Las redes neuronales se utilizan para hacer predicciones, elaborar estrategias y reconocer tendencias. A diferencia de otros algoritmos, que pueden organizar datos o procesar números, estas aprenden de la experiencia como los humanos. Entonces ¿Qué relación tienen las redes neuronales y el marketing?
Nuestro cerebro procesa información y luego llega a una conclusión. No siempre lo hacemos bien al principio pero a través de prueba y error, nosotros, y también las redes neuronales artificiales comenzamos a obtener mejores resultados. Por lo que si aplicamos esto a un proceso de marketing y ventas llegaremos a conclusiones de forma más rápida y ordenada
¿Cómo funciona una red neuronal?
- Se basan en una idea sencilla: dados unos parámetros hay una forma de combinarlos para predecir un cierto resultado.
- El problema es que no sabemos cómo combinarlos.
- Las redes neuronales permiten buscar la combinación de parámetros que mejor se ajusta a un determinado problema.
- La siguiente figura muestra un ejemplo de modelo neuronal con n entradas, que consta de:
- Un conjunto de entradas x1,…xn.
- Los pesos sinápticos w1,…wn, correspondientes a cada entrada.
- Una función de agregación, Σ.
- Una función de activación, f.
- Una salida, Y.
Ejemplo:
El primer perceptrón detecta si el riesgo multiplicado por menos uno es mayor que menos cinco.
Si lo es, entonces su salida es uno. Al multiplicarla por menos diez en la entrada del segundo perceptrón, forzará siempre un no invertir.
Si el riesgo es menor de 5, la salida del primer perceptrón será 0 y no afectará en la decisión de invertir.
Entrenamiento (Backpropagation):
- Para conseguir que una red neuronal realice las funciones deseadas, es necesario entrenarla.
- El entrenamiento de una red neuronal se realiza modificando los pesos de sus neuronas para que consiga extraer los resultados deseados.
- Para ello lo que se hace es introducir datos de entrenamiento en la red, en función del resultado que se obtenga, se modifican los pesos de las neuronas según el error obtenido y en función de cuánto haya contribuido cada neurona a dicho resultado.
Algoritmos para los procesos de entrenamiento (Algoritmos neuronales):
Hemos de tener en cuenta que el número de parámetros con los que se hace el entrenamiento es considerablemente elevado incluso en redes relativamente pequeñas (por ejemplo, una red con 5 datos de entrada, una sola capa oculta de 10 neuronas, y 2 datos de salida, dispone ya de 82 pesos que ajustar, por lo que la búsqueda se haría en una espacio de dimensión 82), así que cualquier suposición inicial que ayude a reducir la complejidad de esa tarea será de gran ayuda.
Aplicación en los negocios:
En el mundo de los negocios la aportación de las redes neuronales artificiales, ya sea a nivel estratégico, táctico u operativo, es extremadamente valiosa, precisamente por su importante contribución a la analítica predictiva que se pone de manifiesto:
- En la construcción de modelos explicativos, que ayudan a explorar conjuntos de datos en busca de variables o grupos de variables pertinentes.
- En su capacidad para aproximar cualquier función continua, haciendo posible que el analista no necesite tener ninguna hipótesis sobre el modelo subyacente.
- Realizar predicciones con bastante aproximación.
- Clasificación por muestreo.
Avances en los últimos años:
- Mejores algoritmos de optimización basados en gradientes.
- Aparición de librerías específicas para manejar estas redes desde un punto de vista computacional por medio de hardware específico que permite el paralelismo.
- Manipulación de redes de mayor tamaño (más profundas y anchas, y por tanto con muchos más parámetros) y con estructuras más flexibles, y realizar computaciones más largas (más pasos de entrenamiento) sobre conjuntos de datos considerablemente más grandes.
Estos avances toman cuerpo en lo que hoy se conoce como Deep Learning (que es simplemente el nuevo nombre comercial-académico que se le ha dado al campo de las Redes Neuronales para diferenciarlo de la aproximación clásica).
Los grandes las usan:
- Google con Street View: crearon una red neuronal convolucional que lograba una precisión del 96% a la hora de reconocer números de calle en las imágenes que hacen sus coches.
- Mountain View: las usaron para mejorar el reconocimiento de voz de Android o para ahorrar electricidad en sus centros de datos.
- AI Plagiarism: red neuronal usada en los colegios y universidades para detectar que los trabajos, escritos, ensayos y “papers” de investigación no sean copia de otros autores.
El problema que se tiene con la investigación de mercados tradicional es que es lenta, y, dependiendo de las características del estudio, costosa y con resultados no siempre confiables; incluso, en la determinación de la muestra a encuestar siempre se maneja un margen de error y un nivel de confianza.
Las redes neuronales en el marketing nos permite tomar decisiones más inteligentes sobre qué acciones elegir y a qué canales asignar más recursos. Basadas en datos concretos y no guiados por nuestra intuición.
Ventajas:
- El resultado obtenido es altamente confiable en relación con los modelos de regresión lineal.
- Los márgenes de error son mínimos en los resultados arrojados.
- Se pueden aplicar las neuronas artificiales tantas veces como se desee en diferentes problemas.
- Tienen tolerancia a fallos; aunque se haya dañado la red neuronal, se mantiene, si no toda, una parte importante de la información acumulada.
- Rapidez en la obtención de resultados.
Casos de uso:
- Predicción de consumo de ciertos productos.
- Determinación del precio más recomendable a ciertos segmentos de mercado.
- En la selección del mercado idóneo para la venta del producto(s).
- En la asignación de cuotas de ventas.
- Predecir el comportamiento de los consumidores.
- Segmentación y detección del público objetivo.
- Recuperar clientes perdidos entendiendo sus intereses.
- Crear y comprender segmentos de compradores más sofisticados.
- Automatizar tareas y campañas de marketing.
- Crear y curar contenidos.
- Hacer predicciones de ventas digitales con mayor precisión.
- Modelos de determinación de precios.
- Combinación de procesos de distribución logística con ventas digitales.
- Lanzamientos de nuevos productos.
Ejemplo:
Casi todas las webs cuentan con formularios para dejar los datos y capturar leads.
Todos estos leads tienen que ser considerados clientes potenciales y por lo tanto debemos atenderles como se merecen. No obstante, no todos ellos tendrán el mismo interés o intención de compra, además, en el caso de aquellos que realmente quieran comprar/contratar, no todos será rentables.
Se podría diferenciar cuales serán potenciales clientes y separar aquellos que realmente sean rentables, esto facilitaría mucho la atención comercial y el cierre de oportunidades.
Entrenamiento del modelo neuronal: Los datos son fundamentales en este caso, ya que representarán como se han comportado los clientes históricamente, y por lo tanto podemos sacar un patrón de comportamiento común (o por segmento). Se trata de ajustar, de forma matemática una función de distribución en la que consigamos reducir el error, y la distribución de dichos puntos.
Algunos grandes las usan:
Por ejemplo, Microsoft utilizó la red neuronal BrainMaker para ajustar su campaña de correo masivo, aumentando su tasa de respuesta del 4,9% al 8,2%.
¿Cómo?
La red analizó datos asociados a 25 variables como los productos recientes comprados, la fecha de la primera compra y el tiempo transcurrido entre el lanzamiento de un nuevo producto y el anterior.
Enviaban emails en función de cómo iban aperturando y evolucionando estos. La red neuronal se entrenaba en función de las aperturas.
