Traducción de problemas de negocio a tareas de machine learning
Contenido del curso
Modelo Predictivo
Tipos de Aprendizaje
Herramientas para IA
Ciclo de Vida ML
Ética en IA
Traducción de problemas de negocio a tareas de machine learning
Traducción de problemas de negocio a tareas de machine learning
Contenido del curso
Frank Stephano Alayza Herrera
Luis Cesar Guadarrama Jimenez
Jesus Eduardo Castillo Saavedra
Gerardo Villarreal
Rubén Fernando Palma Medina
Alexander Lopez Piñeres
Carlos Andres Prieto Garavito
MARIA TERESA PANIAGUA RIVERA
Andrea Alexandra Mora Vega
Brenda Iliana Gallegos López
jose nazate
Jesus Eduardo Castillo Saavedra
En esta clase me quedó clarísimo algo que en el mundo real de planeación de la demanda pasa muchísimo: antes de pensar en modelos, tienes que entender el problema como si fuera un paciente. ¿Qué duele? ¿Dónde duele? ¿Por qué duele?
En mi caso, trabajo con forecast semanal para cientos de artículos, y no todos “duelen” igual:
Hay SKUs muy estables donde un modelo lineal basta.
Hay otros con estacionalidad marcada donde Prophet o SARIMA funcionan mejor.
Y están los rebeldes —los de alta variabilidad y picos repentinos— donde modelos como XGBoost capturan mejor las relaciones no lineales.
Justo eso refuerza lo que vimos: no existe un “modelo mágico”, existe un modelo adecuado al problema, al tipo de datos y al comportamiento que quieres predecir. Y ese análisis previo (ETS, tendencia, ruido, estacionalidad, outliers, etc.) es literalmente el 50% del trabajo.
Problema real
Una tienda en línea quiere aumentar las ventas sugiriendo productos relevantes a cada cliente, ya que muchos usuarios entran, miran productos, pero no compran.
Traducción a tarea de Machine Learning
Datos necesarios
Recolectados del sitio web:
Métrica de evaluación
Objetivo práctico
Mostrar en la página de inicio y en correos personalizados un top 5 de productos recomendados para cada usuario. Esto aumenta la probabilidad de compra y mejora la experiencia de cliente.
Personalización de la Experiencia de Compra en Ecommerce
Problema: Una tienda en línea tiene alta tasa de rebote y baja conversión porque muestra el mismo contenido a todos los usuarios, sin importar sus intereses o comportamiento previo. Los clientes ven productos irrelevantes, lo que reduce el engagement y las ventas.
Tarea de ML: Aprendizaje supervisado de clasificación multiclase para asignar a cada usuario un "perfil de compra" (por ejemplo: cazador de ofertas, comprador impulsivo, investigador comparativo, cliente leal de marca) y predecir qué tipo de contenido personalizado maximiza su probabilidad de conversión.
Datos y Fuentes: Historial de navegación y clics, carritos abandonados vs. compras completadas, tiempo en cada página de producto, historial de compras, respuesta a emails y notificaciones, datos demográficos básicos, y estacionalidad. Fuentes: Google Analytics, plataforma de ecommerce, CRM, y datasets de Kaggle como "E-Commerce Behavior Data" o "Online Retail Dataset".
Métrica de Éxito: Precisión en la asignación de perfil, pero sobre todo tasa de conversión (compras/visitas) como métrica de negocio, y F1-Score como métrica técnica para balancear la detección correcta de cada perfil sin generar demasiados falsos positivos que muestren contenido irrelevante.
¿Qué pasa si el modelo se equivoca? El impacto es bajo-medio: el usuario vería recomendaciones menos relevantes, similar a la experiencia actual sin personalización. No hay riesgo crítico como en salud o banca, pero sí afecta ventas y satisfacción. Se mitiga con pruebas A/B continuas y un fallback a recomendaciones populares generales.
Entender el negocio es fundamental seguir es saber el problema raiz, buscar causas , buscar datos historicos, realizar las preguntas correspondientes al caso. y por ltimo que tipo de tareas se realizarian y como bordar y formulr o reformular el objetico datos y metricas
Gracias
Caso 1: Optimización de Rutas de Entrega (Logística)
Caso 2: Predicción de Demanda en Restaurantes
Caso 3: Detección de Plagio en Educación
Caso 4: Monitoreo de Salud Personal (Wearables)
Caso 5: Gestión de Inventarios en Retail
Caso 6: Clasificación de Reseñas de Productos
Caso 7: Predicción de Fallas en Electrodomésticos
Modelo de Predicción de Rendimiento Académico
Una compañia del ejército nacional, quiere mejorar los resultados operacionalse, ya que los mandos medios y subordinados no logran éxitos en las operaciones militares.
Tipo de problrema: falta de motivación y entrenamiento.
Objetivo: Predecir éxitos operacionales en base al entrenamiento y motivación.
Datos necesarios:
La traducción de problemas de negocio a tareas de machine learning implica entender el contexto y formular preguntas específicas que orienten la solución. Por ejemplo, si una empresa desea mejorar la retención de clientes, esto se traduce en un problema de clasificación donde el objetivo es predecir si un usuario cancelará su suscripción. Se requerirán datos como el historial de uso y métricas de éxito, como la tasa de retención. Este enfoque permite identificar las oportunidades donde el machine learning puede aportar valor real y evitar malentendidos sobre sus capacidades.