Descargar como PDF, PPTX
Subido porRoberto Esteves
Machine Learning e Inteligencia Artificial
El documento discute las diferencias entre data science y machine learning, así como el impacto de la inteligencia artificial en el futuro laboral y en la creación de empleo a través de la digitalización. Se presentan preguntas críticas que las empresas deben responder utilizando análisis de datos, junto con modelos predictivos y estrategias para la optimización de recursos y mejor toma de decisiones. Además, se enfatiza la importancia de la inversión en inteligencia artificial para obtener ventajas competitivas y mejorar el conocimiento del cliente.
Más contenido relacionado
Similar a Machine Learning e Inteligencia Artificial
![[Rosario] Soluciones de Análisis Predictivo - Adolfo Kvitca de SPSS](https://cdn.slidesharecdn.com/ss_thumbnails/9-120705105248-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
Machine Learning e Inteligencia Artificial
- 1. 1 ¡Buenas tardes! 2 Pedro Fernándezde Cabo PhD(c) en IA, Robótica Executive MBA en el IE Business School Directivo en el BBVA, gerente en Banco Pichincha, Mutualista Pichincha ▪ pedro.fdc@gmail.com ▪ Linkedin: Pedro Fernandez de Cabo
- 2.
- 3.
- 4. “ Diferencias entre DataScience y Machine Learning 4
- 5. De esto seestá hablando en estos días ● Desaparición de empleos
- 6. De esto seestá hablando en estos días ● Desaparición de empleos ● Tratamiento de los datos personales
- 7. De esto seestá hablando en estos días ● Desaparición de empleos ● Tratamiento de los datos personales ● Robots pagan impuestos
- 8. De esto seestá hablando en estos días ● Desaparición de empleos ● Tratamiento de los datos personales ● Robots pagan impuestos ● ¿Quién es el responsable de un fallo en un robot?
- 9. De esto seestá hablando en estos días A la hora de pensar en el trabajo del mañana, no es constructivo basar el diálogo en las estructuras que existen hoy en día, señala Werner Vogels, director de tecnología de Amazon Curiosamente, estudios como el realizado por el instituto alemán ZEW (Zentrum für Europäische Wirtschaftsforschung o Centro Europeo para la Investigación Económica) han desvelado que las empresas que invierten en proyectos de digitalización generan un número significativamente mayor de puestos de trabajo que las compañías que no lo hacen
- 10. La única preocupaciónserá quedarse parados y no hacer nada 10
- 11.
- 12. 12Fuente Mckinsey FuenteMckinsey Los problemas empresariales de mayor impacto potencial por área funcional. ($ trillion) Funciones dentro de las empresas en las que la IA puede crear mayor valor
- 13. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 14. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 15. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 16. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 17. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 18. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 19. Business Analytics Ya tenemos datos...¿cuáles son nuestras necesidades? Lasempresas necesitan conocer: ¿Qué cliente se va a dar de baja? ¿Qué cliente va a reclamar sobre el servicio? ¿Qué oferta / promoción le propongo a cada cliente? ¿Qué solicitudes de servicio / préstamos debo aprobar? ¿Qué máquina o herramienta va a fallar la próxima semana? ¿Qué transacción es fraudulenta? ¿Qué trabajador estará alterando sus resultados?
- 20. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 21. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 22. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 23. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 24. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 25. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 26. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 27. Modelos predictivos y de análisisdel negocio Segmentación óptima de clientes según su comportamiento Definición del portafolio de productos óptimo para cada segmento Cálculo del CLTV (valor del cliente proyectado en el tiempo) Prevención de bajas (churn rate) y renovaciones de clientes Modelos de comportamiento de clientes, lealtad, fidelización, satisfacción de clientes Modelos de propensión a la compra Modelo de detección de clientes inactivos Rentabilidad neta de clientes Conocimiento de clientes
- 28. Modelos predictivos y de análisisdel negocio Predicción de la demanda Optimización de presupuestos de medios Modelos de elasticidad de precios Monitoreo de programas de marketing y canales Re-estructurar la localización de oficinas físicas a través del análisis de los datos de las visitas a las oficinas Conocimiento de mercado
- 29. Modelos predictivos y de análisisdel negocio Predicción de la demanda Optimización de presupuestos de medios Modelos de elasticidad de precios Monitoreo de programas de marketing y canales Re-estructurar la localización de oficinas físicas a través del análisis de los datos de las visitas a las oficinas Conocimiento de mercado
- 30. Modelos predictivos y de análisisdel negocio Predicción de la demanda Optimización de presupuestos de medios Modelos de elasticidad de precios Monitoreo de programas de marketing y canales Re-estructurar la localización de oficinas físicas a través del análisis de los datos de las visitas a las oficinas Conocimiento de mercado
- 31. Modelos predictivos y de análisisdel negocio Predicción de la demanda Optimización de presupuestos de medios Modelos de elasticidad de precios Monitoreo de programas de marketing y canales Re-estructurar la localización de oficinas físicas a través del análisis de los datos de las visitas a las oficinas Conocimiento de mercado
- 32. Modelos predictivos y de análisisdel negocio Predicción de la demanda Optimización de presupuestos de medios Modelos de elasticidad de precios Monitoreo de programas de marketing y canales Re-estructurar la localización de oficinas físicas a través del análisis de los datos de las visitas a las oficinas Conocimiento de mercado
- 33. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 34. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 35. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 36. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 37. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 38. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 39. Modelos predictivos y de análisisdel negocio Qué empleado puede dejar la empresa Predicción de la productividad del empleado Optimizar los tiempos de entrega de productos Precios dinámicos en función de los datos de la competencia y los márgenes de venta Predicción en la gestión de reclamaciones Monitorización de procesos de venta externalizada Prevención de consultas y reclamaciones, y aceleración en su resolución Reducción de costos
- 40. La Inteligencia Artificiallo está cambiando todo. ¿Por qué deben comenzar las empresas? Inversión muy baja Se pueden hacer proyectos con muy pocos recursos 40 Ventaja competitiva Resultados en el corto plazo Posicionamiento Se adquiere un conocimiento diferencial
- 41. Cliente = Datos Datos= $$ 41
- 42. 42 Piensa en la Nube Identificaun problema relevante e importante para tu negocio Recoge y guarda todos los datos que puedas Divide el problema para que sea fácil de ejecutar Ejecuta rápido Gana experiencia y confianza ¿Por dónde empezar? Muestra los resultados obtenidos
- 43.