Cuando pensamos en inteligencia artificial (IA) lo primero que se viene a la mente es esto:
Aunque es muy probable que un día la inteligencia artificial potencie robots autónomos, actualmente tiene aplicaciones un poco mas prácticas y menos destructivas que los Exterminadores de la película, ya sabes.
Según Wikipedia, John McCarthy acuñó en 1956 la expresión "inteligencia artificial", y la definió como: "...la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes".
Ahora, si definimos a Siri y Google Now como “programas de computo inteligente” nos damos cuenta lo incrustada que está la inteligencia artificial en nuestras vidas. Otros casos menos aparentes son el sistema de recomendación de Netflix o los autos autónomos de Tesla.
Tipos de inteligencia artificial
La IA está compuesta de seis diferentes disciplinas (Artificial Intelligence: A Modern Approach):
Procesamiento de lenguaje natural. Por ejemplo, traducción automática entre lenguajes.
Representación del conocimiento. Para plasmar el conocimiento de manera que facilite llegar a conclusiones a partir del mismo.
Razonamiento automático. Ayuda a desarrollar programas informativos que facilitan el razonamiento automático de computadoras.
Machine Learning. Para Adaptarse a nuevas circunstancias, detectar y extrapolar patrones.
Visión de Máquina. Para percibir objetos. Ejemplo el Kinect de Microsoft.
Robótica. Robots que pueden hacer acciones humanas. Como por ejemplo, caminar o manipular objetos
Machine Learning y el marketing
Hablemos específicamente del Machine Learning (ML), ya que ha demostrado, por los momentos, que es más aplicable al área de marketing.
Existen dos tipos principales de ML con dos categorías:
Aprendizaje Supervisado
- Clasificación
- Regresión
Aprendizaje no Supervisado
- Clustering
- Reglas de Asociación
Hablemos un poco de cada uno:
Clasificación: por ejemplo, si tenemos una base de datos con nombres de clientes y quisiéramos obtener la información de género. los algoritmos de clasificación nos ayudarían a obtener los datos a partir del nombre, lo que nos permitirá dirigir mejor nuestras comunicaciones vía email marketing y segmentar mejor las campañas de ads.
Regresión: cualquier tipo de empresa con datos históricos de venta podría estimar el número de ventas de un producto para los próximos meses. Esto facilitaría planificar cuales productos necesitarían mayor impulso de venta vías medios sociales y ads.
Clustering: una empresa Inmobiliaria que desea conocer el perfil de sus compradores trabajando con su data histórica. En este caso podría encontrar información muy útil como “qué tipo de cliente compran qué tipo de departamento”. Estos segmentos puede usarse para sentar la base comunicacionales a nivel copy y gráfico, así como crear audiencias para dirigir ads.
Reglas de Asociación: un supermercado podría encontrar en su data que si un cliente lleva papas y cebolla en la misma compra es probable que también lleve pan para hamburguesa. Esto ayudaría a hacer promociones de venta cruzada, recomendar artículos via email marketing.
Las capacidades del ML dentro del marketing son impresionantes. En próximos post hablaremos sobre diferentes casos de usos para áreas como retail, inmobiliaria y automotriz.