¿A dónde nos llevará la ciencia de los datos y las ideas de la audiencia en 2020?

2020 será el año en que veremos una mayor democratización de las herramientas de aprendizaje automático y un punto de entrada más bajo para su uso. Esto hará que esta área de la ciencia de datos sea aún más común, no solo entre las principales empresas de tecnología, sino también entre las pequeñas y medianas empresas en varios mercados verticales.

Sin embargo, un aspecto que está potencialmente subestimado cuando se observan las grandes tendencias, en términos del futuro de la ciencia de datos, es en torno a los marcos de lenguaje utilizados para hacer posibles las tareas cotidianas de ciencia de datos. Hoy en día, hay dos marcos principales, R o Python (¡o en círculos de ciencia de datos más pragmáticos, ambos!). Uno es elogiado por tener las bibliotecas de sintaxis y trazado de datos más bellamente diseñadas y la otra por su expresividad y por tener las mejores bibliotecas de aprendizaje profundo disponibles en la actualidad. Sin embargo, ambos sufren ser relativamente lentos ya que son idiomas de nivel superior. Una desventaja adicional de R y Python es que ninguno de ellos fue construido con dispositivos móviles en mente. Y, si los últimos diez años son algo para pasar, los dispositivos móviles, wearables y IoT (Internet de las cosas) solo avanzarán aún más su presencia. ¿Qué deben hacer los científicos de datos en ese caso? Varios miembros de nuestro equipo de ciencia de datos en Greenlight Digital compartieron sus pensamientos sobre el uso de la ciencia de datos para el próximo año.

Swift cambiará la cara de la ciencia de datos en 2020

Hay un nuevo salvador en el horizonte: Swift. Cuando piensas en Swift, generalmente piensas en el ecosistema de aplicaciones de Apple y en las horas que pasas jugando Candy Crush en tu viaje. Swift fue desarrollado por Apple para facilitar la creación de aplicaciones y, de forma predeterminada, hacer crecer su ecosistema de aplicaciones y aumentar la retención de clientes. Swift se creó teniendo en cuenta los dispositivos móviles desde el principio; admite de forma nativa aplicaciones para iPhones, iWatches y iPads para que los desarrolladores puedan desarrollar aplicaciones de inmediato para esos dispositivos. Al combinar dispositivos móviles y los últimos desarrollos en aprendizaje automático, Swift crea una mezcla potente y prometedora. El concepto de utilizar el aprendizaje automático en móviles no es nada nuevo, por supuesto; A menudo escuchamos acerca de cómo Apple o Google están llevando la IA a los dispositivos móviles, por ejemplo, con la introducción de algoritmos Face ID que desbloquean su teléfono.

Sin embargo, lo que es diferente es el hecho de que Apple y Google han trabajado juntos para llevar a Swift uno de los marcos de aprendizaje profundo más emblemáticos, TensorFlow. Además, su enfoque al hacerlo era diferente del primer intento; No se trataba de construir un contenedor en Swift para TensorFlow, se trataba de convertirlo en el “ciudadano de primera clase”, como lo llamaban, lo que significa que los algoritmos de aprendizaje profundo se convertirían en algo común cuando se trabaja en nuevas aplicaciones. Este es un cambio de paradigma interesante para la ciencia de datos. Una ventaja adicional de Swift es que ya no solo se limita al ecosistema iOS y que fue de “código abierto” para trabajar en Linux. También hay esfuerzos para llevarlo a entornos Windows,

Si apostara por los cambios para el próximo año, sería que 1) las tecnologías móviles más avanzadas están en el horizonte y 2) las aplicaciones que usamos serán más poderosas que nunca. Por lo tanto, asumir que un lenguaje que se construyó con estas predicciones en mente obtendrá más tracción en los círculos de la ciencia de datos en los próximos años es una apuesta bastante segura.

Según estudios recientes , el 60% de los especialistas en marketing de contenido identifican la personalización como uno de los desafíos clave para su organización, mientras que se predice que las empresas que han invertido completamente en todo tipo de personalización superan en ventas a las que no lo han hecho en un 20% ( Gartner ). La segmentación de clientes se ha utilizado durante mucho tiempo para adaptar las estrategias de marketing a cada grupo de clientes de manera diferente. El marketing uno a uno lleva esto un paso más allá, aplicando estos conceptos a nivel individual, con cada cliente obteniendo su propia experiencia única.

El problema con el marketing uno a uno es su escalabilidad; Sería imposible desarrollar manualmente una estrategia individual para miles de clientes simultáneamente. Sin embargo, la Inteligencia Artificial (IA) podría usar la cantidad cada vez mayor de datos de cada usuario, aprender la forma más efectiva de apuntar a dicho usuario y tomar las medidas apropiadas. La IA ya se está implementando en varios canales. Por ejemplo, Google Ads ofrece ofertas automáticas, que utilizan IA para producir una estrategia óptima para maximizar las impresiones, los clics u otras métricas. Actualmente, estas aplicaciones tienden a ser específicas del canal, pero 2020 podría ver la aparición de más plataformas omnicanal. Esto permitiría una experiencia más completa y verdaderamente personalizada para cada cliente, entregando el contenido más relevante para ellos, a través de su canal preferido.

George German, científico de datos junior

  

 

El aumento (anticlimático) de big data

Una vez que los temas más candentes en el mundo del marketing, big data, se ha convertido en una palabra de moda sin sentido, que sirve como ruido blanco para la mayoría de la industria. Una vez prometió a los especialistas en marketing aumentos incalculables del ROI pero, hasta el momento, no ha cumplido con las expectativas. Por sí solo podría ser “el año pasado”, pero a través de los avances en el aprendizaje profundo y el auge de la ciencia de datos, se ha desarrollado un nuevo paradigma en el marketing digital: el marketing predictivo. El marketing predictivo ya ha sido calificado con el potencial de mejorar y racionalizar todos los aspectos de la canalización de marketing. Todavía se trata de extraer información de grandes cantidades de datos para predecir resultados futuros, pero con mayor eficiencia y mayores niveles de automatización.

¿Qué es el marketing predictivo?

Excavando debajo de la superficie de estas afirmaciones histéricas, el marketing predictivo es una técnica que determina la probabilidad de que una estrategia de marketing tenga éxito en función de los resultados anteriores. Sin embargo, este proceso no solo utiliza datos históricos para investigar la estrategia de marketing correcta, sino que también puede desarrollar y mejorar sus decisiones de marketing en un proceso continuo (a veces iterativo). Esta forma dinámica de “aprendizaje” es lo que realmente lo distingue de las técnicas anteriores, dando al marketing predictivo el potencial para automatizar partes de la tubería de marketing, ahorrando una gran cantidad de tiempo. El proceso de aprendizaje dinámico que sustenta cada predicción derivada del subconjunto del aprendizaje automático se llama aprendizaje de refuerzo profundo. Tanto el aprendizaje de refuerzo profundo como el marketing predictivo están en su infancia,Zona Martech .

Aprendizaje reforzado

El concepto de aprendizaje por refuerzo nació de los avances en IA, psicología animal y teoría de control. En esencia, involucra a un agente autónomo, como una persona, un perro o una red neuronal profunda que intenta navegar en un entorno incierto con el objetivo de maximizar una recompensa. Cada acción tomada en el entorno está asociada con una recompensa (si la acción es beneficiosa) o un castigo (si la acción es perjudicial), por lo que el agente aprende qué acciones vale la pena repetir en un escenario particular. Un proceso similar a cómo entrenas a tus mascotas. En el caso de las estrategias de marketing, puede diseñar un modelo de refuerzo profundo para usar cualquier KPI como la métrica para maximizar, por lo tanto, le da al vendedor la capacidad de adaptar la estrategia automatizada a las necesidades del negocio. Combinando técnicas de aprendizaje profundo con una infraestructura informática poderosa y una mayor accesibilidad a las tecnologías en la nube, los sistemas de IA internos pueden implementarse fácilmente. Entonces, ¿podría la automatización impulsada por el aprendizaje automático ser la tendencia MarTech de 2020?