![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/11\/GettyImages-1223789411.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NOTICIAS \/ DIGITAL<\/p>\n<\/div>
7 de enero de 2021 Las soluciones de Inteligencia Artificial (IA) y Aprendizaje Autom\u00e1tico (AM) est\u00e1n ganando mucha tracci\u00f3n en las empresas. En los \u00faltimos a\u00f1os, las empresas han gastado cada vez m\u00e1s dinero invirtiendo en soluciones de \u2018caja negra\u2019 con la esperanza de desarrollar algoritmos de vanguardia que les ayuden a trabajar mejor, de forma m\u00e1s inteligente y eficiente.\u00a0<\/span><\/p>\n Considere, por ejemplo, el reciente revuelo en torno a AutoML - <\/span>Soluciones automatizadas de aprendizaje autom\u00e1tico. que son f\u00e1ciles de usar, con mayor precisi\u00f3n que los modelos ML tradicionales y un despliegue m\u00e1s r\u00e1pido en tiempo real.<\/span><\/a>. Desde que Facebook ensalz\u00f3 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.\u00a0<\/span><\/p>\n La principal ventaja de soluciones como AutoML es obvia: permiten a los usuarios desplegar r\u00e1pidamente soluciones de IA\/ML de bajo coste listas para la producci\u00f3n. Sin embargo, al igual que otros sistemas de IA de \u2018caja negra\u2019, tambi\u00e9n existen importantes defectos a la hora de utilizarlos para la toma de decisiones automatizada.\u00a0<\/span><\/p>\n Estos sistemas suelen modelar los resultados mediante el aprendizaje autom\u00e1tico, a menos que se alimenten de grandes data. Mapean las caracter\u00edsticas del usuario en segmentos espec\u00edficos (como el estado de salud o la situaci\u00f3n financiera, por ejemplo) sin explicar por qu\u00e9.<\/span><\/p>\n Esto es muy problem\u00e1tico, no s\u00f3lo por la falta de transparencia, sino porque al ejecutar ese mapeo autom\u00e1tico 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 recolecci\u00f3n ocultos en el entrenamiento data. Esto puede dar lugar a decisiones injustas o err\u00f3neas.<\/span><\/p>\n Para evitar este problema, los responsables de la toma de decisiones empresariales deber\u00edan alimentar estos sistemas de \u2018caja trasera\u2019 con conjuntos data m\u00e1s fiables, que pueden perfeccionar desarrollando su Inteligencia Causal, la comprensi\u00f3n de las relaciones causa-efecto entre lo que hacen sus clientes y c\u00f3mo repercute en su negocio.\u00a0<\/span><\/p>\n La causalidad no es un concepto novedoso. Tradicionalmente, la causalidad se ha inferido utilizando pruebas A\/B y an\u00e1lisis de semejanza entre los grupos de prueba y de control. Sin embargo, el problema de este enfoque es que cuanto mayor es el n\u00famero o la complejidad de las intervenciones, m\u00e1s dif\u00edcil resulta seleccionar grupos de control semejantes e imitadores.\u00a0<\/span><\/p>\n Los modelos gr\u00e1ficos causales, por su parte (<\/span>modelos gr\u00e1ficos probabil\u00edsticos<\/span><\/a> que codifican suposiciones sobre el proceso de generaci\u00f3n del data), <\/span>resolver este problema. Uno de los modelos gr\u00e1ficos causales m\u00e1s populares es una red bayesiana. Parece una tela de ara\u00f1a o una red de conexiones que revelan el efecto de cada variable sobre las dem\u00e1s.<\/span><\/p>\n (Arriba: Un ejemplo de red bayesiana que muestra c\u00f3mo influyen diversos factores en las ventas)<\/span><\/i><\/p>\n Para explicar c\u00f3mo funciona, considere una situaci\u00f3n en la que est\u00e1 consolidando el retorno de la inversi\u00f3n en marketing. Para varias marcas de productos de gran consumo, dado que la mayor\u00eda de las ventas se producen fuera de l\u00ednea, en una tienda minorista, una red bayesiana puede identificar las conexiones inter e intra entre los esfuerzos internos de marketing digital y fuera de l\u00ednea, el precio, la competencia, factores externos como los mercados de materias primas, y las ventas fuera de l\u00ednea. Se pueden extraer entonces tres tipos de perspectivas:\u00a0<\/span><\/p>\n 1. Descriptivo<\/b> (Por ejemplo, las rese\u00f1as de Amazon fueron directamente responsables de 10 000 EUR de ingresos incrementales).<\/span><\/p>\n 2. Predictivo<\/b> (Por ejemplo, invertir 10% m\u00e1s en publicidad CPM puede generar 3 000 EUR m\u00e1s de ingresos incrementales).<\/span><\/p>\n 3. Prescriptivo <\/b>(Por ejemplo, con el mismo presupuesto, Facebook puede recibir 30% m\u00e1s de inversi\u00f3n y la inversi\u00f3n en correo electr\u00f3nico puede reducirse en 5%).<\/span><\/p>\n Y lo que es m\u00e1s importante, la Inteligencia Casual tambi\u00e9n ayuda a los responsables de la toma de decisiones a comprender el \u2018por qu\u00e9\u2019 de su data.\u00a0<\/span><\/p>\n Las relaciones causa-efecto pueden ser m\u00e1s dif\u00edciles de detectar de lo que se piensa. Muchos analistas asumen que una relaci\u00f3n causa-efecto se da cuando dos factores est\u00e1n 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 err\u00f3neo. Tales tendencias pueden ser pura coincidencia, y una correlaci\u00f3n no implica una relaci\u00f3n causal. Es lo que los estad\u00edsticos denominan \u2018correlaci\u00f3n espuria\u2019: no existe necesariamente.\u00a0<\/span><\/p>\n Es f\u00e1cil caer en la trampa de identificar \u2018correlaciones espurias\u2019, y muchos responsables acaban tomando decisiones basadas en estos supuestos inexactos. Estos errores son tan comunes que <\/span>el Financial Times llama a las correlaciones espurias \u201cla criptonita\u201d de la fiebre por la IA de Wall Street<\/span><\/a>.<\/span><\/p>\n Sin embargo, los modelos de inteligencia causal permiten a los usuarios determinar las relaciones con mayor precisi\u00f3n. Al comprender c\u00f3mo influye una variable en otra, los usuarios pueden entender mejor c\u00f3mo y por qu\u00e9 han cambiado determinadas cifras o resultados, y prever (con mayor precisi\u00f3n) si una correlaci\u00f3n se mantendr\u00e1 o permanecer\u00e1 est\u00e1tica.<\/span><\/p>\n La necesidad de Inteligencia Causal var\u00eda seg\u00fan el sector, la madurez de la adopci\u00f3n de IA\/ML y la cantidad de intervenci\u00f3n humana que genera y valida las predicciones. Sin embargo, el proceso puede ayudar a las empresas de todos los verticales a desarrollar su comprensi\u00f3n de tres \u00e1reas clave:<\/span><\/p>\n Tradicionalmente, los profesionales del marketing han refinado su combinaci\u00f3n \u00f3ptima de medios o sus presupuestos de marketing con modelos de combinaci\u00f3n de marketing (MMM). Suelen ser modelos macroecon\u00f3micos cl\u00e1sicos, podr\u00eda decirse) que hacen hincapi\u00e9 en las correlaciones lineales entre las inversiones en canales de medios.<\/span><\/p>\n Esto ten\u00eda sentido cuando los profesionales del marketing consideraban que un \u00fanico embudo era la verdad absoluta: un recorrido lineal del cliente desde la concienciaci\u00f3n hasta la consideraci\u00f3n y la compra. Pero, a medida que <\/span>Seg\u00fan explic\u00f3 Allan Thygesen, de Google, el embudo ya no existe gracias a los \u2018momentos ricos en intenciones\".<\/span><\/a>\u2019. No hay dos recorridos del cliente que se parezcan entre s\u00ed y los puntos de contacto pueden unirse en forma de red o telara\u00f1a. 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 s\u00f3lida.<\/span><\/p>\n
\nLas empresas invierten cada vez m\u00e1s en soluciones de IA y aprendizaje autom\u00e1tico que prometen automatizar los procesos empresariales e impulsar la eficiencia. Pero para ver rendimientos reales en sus inversiones algor\u00edtmicas, los l\u00edderes empresariales primero necesitan entender las relaciones causa-efecto que impactan en el rendimiento. Esa inteligencia causal les ayudar\u00e1 a reforzar sus capacidades de IA y a mejorar su toma de decisiones, afirma Siddharth Mohan, Cient\u00edfico Senior Data<\/strong> en Artefact Pa\u00edses Bajos y Francia.<\/p>\n<\/div><\/div><\/div><\/div><\/div>C\u00f3mo funciona la inteligencia causal<\/b><\/h4>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/MROI-Offer.png\")
<\/p>\nIdentificar las relaciones causa-efecto<\/b><\/h4>\n
Aplicaciones empresariales de la inteligencia causal<\/b><\/h4>\n
\n
\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>