Aprendizaje automático: Lo más destacado de la Conferencia MRS sobre análisis de datos

Opiniones de expertos sobre la IA y el papel de las "estadísticas" en los estudios de mercado

El aprendizaje automático está en todas partes, desde las redes sociales y los asistentes virtuales hasta los servicios financieros y la seguridad de los datos. Para los profesionales de ventas y marketing, el aprendizaje automático ofrece un análisis sin precedentes de los macrodatos. Ofrece la posibilidad de descifrar los recorridos del comprador, cada vez más estratificados. Sin embargo, ¿tiene realmente el aprendizaje automático un papel en la investigación de mercados, un campo en el que nos basamos en métodos analíticos para comprender la toma de decisiones matizadas y complejas? O, ¿sigue siendo el pensamiento estadístico el elemento analítico esencial que subyace a los conocimientos que ofrecemos hoy en día?

Estas fueron las preguntas planteadas durante la conferencia MRS Data Analytics 2019 celebrada en Londres. Me uní a compañeros de Sky, Boxclever y Honeycomb para explorar este tema durante el panel "El papel de la estadística y el aprendizaje automático en la investigación de mercados".

Esto es lo que dijimos y lo que debe saber sobre el futuro de la investigación de mercados.

Los tiempos están cambiando: el aprendizaje automático como factor de perturbación en la investigación de mercados

A medida que el aprendizaje automático entra en escena con fuerza, las empresas, especialmente los profesionales del marketing y la información, intentan adaptarse rápidamente a este nuevo paradigma analítico. A pesar de este vibrante interés por el aprendizaje automático, mis compañeros panelistas y yo observamos cuánta confusión existe sobre cuándo usarlo, frente a cuándo utilizar enfoques estadísticos más tradicionales.

¿Debe considerarse el aprendizaje automático una herramienta esencial para los equipos de análisis de estudios de mercado? ¿Siguen teniendo los métodos estadísticos un papel que desempeñar y, en caso afirmativo, cuándo es preferible un modelo estadístico a una solución de aprendizaje automático?

Aji Ghose, Director de Investigación y Análisis de Sky, la rama de ciencia de la información y la toma de decisiones de la gran cadena de televisión, se ha pronunciado sobre el tema. Ghose reveló que, aunque los analistas de Sky emplean en torno a un 90% de métodos estadísticos "tradicionales", también han experimentado con el uso de una red neuronal para dar sentido a las imágenes, clasificando imágenes y vídeos automáticamente.

¿Qué lugar ocupa el aprendizaje automático en los estudios de mercado?

1. Los mejores usos del aprendizaje automático

Todos los expertos coincidieron en que el aprendizaje automático se utiliza mejor cuando se investigan objetivos tácticos, por ejemplo en la investigación de precios cuando se predicen subidas de precios. El atractivo del aprendizaje automático es su "precisión predictiva".

Sin embargo, el aprendizaje automático por sí solo no puede producir razones cualitativas para lo que predice u observa. Las decisiones estratégicas importantes en materia de ingresos requieren un análisis más riguroso: las partes interesadas clave, como los directores de marca o los minoristas, tendrán que ser persuadidos con una comprensión de las razones que subyacen a la toma de decisiones de los consumidores o B2B. El "por qué" subyacente no puede proporcionarse únicamente a través del aprendizaje automático.

Además, el aprendizaje automático no puede ofrecer estrategias a largo plazo. Por ejemplo, los motores de sugerencias de comercio electrónico del tipo "Si te gusta esto, te encantará aquello" pueden ofrecer juicios sencillos basados en la observación de los hábitos de consumo, pero no pueden profundizar más en el comportamiento probable del consumidor a la hora de tomar decisiones.

2. Hambre de datos

El aprendizaje automático necesita muchos datos para ofrecer un resultado significativo. Otros métodos de investigación pueden hacer más con menos, es decir, producir resultados más útiles utilizando muchos menos datos. ¿Cómo es posible? Los estadísticos de investigación de mercados trabajan con conjuntos de datos seleccionados por su relevancia, mientras que tanto las técnicas de aprendizaje automático como las de big data utilizan grandes conjuntos de datos diseñados originalmente para otros fines.

La Conferencia sobre Análisis de Datos de MRS se centró en esta cuestión. Se preguntaban si debería preocuparnos la cantidad de datos disponibles en la actualidad. Desde la audiencia, mi colega Marcel Slavenburg, Director Senior, SKIM, explicó que una gama más amplia de fuentes de datos, como Machine Learning, big data y datos de terceros y de ventas, es útil para la "triangulación". El uso de fuentes de información adicionales permite conocer mejor el contexto de la toma de decisiones. Disponer de más información permite fundamentar los datos para obtener una comprensión más matizada, y eso produce perspectivas más precisas y procesables.

3. Cómo utilizan las empresas sus datos

En el mundo digital actual, muchos de nuestros clientes están recopilando cantidades ingentes de datos de clientes, pero se enfrentan al reto de saber cómo aprovecharlos de forma eficaz. Puede que tengan información recopilada en silos (por ejemplo, escucha social, datos de CRM, datos en línea, etc.), pero puede que no la compartan ampliamente a nivel interno. ¿Le resulta familiar?

En el panel, hablé de las grandes variaciones en el uso corporativo de la ciencia de datos, desde ninguna hasta empresas con equipos de ciencia de datos integrados en todos los aspectos de los datos y la información. Mientras que algunas utilizan el aprendizaje automático y otros métodos para obtener una visión de 360 grados, otras aún no han definido una estrategia que les permita hacerlo. Fue evidente que la integración y las asociaciones son una forma de desarrollar el tipo de comprensión contextual que Marcel describió.

4. Cuidado con el etiquetado incorrecto

Durante los debates, Bethan Blakeley, directora de la agencia de ciencia de datos Honeycomb, señaló que el ML y la IA se han convertido en palabras de moda, por lo que las soluciones de investigación de mercado podrían ser presentadas erróneamente como el uso de estas nuevas tecnologías, aunque en realidad son métodos "tradicionales". Esta confusión pone de relieve la importancia de elegir socios de investigación de mercado con una amplia gama de conocimientos y experiencia, para obtener los beneficios de todos los métodos disponibles. Una agencia asociada con profundas raíces analíticas puede evaluar el contexto empresarial con todos los métodos (antiguos y nuevos) para crear la mejor estrategia de investigación a medida para su marca.

Cómo empezar con el aprendizaje automático en la investigación de mercados

Desde nuestro punto de vista en SKIM, el aprendizaje automático tiene un papel definido en advanced analytics hoy en día. Sin embargo, se aplica mejor como parte de un sofisticado conjunto de herramientas analíticas.

Cuando se forma un equipo de análisis o se recurre a expertos externos, éstos deben estar bien versados en:

• Ser capaz de comunicarse eficazmente entre las diferentes culturas, jergas sectoriales y "vocabularios" existentes en los distintos equipos que poseen diferentes conjuntos de datos o tienen interés en explotarlos.
• Teniendo en cuenta el contexto en el que se crearon los conjuntos de datos
• Cuestionar continuamente las fuentes de datos con sentido común y alineación con el objetivo empresarial final.
• Aprovechar la mejor solución analítica para el objetivo -ser agnóstico en cuanto al método-, como pasar de una solución más automatizada a una más ad hoc, o viceversa.

Estos criterios producirán los resultados más significativos a partir de los datos.

Si quiere hacer más con sus datos, podemos asesorarle. El resultado será una estrategia de insights que proteja y nutra su negocio en su objetivo de crecimiento a largo plazo. Contamos con una larga experiencia en el comportamiento de las decisiones, métodos analíticos y comprensión de los retos actuales del marketing, además de una integración completa de datos y análisis. Trabajaremos con usted para diseñar un enfoque colaborativo de ciencia de datos que le permita iniciar correctamente su viaje de datos.

¿Quiere saber si está utilizando los resultados del aprendizaje automático de la mejor manera para su empresa? para hablar de cómo podemos ayudarle.

<![endif]–>