobile Marketing. Estrategia Digital 360. Universidad Pacífico
Mobile Marketing. Estrategia Digital 360. Universidad PacíficoMobile Marketing. Estrategia Digital 360. Universidad Pacífico
Mobile Marketing. Estrategia Digital 360. Universidad Pacífico
 
Workshop Corebiz- eCommerce Day Chile Online [Live] Experience
Workshop Corebiz- eCommerce Day Chile Online [Live] ExperienceWorkshop Corebiz- eCommerce Day Chile Online [Live] Experience
Workshop Corebiz- eCommerce Day Chile Online [Live] Experience
 
Que necesito hacer antes de implementar un dmp
Que necesito hacer antes de implementar un dmp Que necesito hacer antes de implementar un dmp
Que necesito hacer antes de implementar un dmp
 
Uvm oct 12
Uvm oct 12Uvm oct 12
Uvm oct 12
 
Barómetro Digital AEA 2018
Barómetro Digital AEA 2018Barómetro Digital AEA 2018
Barómetro Digital AEA 2018
 
¿Qué puede hacer el mercadeo digital en una pyme?
¿Qué puede hacer el mercadeo digital en una pyme? ¿Qué puede hacer el mercadeo digital en una pyme?
¿Qué puede hacer el mercadeo digital en una pyme?
 
Big data: retos y oportunidades para el turismo
Big data: retos y oportunidades para el turismoBig data: retos y oportunidades para el turismo
Big data: retos y oportunidades para el turismo
 
Propuesta de Asesoría en Marketing Digital
Propuesta de Asesoría en Marketing DigitalPropuesta de Asesoría en Marketing Digital
Propuesta de Asesoría en Marketing Digital
 
Estrategias de negocio utilizando las redes - Colombia 3.0
Estrategias de negocio utilizando las redes - Colombia 3.0Estrategias de negocio utilizando las redes - Colombia 3.0
Estrategias de negocio utilizando las redes - Colombia 3.0
 
IAB Top Tendencias 2018
IAB Top Tendencias 2018IAB Top Tendencias 2018
IAB Top Tendencias 2018
 
Propuesta app para empresas y profesionales
Propuesta app para empresas y profesionalesPropuesta app para empresas y profesionales
Propuesta app para empresas y profesionales
 
Desarrollo de apps
Desarrollo de appsDesarrollo de apps
Desarrollo de apps
 
El futuro del CRM en banca: La experiencia omnicanal
El futuro del CRM en banca: La experiencia omnicanalEl futuro del CRM en banca: La experiencia omnicanal
El futuro del CRM en banca: La experiencia omnicanal
 

Similar a Machine Learning Aplicado al Marketing: Mejorando tu Negocio.

Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
Beatriz Martín @zigiella
 
Machine Learning en Recursos Humanos
Machine Learning en Recursos HumanosMachine Learning en Recursos Humanos
Machine Learning en Recursos Humanos
Quanticae Data Analytics
 
Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...
Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...
Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...
Flat 101
 
Pasando modelos de Machine Learning a producción usando AWS
Pasando modelos de Machine Learning a producción usando AWSPasando modelos de Machine Learning a producción usando AWS
Pasando modelos de Machine Learning a producción usando AWS
Roberto Esteves
 
Keimer pitre 2
Keimer pitre 2Keimer pitre 2
Keimer pitre 2
Keimer Pitre Milian
 
Key
KeyKey
Transformación Digital – Ciencia de datos el siguiente nivel
Transformación Digital – Ciencia de datos el siguiente nivelTransformación Digital – Ciencia de datos el siguiente nivel
Transformación Digital – Ciencia de datos el siguiente nivel
JOSE AHIAS LOPEZ PORTILLO
 
sistemasdeinformacin-090908160107-phpapp01.pdf
sistemasdeinformacin-090908160107-phpapp01.pdfsistemasdeinformacin-090908160107-phpapp01.pdf
sistemasdeinformacin-090908160107-phpapp01.pdf
andresvargasbeato
 
Presentación1.pptx
Presentación1.pptxPresentación1.pptx
Presentación1.pptx
briana93
 
Keepler | Data Analysis Lifecycle
Keepler | Data Analysis LifecycleKeepler | Data Analysis Lifecycle
Keepler | Data Analysis Lifecycle
Keepler Data Tech
 
Sistemas de Información Empresarial
Sistemas de Información EmpresarialSistemas de Información Empresarial
Sistemas de Información Empresarial
Cristian Salazar C.
 
Introducción a Ciencia de datos con Microsoft
Introducción a Ciencia de datos con MicrosoftIntroducción a Ciencia de datos con Microsoft
Introducción a Ciencia de datos con Microsoft
JOSE AHIAS LOPEZ PORTILLO
 
Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...
Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...
Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...
SemanticWebBuilder
 
Machine learning
Machine learningMachine learning
Machine learning
César Jesús Angulo Gasco
 
Introduccion a Azure Machine Learning
Introduccion a Azure Machine LearningIntroduccion a Azure Machine Learning
Introduccion a Azure Machine Learning
Eduardo Castro
 
AWS Innovate 2020 - Keynote Memo Doring
AWS Innovate 2020 - Keynote Memo Doring AWS Innovate 2020 - Keynote Memo Doring
AWS Innovate 2020 - Keynote Memo Doring
Amazon Web Services LATAM
 
Qué es la ciencia de datos.pdf
Qué es la ciencia de datos.pdfQué es la ciencia de datos.pdf
Qué es la ciencia de datos.pdf
apssoftwaredegestion
 
Trabajo2
Trabajo2Trabajo2
Trabajo2
Angel Gomez
 
Trabajo de las tics sobre la lectura numero dos
Trabajo de las tics sobre la lectura numero dosTrabajo de las tics sobre la lectura numero dos
Trabajo de las tics sobre la lectura numero dos
SANTIAGO19952
 
Arquitectura de datos empresariales análisis de una base de datos
Arquitectura de datos empresariales   análisis de una base de datosArquitectura de datos empresariales   análisis de una base de datos
Arquitectura de datos empresariales análisis de una base de datos
CarlosTenelema1
 

Similar a Machine Learning Aplicado al Marketing: Mejorando tu Negocio. (20)

Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
 
Machine Learning en Recursos Humanos
Machine Learning en Recursos HumanosMachine Learning en Recursos Humanos
Machine Learning en Recursos Humanos
 
Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...
Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...
Machine Learning Para Definir Clusters De Usuarios Y Acciones Concretas. Medi...
 
Pasando modelos de Machine Learning a producción usando AWS
Pasando modelos de Machine Learning a producción usando AWSPasando modelos de Machine Learning a producción usando AWS
Pasando modelos de Machine Learning a producción usando AWS
 
Keimer pitre 2
Keimer pitre 2Keimer pitre 2
Keimer pitre 2
 
Key
KeyKey
Key
 
Transformación Digital – Ciencia de datos el siguiente nivel
Transformación Digital – Ciencia de datos el siguiente nivelTransformación Digital – Ciencia de datos el siguiente nivel
Transformación Digital – Ciencia de datos el siguiente nivel
 
sistemasdeinformacin-090908160107-phpapp01.pdf
sistemasdeinformacin-090908160107-phpapp01.pdfsistemasdeinformacin-090908160107-phpapp01.pdf
sistemasdeinformacin-090908160107-phpapp01.pdf
 
Presentación1.pptx
Presentación1.pptxPresentación1.pptx
Presentación1.pptx
 
Keepler | Data Analysis Lifecycle
Keepler | Data Analysis LifecycleKeepler | Data Analysis Lifecycle
Keepler | Data Analysis Lifecycle
 
Sistemas de Información Empresarial
Sistemas de Información EmpresarialSistemas de Información Empresarial
Sistemas de Información Empresarial
 
Introducción a Ciencia de datos con Microsoft
Introducción a Ciencia de datos con MicrosoftIntroducción a Ciencia de datos con Microsoft
Introducción a Ciencia de datos con Microsoft
 
Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...
Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...
Web Semántica de la teoría a la práctica: lecciones aprendidas en ambientes p...
 
Machine learning
Machine learningMachine learning
Machine learning
 
Introduccion a Azure Machine Learning
Introduccion a Azure Machine LearningIntroduccion a Azure Machine Learning
Introduccion a Azure Machine Learning
 
AWS Innovate 2020 - Keynote Memo Doring
AWS Innovate 2020 - Keynote Memo Doring AWS Innovate 2020 - Keynote Memo Doring
AWS Innovate 2020 - Keynote Memo Doring
 
Qué es la ciencia de datos.pdf
Qué es la ciencia de datos.pdfQué es la ciencia de datos.pdf
Qué es la ciencia de datos.pdf
 
Trabajo2
Trabajo2Trabajo2
Trabajo2
 
Trabajo de las tics sobre la lectura numero dos
Trabajo de las tics sobre la lectura numero dosTrabajo de las tics sobre la lectura numero dos
Trabajo de las tics sobre la lectura numero dos
 
Arquitectura de datos empresariales análisis de una base de datos
Arquitectura de datos empresariales   análisis de una base de datosArquitectura de datos empresariales   análisis de una base de datos
Arquitectura de datos empresariales análisis de una base de datos
 

Más de Good Rebels

Selligent insurance (Marketing automation) Good Rebels
Selligent insurance (Marketing automation) Good RebelsSelligent insurance (Marketing automation) Good Rebels
Selligent insurance (Marketing automation) Good Rebels
Good Rebels
 
Webinar: Brands, storytelling and sustainability
Webinar: Brands, storytelling and sustainabilityWebinar: Brands, storytelling and sustainability
Webinar: Brands, storytelling and sustainability
Good Rebels
 
The Future of Social: Rebel Cocktail 3ª edición
The Future of Social: Rebel Cocktail 3ª ediciónThe Future of Social: Rebel Cocktail 3ª edición
The Future of Social: Rebel Cocktail 3ª edición
Good Rebels
 
Diputados en Twitter: Influencia y Conversación
Diputados en Twitter: Influencia y ConversaciónDiputados en Twitter: Influencia y Conversación
Diputados en Twitter: Influencia y Conversación
Good Rebels
 
Webinar: Futuro of Social Media by Fernando Polo
Webinar: Futuro of Social Media by Fernando PoloWebinar: Futuro of Social Media by Fernando Polo
Webinar: Futuro of Social Media by Fernando Polo
Good Rebels
 
Webinar: "Rebuilding your Brand for a Human-Centred World"
Webinar: "Rebuilding your Brand for a Human-Centred World"Webinar: "Rebuilding your Brand for a Human-Centred World"
Webinar: "Rebuilding your Brand for a Human-Centred World"
Good Rebels
 
Marketing in the AI area
Marketing in the AI areaMarketing in the AI area
Marketing in the AI area
Good Rebels
 
Webinar: "Data Driven Marketing Research Techniques"
Webinar:  "Data Driven Marketing Research Techniques"Webinar:  "Data Driven Marketing Research Techniques"
Webinar: "Data Driven Marketing Research Techniques"
Good Rebels
 
Good Rebels Webinar: Crowdsourcing and Co-creation
Good Rebels Webinar: Crowdsourcing and Co-creation Good Rebels Webinar: Crowdsourcing and Co-creation
Good Rebels Webinar: Crowdsourcing and Co-creation
Good Rebels
 
Cómo construir un proyecto de machine learning desde la Dirección de Márketing
Cómo construir un proyecto de machine learning desde la Dirección de MárketingCómo construir un proyecto de machine learning desde la Dirección de Márketing
Cómo construir un proyecto de machine learning desde la Dirección de Márketing
Good Rebels
 
181009 Webinar Data_Driven_Marketing
181009 Webinar Data_Driven_Marketing181009 Webinar Data_Driven_Marketing
181009 Webinar Data_Driven_Marketing
Good Rebels
 
Why Social Media is the Heart of Digital Marketing
Why Social Media is the Heart of Digital MarketingWhy Social Media is the Heart of Digital Marketing
Why Social Media is the Heart of Digital Marketing
Good Rebels
 
ROI B2B Maximization. Data Driven. Digital Transformation Roadmap
ROI B2B Maximization. Data Driven. Digital Transformation RoadmapROI B2B Maximization. Data Driven. Digital Transformation Roadmap
ROI B2B Maximization. Data Driven. Digital Transformation Roadmap
Good Rebels
 
Good rebels smart social webinar - 21 june 2018
Good rebels   smart social webinar - 21 june 2018Good rebels   smart social webinar - 21 june 2018
Good rebels smart social webinar - 21 june 2018
Good Rebels
 
Smart social framework by Good Rebels
Smart social framework by Good RebelsSmart social framework by Good Rebels
Smart social framework by Good Rebels
Good Rebels
 
What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)
What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)
What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)
Good Rebels
 
HCO: Human-Centred Organisations ESP
HCO: Human-Centred Organisations ESPHCO: Human-Centred Organisations ESP
HCO: Human-Centred Organisations ESP
Good Rebels
 
HCO: Human-Centred Organisations
HCO: Human-Centred OrganisationsHCO: Human-Centred Organisations
HCO: Human-Centred Organisations
Good Rebels
 
Social Customer Service
Social Customer ServiceSocial Customer Service
Social Customer Service
Good Rebels
 
Planet of the Apps - How messaging apps conquered the world
Planet of the Apps - How messaging apps conquered the worldPlanet of the Apps - How messaging apps conquered the world
Planet of the Apps - How messaging apps conquered the world
Good Rebels
 

Más de Good Rebels (20)

Selligent insurance (Marketing automation) Good Rebels
Selligent insurance (Marketing automation) Good RebelsSelligent insurance (Marketing automation) Good Rebels
Selligent insurance (Marketing automation) Good Rebels
 
Webinar: Brands, storytelling and sustainability
Webinar: Brands, storytelling and sustainabilityWebinar: Brands, storytelling and sustainability
Webinar: Brands, storytelling and sustainability
 
The Future of Social: Rebel Cocktail 3ª edición
The Future of Social: Rebel Cocktail 3ª ediciónThe Future of Social: Rebel Cocktail 3ª edición
The Future of Social: Rebel Cocktail 3ª edición
 
Diputados en Twitter: Influencia y Conversación
Diputados en Twitter: Influencia y ConversaciónDiputados en Twitter: Influencia y Conversación
Diputados en Twitter: Influencia y Conversación
 
Webinar: Futuro of Social Media by Fernando Polo
Webinar: Futuro of Social Media by Fernando PoloWebinar: Futuro of Social Media by Fernando Polo
Webinar: Futuro of Social Media by Fernando Polo
 
Webinar: "Rebuilding your Brand for a Human-Centred World"
Webinar: "Rebuilding your Brand for a Human-Centred World"Webinar: "Rebuilding your Brand for a Human-Centred World"
Webinar: "Rebuilding your Brand for a Human-Centred World"
 
Marketing in the AI area
Marketing in the AI areaMarketing in the AI area
Marketing in the AI area
 
Webinar: "Data Driven Marketing Research Techniques"
Webinar:  "Data Driven Marketing Research Techniques"Webinar:  "Data Driven Marketing Research Techniques"
Webinar: "Data Driven Marketing Research Techniques"
 
Good Rebels Webinar: Crowdsourcing and Co-creation
Good Rebels Webinar: Crowdsourcing and Co-creation Good Rebels Webinar: Crowdsourcing and Co-creation
Good Rebels Webinar: Crowdsourcing and Co-creation
 
Cómo construir un proyecto de machine learning desde la Dirección de Márketing
Cómo construir un proyecto de machine learning desde la Dirección de MárketingCómo construir un proyecto de machine learning desde la Dirección de Márketing
Cómo construir un proyecto de machine learning desde la Dirección de Márketing
 
181009 Webinar Data_Driven_Marketing
181009 Webinar Data_Driven_Marketing181009 Webinar Data_Driven_Marketing
181009 Webinar Data_Driven_Marketing
 
Why Social Media is the Heart of Digital Marketing
Why Social Media is the Heart of Digital MarketingWhy Social Media is the Heart of Digital Marketing
Why Social Media is the Heart of Digital Marketing
 
ROI B2B Maximization. Data Driven. Digital Transformation Roadmap
ROI B2B Maximization. Data Driven. Digital Transformation RoadmapROI B2B Maximization. Data Driven. Digital Transformation Roadmap
ROI B2B Maximization. Data Driven. Digital Transformation Roadmap
 
Good rebels smart social webinar - 21 june 2018
Good rebels   smart social webinar - 21 june 2018Good rebels   smart social webinar - 21 june 2018
Good rebels smart social webinar - 21 june 2018
 
Smart social framework by Good Rebels
Smart social framework by Good RebelsSmart social framework by Good Rebels
Smart social framework by Good Rebels
 
What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)
What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)
What the hell is digital transformation anyway ! - webinar - 25 april 2018 (1)
 
HCO: Human-Centred Organisations ESP
HCO: Human-Centred Organisations ESPHCO: Human-Centred Organisations ESP
HCO: Human-Centred Organisations ESP
 
HCO: Human-Centred Organisations
HCO: Human-Centred OrganisationsHCO: Human-Centred Organisations
HCO: Human-Centred Organisations
 
Social Customer Service
Social Customer ServiceSocial Customer Service
Social Customer Service
 
Planet of the Apps - How messaging apps conquered the world
Planet of the Apps - How messaging apps conquered the worldPlanet of the Apps - How messaging apps conquered the world
Planet of the Apps - How messaging apps conquered the world
 

Último

Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)
Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)
Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)
codesiret
 
Nuevos tiempos, nuevos espacios.docxdsdsad
Nuevos tiempos, nuevos espacios.docxdsdsadNuevos tiempos, nuevos espacios.docxdsdsad
Nuevos tiempos, nuevos espacios.docxdsdsad
larapalaciosmonzon28
 
Refrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y ForzadoRefrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y Forzado
NicandroMartinez2
 
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfqedublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
larapalaciosmonzon28
 
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
AbrahamCastillo42
 
Manual de soporte y mantenimiento de equipo de cómputo
Manual de soporte y mantenimiento de equipo de cómputoManual de soporte y mantenimiento de equipo de cómputo
Manual de soporte y mantenimiento de equipo de cómputo
doctorsoluciones34
 
TIC en educacion.rtf.docxlolololololololo
TIC en educacion.rtf.docxlolololololololoTIC en educacion.rtf.docxlolololololololo
TIC en educacion.rtf.docxlolololololololo
KukiiSanchez
 
Second Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro TapiaSecond Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro Tapia
al050121024
 
Manual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computoManual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computo
mantenimientocarbra6
 
625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf
yuberpalma
 
Presentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre bloggerPresentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre blogger
larapalaciosmonzon28
 
Inteligencia Artificial
Inteligencia ArtificialInteligencia Artificial
Inteligencia Artificial
YashiraPaye
 
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDADEXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
AngelCristhianMB
 
Presentación Seguridad Digital Profesional Azul Oscuro (1).pdf
Presentación Seguridad Digital Profesional Azul Oscuro (1).pdfPresentación Seguridad Digital Profesional Azul Oscuro (1).pdf
Presentación Seguridad Digital Profesional Azul Oscuro (1).pdf
giampierdiaz5
 
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdfPLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
70244530
 
Manual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputosManual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputos
cbtechchihuahua
 
mantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptxmantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptx
MiguelAtencio10
 
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANOREVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
gisellearanguren1
 
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador Valencia
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador ValenciaCatalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador Valencia
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador Valencia
AMADO SALVADOR
 
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIAMONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
leia ereni
 

Último (20)

Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)
Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)
Infografia TCP/IP (Transmission Control Protocol/Internet Protocol)
 
Nuevos tiempos, nuevos espacios.docxdsdsad
Nuevos tiempos, nuevos espacios.docxdsdsadNuevos tiempos, nuevos espacios.docxdsdsad
Nuevos tiempos, nuevos espacios.docxdsdsad
 
Refrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y ForzadoRefrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y Forzado
 
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfqedublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
 
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
 
Manual de soporte y mantenimiento de equipo de cómputo
Manual de soporte y mantenimiento de equipo de cómputoManual de soporte y mantenimiento de equipo de cómputo
Manual de soporte y mantenimiento de equipo de cómputo
 
TIC en educacion.rtf.docxlolololololololo
TIC en educacion.rtf.docxlolololololololoTIC en educacion.rtf.docxlolololololololo
TIC en educacion.rtf.docxlolololololololo
 
Second Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro TapiaSecond Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro Tapia
 
Manual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computoManual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computo
 
625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf
 
Presentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre bloggerPresentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre blogger
 
Inteligencia Artificial
Inteligencia ArtificialInteligencia Artificial
Inteligencia Artificial
 
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDADEXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
 
Presentación Seguridad Digital Profesional Azul Oscuro (1).pdf
Presentación Seguridad Digital Profesional Azul Oscuro (1).pdfPresentación Seguridad Digital Profesional Azul Oscuro (1).pdf
Presentación Seguridad Digital Profesional Azul Oscuro (1).pdf
 
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdfPLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
 
Manual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputosManual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputos
 
mantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptxmantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptx
 
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANOREVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
 
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador Valencia
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador ValenciaCatalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador Valencia
Catalogo Refrigeracion Miele Distribuidor Oficial Amado Salvador Valencia
 
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIAMONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
 

Machine Learning Aplicado al Marketing: Mejorando tu Negocio.

  • 1. MACHINE LEARNING APLICADO AL MARKETING MªJesús Alonso Directora de Comunicación, Marketing y Eventos en BigML #RebelTalksBCN MEJORANDO TU NEGOCIO #MachineLearning
  • 2. Machine Learning: ¿Por Qué Ahora? 3 1 Adopción del Machine Learning en tu Empresa4 Conclusiones5 2 Machine Learning Aplicado al Marketing End-to-End Machine Learning
  • 4. ARTIFICIAL INTELLIGENCE MACHINE LEARNING DEEP LEARNING La ciencia que estudia cómo las máquinas pueden tener “inteligencia humana” (capacidad para percibir el entorno y actuar para conseguir un objetivo). Muchas otras áreas como razonamiento, planificación, representación del conocimiento tienen que evolucionar al nivel del Machine Learning antes de que consigamos algo mínimamente inteligente. El conjunto de algoritmos que hacen que las máquinas sean capaces de aprender sin ser explícitamente programadas. B i e n e s t u d i a d o . A p l i c a d o metódicamente puede solucionar muchos problemas. El subconjunto de algoritmos relacionados con redes neuronales profundas. Desarrollándose de forma muy rápida con grandes éxitos para dominios muy concretos. Necesita de grandes volúmenes de información y gran capacidad de computación.
  • 5. La ciencia ficción supera con creces la realidad de la Inteligencia Artificial
  • 6. Humans are still in the El Machine Learning es un nuevo paradigma de programación
  • 7. Humans are still in the El Machine Learning es un nuevo paradigma de programación Datos
  • 8. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Datos
  • 9. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Modelo predictivo Datos
  • 10. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Nuevo ejemplo Modelo predictivo Datos
  • 11. Humans are still in the El Machine Learning es un nuevo paradigma de programación Algoritmo de ML Nuevo ejemplo Modelo predictivo Predicción Datos
  • 13. HERRAMIENTAS40AÑOSDEESTUDIO Está dando el paso de la academia a la industria
  • 14. Ordenadores más rápidos y asequibles lo han hecho posible Tamaño y Coste 20171950 — + Velocidad
  • 17. Solo el Machine Learning funciona SUPERVISADO CLASIFICACIÓN Y REGRESIÓN NOSUPERVISADO SERIES TEMPORALES AGRUPACIÓN DE DATOS DETECCIÓN DE ANOMALÍAS DESCUBRIMIENTO ASOCIACIONES MODELADO DE TÓPICOS
  • 18. Professor Arthur Samuel (1959) “A field of study that gives computers the ability to learn without being explicitly programmed”
  • 19. AIRLINE ORIGIN DESTINATION DEPARTURE DELAY DISTANCE ARRIVAL DELAY AS ANC SEA -11 1448,0 -22 AA LAX PBI -8 2330,0 -9 US SFO CLT -2 2296,0 5 AA LAX MIA -5 2342,0 -9 AS SEA ANC -1 1448,0 -21 DL SFO MSP -5 1589 8 NK LAS MSP -6 1299 -17 US LAX CLT 14 2125,0 -10 AA SFO DFW -11 1464,0 -13 DL LAS ATL 3 1747,0 -15 Encuentra patrones en los datos que se usa para hacer inferencia Predictive Models
  • 20. ¿Puedes encontrar un patrón que te ayude a predecir la cancelación de un cliente? ¿Por qué Machine Learning?
  • 23. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) SUPERVISADO
  • 24. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML SUPERVISADO
  • 25. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO SUPERVISADO
  • 26. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADO
  • 27. Machine Learning: Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADO Predicción % Confianza
  • 28. Machine Learning: Supervisado CLASIFICACIÓN • Riesgo de cancelación • Mantenimiento predictivo • Priorización de contenido • Diagnóstico de pacientes REGRESIÓN • Publicidad predictiva • Optimización de precios • Estimación de ventas • Valor de tiempo de vida SERIES TEMPORALES • Predicción de los precios de las acciones • Predicción de ventas • Tráfico web • Predicción del tiempo • Análisis de crédito • Análisis de riesgo • Análisis de sentimiento • Análisis de campañas
  • 29. Machine Learning: No Supervisado
  • 30. Machine Learning: No SupervisadoNOSUPERVISADO
  • 31. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) NOSUPERVISADO
  • 32. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML NOSUPERVISADO
  • 33. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML NOSUPERVISADO CLUSTER
  • 34. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML Nuevo ejemplo NOSUPERVISADO CLUSTER
  • 35. Machine Learning: No Supervisado Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML Nuevo ejemplo NOSUPERVISADO Puntuación CLUSTER
  • 36. Machine Learning: No Supervisado ANÁLISIS DE CLUSTERS • Segmentación de mercado • Segmentación de clientes • Gestión de portfolios • Agrupación de datos por similitud DETECCION DE ANOMALÍAS • Análisis de fraude • Limpieza de datos • Detección de intrusos • Autenticación MODELADO 
 DE TÓPICOS • Evaluación de la similitud de varios documentos • Categorización de textos DESCUBRIMIENTO DE ASOCIACIONES • Análisis de la cesta de la compra • Patrones de UX • Bioinformática • Detección de incidentes • Análisis forenses digitales • Análisis de comportamiento de tribunales, jueces o letrados
  • 38. El Proceso Paso 1 Resultado “Vamos a predecir la pérdida de clientes!” “Estos son los c l i e n t e s q u e abandonarán nuestro servicio”
  • 39. El Proceso Paso 1 Resultado “Vamos a predecir la pérdida de clientes!” “Estos son los c l i e n t e s q u e abandonarán nuestro servicio” Paso 2 - - - - - - - - ???
  • 40. El Proceso Definir el proceso como tarea de ML
  • 41. El Proceso Definir el proceso como tarea de ML Hay que ser específico
  • 42. El Proceso Definir el proceso como tarea de ML Hay que ser específico
  • 43. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio”
  • 44. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio”
  • 45. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio”
  • 46. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)”
  • 47. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)”
  • 48. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)”
  • 49. El Proceso Definir el proceso como tarea de ML Hay que ser específico “Vamos a predecir los clientes que abandonarán nuestro servicio” “Vamos a predecir los clientes que abandonarán nuestro servicio basándonos en las características de cada cliente (edad, sexo, localización, número de llamadas, SMS, etc.) y las ultimas interacciones que ha tenido con el servicio de atención al cliente (por ejemplo)” Este proceso a menudo requiere iteración
  • 50. El Proceso Definir el proceso como tarea de ML ~10% del trabajo
  • 51. El Proceso Definir el proceso como tarea de ML ~10% del trabajo Data wrangling
  • 52. El Proceso Definir el proceso como tarea de ML ~10% del trabajo ¿De dónde vienen los datos? ¿En qué formatos están? ¿Son malos o muy malos? ¿Se puede acceder a los datos con un API? Data wrangling
  • 53. El Proceso Definir el proceso como tarea de ML ~10% del trabajo Transformación de los datos Data wrangling Feature engineering
  • 54. El Proceso Definir el proceso como tarea de ML ~10% del trabajo Necesitamos los datos limpios y preparados para el Machine Learning, con listados de filas y columnas Los metadatos como los años, puntuaciones, duración, tienen que unirse La mayoría de veces el dataset no tiene el campo predictor que necesita el algoritmo y tenemos que obtenerlo de otros campos (sumando/restando/ dividiendo campos, sacando la media, etc.) en función de lo que queramos predecir. Transformación de los datos Data wrangling Feature engineering
  • 55. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering ~10% del trabajo Transformación de los datos ~80% del trabajo
  • 56. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering ~10% del trabajo Transformación de los datos ~80% del trabajo Modelado y evaluaciones
  • 57. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering ~10% del trabajo Transformación de los datos ~80% del trabajo Modelado y evaluaciones Finalmente llega el momento de hacer Machine Learning, la parte más sencilla del proceso ¿Qué algoritmo dará mejores resultados con los datos que dispongo?
  • 58. El Proceso: Elección del Algoritmo SUPERVISADO CLASIFICACIÓN Y REGRESIÓN NOSUPERVISADO SERIES TEMPORALES AGRUPACIÓN DE DATOS DETECCIÓN DE ANOMALÍAS DESCUBRIMIENTO ASOCIACIONES MODELADO DE TÓPICOS
  • 59. El Proceso: OptiML OptiML encuentra de forma automática el mejor modelo supervisado para tus datos • Optimiza los parámetros de cada modelo • Evalúa todos los modelos supervisados en paralelo y selecciona el mejor
  • 60. El Proceso: OptiML OptiML encuentra de forma automática el mejor modelo supervisado para tus datos • Optimiza los parámetros de cada modelo • Evalúa todos los modelos supervisados en paralelo y selecciona el mejor
  • 61. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering Modelado y evaluaciones Predicciones ~10% del trabajo Transformación de los datos ~80% del trabajo ~5% del trabajo
  • 68. Atributos (Features) (miles) Ejemplos (millones) Algoritmo de ML MODELO Nuevo ejemplo SUPERVISADO Predicción % Confianza El Proceso: Predicciones
  • 69. El Proceso Definir el proceso como tarea de ML Data wrangling Feature engineering Modelado y evaluaciones Predicciones Medición de resultados ~10% del trabajo Transformación de los datos ~80% del trabajo ~5% del trabajo ~10% del trabajo
  • 70. Machine Learning de Extremo a Extremo MODELAJE OPERACIÓN TRANSFORMACIONES DE DATOS Algoritmo de ML MODELO Nuevo ejemplo Predicción % Confianza
  • 71. Madurez de las técnicas
  • 73. Coste de los ordenadores Rapidez de computación Madurez de las técnicas
  • 74. Coste de los ordenadores Abundancia de datos Rapidez de computación Madurez de las técnicas
  • 75. Coste de los ordenadores Abundancia de datos Rapidez de computación Herramienta sencilla y asequible Madurez de las técnicas
  • 77. Casos de Uso • Predicción de la cancelación de cliente • Retención y compromiso con la marca • Éxito de una campaña de marketing • Agrupación de clientes • Análisis del sentimiento • Monitorización de las RRSS • Recomendación de productos • Optimización del precio • Previsión de la demanda • Brand awareness • Lead scoring para el contacto personalizado
  • 78. BigML, Inc Off-Grid Electric (O.G.E.) es una empresa africana que ofrece soluciones de energía solar en Rwanda y Tanzania
  • 79. BigML, Inc Problema • El uso y pago de sus servicios es errático y es complejo anticipar una cancelación • El coste de perder a un cliente es ~100 veces mayor que el coste de intentar retenerlo.
  • 81. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico
  • 82. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico Modelo Segmentación y predicción de cancelaciones
  • 83. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico Modelo Segmentación y predicción de cancelaciones Predicción • ¿Cancelará este cliente? • 90% de precisión
  • 84. Caso de Uso #1 Datos Recargas y pagos Uso eléctrico Modelo Segmentación y predicción de cancelaciones Predicción • ¿Cancelará este cliente? • 90% de precisión https://blog.bigml.com/2018/05/14/2ml-underscores-the-need-to-adopt-machine-learning-in-all-businesses-and-organizations/
  • 86. Caso de Uso #2 Datos Acuerdos de confidencialidad
  • 87. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos
  • 88. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos Predicción ¿Firmar o no firmar un NDA?
  • 89. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos Predicción ¿Firmar o no firmar un NDA? Aplicable a la redacción de textos or artículos repetitivos (predicción meteorológica)
  • 90. Caso de Uso #2 Datos Acuerdos de confidencialidad Modelo Modelado de tópicos Predicción ¿Firmar o no firmar un NDA? Aplicable a la redacción de textos or artículos repetitivos (predicción meteorológica) https://blog.bigml.com/2018/04/18/getting-the-nda-out-of-the-way-with-machine-learning/
  • 91. Caso de Uso #3 • Ayuda a las empresas a generar más demanda • Datos de clientes y usuarios + base de datos nacional + plantillas de Machine Learning (en todas las fases del ciclo de vida de un cliente) • Objetivo: que empresas de todos los sectores puedan conseguir y retener más clientes y que estos compren más productos de dichas marcas • Ideal para seleccionar audiencias https://blog.bigml.com/2018/04/26/making-machine-learning-work-for-b2c-revenue-optimization/ Faraday: Machine Learning para B2C
  • 92. Adopción del Machine Learning en tu Empresa
  • 93. AdopciónResistenciaaunaplatform Exploración No usamos Machine Learning All Machine Learning para todos Usamos SAS (Statistical Analysis System) Necesitamos una plataforma Necesitamos Data Scientists Usemos una platforma Elección de una plataforma inadecuada Toda Construyamos nuestra propia plataforma Nada
  • 95. El Machine Learning llegará a ser omnipresente
  • 97. Conclusiones • Importancia de la formación • No se necesitan gran bases de datos para empezar. • Adoptar Machine Learning de menos a más.  • Nuevas profesiones y oportunidades. ¿Quién dijo miedo? • Los expertos os guiamos en este camino: Partnership
  • 99. Fundadores de BigML Uno de los fundadores del campo del Machine Learning Tom Dietterich, Ph.D. Francisco Martin, Ph.D. 100+ publicaciones Jose A. Ortega “jao”, Ph.D. CTO Charlie Parker, P.h.D. Poul Petersen, MSc. Adam Ashenfelter, MSc. Chief Data Engineer VP de Algoritmos de ML CIO Cofundador y Consejero Delegado de 3 empresas de AI 20+ patentes CEODirector Científico La misión de BigML es hacer el Machine Learning accesible a todo el mundo
  • 102. “The BigML platform enables us to deliver Machine Learning insights to decision makers with high speed and the visualization makes it possible to explain the outcomes easily to non-technical professionals. The next step in bringing Machine Learning to the bigger crowd!” Auke IJsselstein - HR Strategy & Analytics Consultant at ABN-AMRO. “Accurate and reliable predictions are a quintessential pillar for our business. BigML has delivered on all aspects: ease of use, being able to develop the models on BigML’s servers but run the predictions locally on our computers, a full-featured C# API, incredible documentation, reliability, beyond-belief responsive support, and great pricing. In short, BigML is light years ahead of the competition.” David J. Marcus - Sr. Vice President of Special Projects and Chief ML Scientist at Realmatch, Inc. “Creating a Machine Learning system for the legal sector is quite a challenge. Fortunately, the BigML team was able to significantly improve performance & quality within a few days! Great personal service and quality software.” Arnoud Engelfriet, IT Lawyer & Co-founder at JuriBlox B.V. BigML, Inc “Even in a company which uses custom built Machine Learning solutions on a daily basis, BigML proves to be very useful for quick proof of concept experiments. And the insightful visualizations help a lot when collaborating with newcomers to the ML field.” Libor Morkovsky - Research Manager at Avast.