Machine learning: una apuesta segura

La previsión del valor del mercado de Machine Learning en el mundo estará cerca de los 117 mil millones de dólares en 2027, según los datos recopilados por Fortune Business Insights (2020). Y según McKinsey, actualmente apenas el 37% de las organizaciones de Contact Center sienten que están utilizando la analítica avanzada para generar valor. Esto sin duda es un indicador de las oportunidades de mejora que aún existen en la creación de soluciones basadas en Machine Learning dentro del sector. Ya que si hay algo que caracteriza a nuestra industria es la ingente cantidad de datos que maneja y genera.

Si hablamos de beneficios para el contact center, McKinsey también nos ofrece unos datos interesantes. Usar Machine Learning como solución estratégica en el contact center puede aportar las siguientes mejoras en el sector:

• Incremento del Conversion Rate en servicios de ventas cerca del 50%.
• Reducción del tiempo medio operativo alrededor del 40%.
• Incremento del autoservicio entre un 5 y un 20%.
• Reducción de costes en el sector en torno a 5 mil millones de dólares.

Y es que, aunque pudiera parecer complejo, implementar proyectos de Machine Learning no conlleva grandes cantidades de recursos, por lo que el retorno de la inversión es inmediato y fácilmente escalable.

Un proyecto tipo de Machine Learning consta de cuatro fases bien diferenciadas.

 

Debe estar alineado con la estrategia de la compañía y debe sustentarse en un objetivo claro y definido. ¿Qué se quiere conseguir? Para ello es fundamental definir un plan de negocio que pueda establecer de forma efectiva el retorno de la inversión esperado.

Una vez definido el objetivo a conseguir, el siguiente paso es identificar las fuentes de datos y realizar un análisis pormenorizado de las mismas. Capturar una muestra de datos, definir las variables que los caracterizan, identificar datos sensibles, etc. Es relevante señalar en este punto la importancia del proceso de anonimización del dato. En este punto se establecerán los procesos necesarios para poder operar con datos anónimos y seguros y dar cumplimiento así a las reglamentaciones de protección de datos y seguridad correspondientes.

Con los datos y variables ya identificados y claros, se establece una fase de análisis estadístico que permitirá entender la relación entre datos y la posible relevancia de los mismos. La limpieza de datos y la posibilidad de crear nuevas variables son acciones muy comunes debido a las propias estructuras de las fuentes de datos, que en entornos reales sueles ser desestructuradas.

Toda la fase de análisis puede conllevar el ochenta por ciento del tiempo en un proyecto de Machine Learning; siendo la fase más sensible y en la que el científico de datos debe trabajar con más minuciosidad.

Una vez se conocen en profundidad los datos, comienzan las actividades de modelización donde se utilizarán diferentes algoritmos que permitan encontrar patrones inherentes en los datos y/o predecir futuros comportamientos de los datos. A la hora de aplicar los diferentes modelos, es posible la creación de nuevos algoritmos o el uso de algoritmos ya existentes y normalizados en las diferentes industrias (modelos, árboles de decisión, regresiones logísticas, regresiones múltiples, redes neuronales, modelos cluster, modelos de asociación, etc.).

La modelización implica actividades de evaluación estadística de los diferentes modelos, para asegurar la precisión del mismo en una futura implementación.

Por último, quedaría la fase de implementación del modelo, convenientemente automatizada y específica para el objetivo previamente definido, que permita una monitorización continua del rendimiento del modelo y que conlleve un reentrenamiento periódico del mismo con el objeto de refrescar y actualizar los datos iniciales.

Los proyectos de Machine Learning son fácilmente integrables con otras soluciones digitales que permiten un ciclo de mejora basado en datos. Es usual la interconexión de categorizaciones basadas en programación de lenguaje neurolingüistico (conversaciones) ofrecidas por soluciones de Speech Analytics con modelos de Machine Learning basados en datos obtenidos directamente de los sistemas de gestión de clientes (CRM).

Los algoritmos de Machine Learning son incluso aplicables a la detección de imágenes, algo común en medicina y que para servicios de e-commerce podría suponer mejoras sustanciales en la gestión de los servicios de atención al cliente.

Otro ejemplo de solución integrada es el uso de enrutamientos inteligentes en función de modelos de machine learning con el objetivo de ofrecer interacciones personalizadas con los clientes; incluso soluciones automatizadas de gestión de backoffice basadas en tipologías de gestiones categorizadas por algoritmos.

Recapitulando, el uso creciente de tecnologías y soluciones basadas en modelos de Machine Learning es una realidad que nos acompaña ya en nuestro día a día (todos estamos acostumbrados ya a las ofertas personalizadas de contenido en las plataformas de streaming en función de la visualización de dichos contenidos) y es un hecho que el sector del contact center no puede ser indiferente a este tipo de soluciones. En Transcom contamos con un equipo especializado en la creación e implantación de este tipo de proyectos, que sin duda puede ser de gran ayuda a la hora de conseguir los objetivos de mejora en los servicios de venta y atención al cliente. Y aunque aún queda camino por recorrer, la utilización de Machine Learning es una apuesta asegura.

 

Marcos Tercero, Global CX Advisor en Transcom