Inteligencia causal: La clave para impulsar el rendimiento de la IA en la empresa

Las soluciones de Inteligencia Artificial (IA) y Aprendizaje Automático (AM) están ganando mucha tracción en las empresas. En los últimos años, las empresas han gastado cada vez más dinero invirtiendo en soluciones de ‘caja negra’ con la esperanza de desarrollar algoritmos de vanguardia que les ayuden a trabajar mejor, de forma más inteligente y eficiente. 

Considere, por ejemplo, el reciente revuelo en torno a AutoML - Soluciones automatizadas de aprendizaje automático. que son fáciles de usar, con mayor precisión que los modelos ML tradicionales y un despliegue más rápido en tiempo real.. Desde que Facebook ensalzó AutoML como la columna vertebral de sus soluciones AI/ML en abril de 2016, Google, Salesforce, Amazon y Microsoft han desplegado sus propias soluciones AutoML personalizadas. 

La principal ventaja de soluciones como AutoML es obvia: permiten a los usuarios desplegar rápidamente soluciones de IA/ML de bajo coste listas para la producción. Sin embargo, al igual que otros sistemas de IA de ‘caja negra’, también existen importantes defectos a la hora de utilizarlos para la toma de decisiones automatizada. 

Estos sistemas suelen modelar los resultados mediante el aprendizaje automático, a menos que se alimenten de grandes data. Mapean las características del usuario en segmentos específicos (como el estado de salud o la situación financiera, por ejemplo) sin explicar por qué.

Esto es muy problemático, no sólo por la falta de transparencia, sino porque al ejecutar ese mapeo automático de usuarios se corre el riesgo de alimentar el algoritmo de toma de decisiones con posibles sesgos, heredados de los prejuicios humanos y de los artefactos de recolección ocultos en el entrenamiento data. Esto puede dar lugar a decisiones injustas o erróneas.

Para evitar este problema, los responsables de la toma de decisiones empresariales deberían alimentar estos sistemas de ‘caja trasera’ con conjuntos data más fiables, que pueden perfeccionar desarrollando su Inteligencia Causal, la comprensión de las relaciones causa-efecto entre lo que hacen sus clientes y cómo repercute en su negocio. 

Cómo funciona la inteligencia causal

La causalidad no es un concepto novedoso. Tradicionalmente, la causalidad se ha inferido utilizando pruebas A/B y análisis de semejanza entre los grupos de prueba y de control. Sin embargo, el problema de este enfoque es que cuanto mayor es el número o la complejidad de las intervenciones, más difícil resulta seleccionar grupos de control semejantes e imitadores. 

Los modelos gráficos causales, por su parte (modelos gráficos probabilísticos que codifican suposiciones sobre el proceso de generación del data), resolver este problema. Uno de los modelos gráficos causales más populares es una red bayesiana. Parece una tela de araña o una red de conexiones que revelan el efecto de cada variable sobre las demás.

(Arriba: Un ejemplo de red bayesiana que muestra cómo influyen diversos factores en las ventas)

Para explicar cómo funciona, considere una situación en la que está consolidando el retorno de la inversión en marketing. Para varias marcas de productos de gran consumo, dado que la mayoría de las ventas se producen fuera de línea, en una tienda minorista, una red bayesiana puede identificar las conexiones inter e intra entre los esfuerzos internos de marketing digital y fuera de línea, el precio, la competencia, factores externos como los mercados de materias primas, y las ventas fuera de línea. Se pueden extraer entonces tres tipos de perspectivas: 

1. Descriptivo (Por ejemplo, las reseñas de Amazon fueron directamente responsables de 10 000 EUR de ingresos incrementales).

2. Predictivo (Por ejemplo, invertir 10% más en publicidad CPM puede generar 3 000 EUR más de ingresos incrementales).

3. Prescriptivo (Por ejemplo, con el mismo presupuesto, Facebook puede recibir 30% más de inversión y la inversión en correo electrónico puede reducirse en 5%).

Identificar las relaciones causa-efecto

Y lo que es más importante, la Inteligencia Casual también ayuda a los responsables de la toma de decisiones a comprender el ‘por qué’ de su data. 

Las relaciones causa-efecto pueden ser más difíciles de detectar de lo que se piensa. Muchos analistas asumen que una relación causa-efecto se da cuando dos factores están aparentemente influidos el uno por el otro a lo largo del tiempo; ambos pueden parecer aumentar y disminuir, de manera similar. Sin embargo, se trata de un concepto erróneo. Tales tendencias pueden ser pura coincidencia, y una correlación no implica una relación causal. Es lo que los estadísticos denominan ‘correlación espuria’: no existe necesariamente. 

Es fácil caer en la trampa de identificar ‘correlaciones espurias’, y muchos responsables acaban tomando decisiones basadas en estos supuestos inexactos. Estos errores son tan comunes que el Financial Times llama a las correlaciones espurias “la criptonita” de la fiebre por la IA de Wall Street.

Sin embargo, los modelos de inteligencia causal permiten a los usuarios determinar las relaciones con mayor precisión. Al comprender cómo influye una variable en otra, los usuarios pueden entender mejor cómo y por qué han cambiado determinadas cifras o resultados, y prever (con mayor precisión) si una correlación se mantendrá o permanecerá estática.

Aplicaciones empresariales de la inteligencia causal

La necesidad de Inteligencia Causal varía según el sector, la madurez de la adopción de IA/ML y la cantidad de intervención humana que genera y valida las predicciones. Sin embargo, el proceso puede ayudar a las empresas de todos los verticales a desarrollar su comprensión de tres áreas clave:

• Retorno de la inversión en marketing (MROI)

Tradicionalmente, los profesionales del marketing han refinado su combinación óptima de medios o sus presupuestos de marketing con modelos de combinación de marketing (MMM). Suelen ser modelos macroeconómicos clásicos, podría decirse) que hacen hincapié en las correlaciones lineales entre las inversiones en canales de medios.

Esto tenía sentido cuando los profesionales del marketing consideraban que un único embudo era la verdad absoluta: un recorrido lineal del cliente desde la concienciación hasta la consideración y la compra. Pero, a medida que Según explicó Allan Thygesen, de Google, el embudo ya no existe gracias a los ‘momentos ricos en intenciones".’. No hay dos recorridos del cliente que se parezcan entre sí y los puntos de contacto pueden unirse en forma de red o telaraña. Los modelos causales pueden ayudar a las empresas a estimar el efecto de estos puntos de contacto interconectados sobre las ventas de forma escalable y sólida.

• Desarrollo de activos creativos

Muchas empresas se centran ahora en generar audience segmentados para la activación del marketing. Pero, ¿qué pasa con la creatividad que les sirven? ¿Es lo suficientemente atractiva visualmente para captar su atención?

IPG Media Brands publicó un informe en 2019 que puso a prueba el impacto de las creatividades en la eficacia de los anuncios. El estudio demostró que el tamaño, la forma, los colores dominantes primarios o secundarios y los logotipos aumentaban el CTR 2 veces de media. Las implicaciones de tal inferencia causal pueden mejorar significativamente el ROAS, así como la experiencia del consumidor a través de la exhibición de anuncios más atractivos sobre los menos atractivos.

• Medición de la promoción

Las marcas de productos de gran consumo confían a menudo en las promociones para impulsar las ventas y acercarse a los consumidores. Sin embargo, siguen midiendo el impacto de esa promoción en función de correlaciones espurias y no de relaciones causa-efecto. En su lugar, deberían establecer un examen exhaustivo de la causalidad inherente entre las necesidades del producto para determinar los efectos de “halo” y “canibalización”, por no hablar de aislar el efecto de las actividades e inversiones relacionadas con la promoción de los factores temporales.

Tres convicciones para triunfar

Aportar una mayor transparencia sobre el funcionamiento de los modelos de IA/ML y exponer las justificaciones de las predicciones realizadas por estos modelos puede ayudar a los responsables de la toma de decisiones a trazar los próximos pasos. Para empezar a implementar y generar valor incremental a partir de la Inteligencia Causal, pueden empezar ahora siguiendo tres convicciones:

1. Empiece a recopilar más información data: No se limite al data que ya tiene. Junto con todas las partes interesadas del negocio y la tecnología, defina todos los factores internos y externos que podrían influir en el rendimiento de su producto en el mercado. Entonces podrá empezar a recopilar la data y consolidar todas las fuentes de data juntas.

2. Combinar la IA/ML y la inteligencia humana: Al trazar las vías/conexiones entre los diferentes factores, se puede construir una red basándose en puras estadísticas. Pero recuerde validar y ajustar la red con las aportaciones de los principales expertos empresariales para reducir los sesgos y detectar las conexiones tabú. 

3. Mantenga a los usuarios finales y a las partes interesadas comprometidos desde el principio: La Inteligencia causal requiere mucho tiempo, dado el amplio abanico de puntos data utilizados junto con la incorporación de las aportaciones de los expertos empresariales humanos. Estas partes interesadas y los usuarios finales deben participar en el proceso desde el principio.