Mª Jesús Alonso, Directora de Comunicación, Marketing y Eventos en BigML

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

3. Machine Learning: ¿Por Qué Ahora?

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

12. Lleva estudiándose
desde hace casi
40 años

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

15. Abundancia de datos

16. Supera la
capacidad humana

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?

21. Machine Learning: Supervisado

22. Machine Learning: SupervisadoSUPERVISADO

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

37. End-to-End Machine Learning

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

62. El Proceso: Predicciones

63. SUPERVISADOEl Proceso: Predicciones

64. Atributos (Features)
(miles)
Ejemplos
(millones)
SUPERVISADOEl Proceso: Predicciones

65. Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
SUPERVISADOEl Proceso: Predicciones

66. Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
SUPERVISADOEl Proceso: Predicciones

67. Atributos (Features)
(miles)
Ejemplos
(millones)
Algoritmo
de ML
MODELO
Nuevo ejemplo
SUPERVISADOEl Proceso: Predicciones

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

72. Rapidez de
computación
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

76. Machine Learning Aplicado al Marketing

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.

80. Caso de Uso #1

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/

85. Caso de Uso #2

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

94. Conclusiones

95. El Machine
Learning llegará a
ser omnipresente

96. Y ayudará a
automatizar
muchas tareas

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

98. alonso@bigml.com

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

100. 80,000+

101. 51
Democratización y educación

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.