caso práctico
Caso práctico de machine learning para detectar fraudes en una compañía de seguros
Desafío, Contexto, Problemas por resolver
Detección de fraudes en la red comercial
Misión, herramientas y metodología
Detección de fraudes: internos, de clientes, de proveedores, sucursales asociadas...
Se detectaron patrones de fraude optimizando el coste respecto a los ingresos para cada unidad estudiada.
Resultados obtenidos
Reducción de costes derivados del fraude.
caso práctico
Caso práctico de machine learning para un software de cobro de deudas impulsado por IA
Desafío, Contexto, Problemas por resolver
Detección de comportamientos de los clientes para lograr un mayor recobro.
Misión, herramientas y metodología
Optimización de cobros con ML Python
Se detectaron las variables clave para aumentar la tasa de recuperación en clientes. Reforzándolas y mejorándolas gracias a una estrategia de mejora continua sobre los resultados del motor analítico.
También se ha segmentado a los clientes según su comportamiento. Se han integrado datos propios con datos de terceros. Se ha creado un informe BI con Tableau para mejorar el conocimiento interno y aumentar valor del producto para el cliente final.
Resultados obtenidos
Aumento de KPI de recuperación
caso práctico
Caso práctico de machine learning para un proveedor líder de soluciones de Información sobre el comportamiento de los usuarios
Desafío, Contexto, Problemas por resolver
Detección de patrones de compra y recomendadores
.
Misión, herramientas y metodología
Se detectaron patrones de compra de determinados libros, grupos... para ser aplicados en todos los países a través de la red comercial. Además de un asistente para la red comercial para entender qué necesitaban los clientes en función de su perfil.
Resultados obtenidos
Comprender a los clientes para ofrecerles justo lo que necesitan.
caso práctico
Caso práctico de machine learning para detectar fraudes en una compañía AdTech
Desafío, Contexto, Problemas por resolver
Detección de fraude en anuncios online
Misión, herramientas y metodología
Se observó que había clientes utilizando anuncios de forma fraudulenta para obtener ingresos de sus apps.
Se cruzaron datos operativos y financieros para detectar rápidamente quién cometía fraude y qué patrones utilizaba. Se utilizó Redshift, Python y Knime.
Resultados obtenidos
Reducción de costes derivados del fraude.
caso práctico
Caso práctico de machine learning en una cadena de supermercados para fidelizar a sus clientes
Desafío, Contexto, Problemas por resolver
Aumentar la fidelidad de los clientes
Misión, herramientas y metodología
Gracias a los datos de compra, se detectaron patrones para generar ofertas que aumentaron la fidelidad de los clientes.
Resultados obtenidos
Se consigue un doble beneficio, aumentar los ratios de fidelización de los clientes.
Y aumentar las ventas gracias a comprender al cliente, detectar patrones de comportamiento y optimizar las ofertas.
caso práctico
Caso práctico de machine learning en una empresa de gestión de centros deportivos para reducir el churn
Desafío, Contexto, Problemas por resolver
Reducir el número de personas que cancelan su suscripción
Misión, herramientas y metodología
Detectar patrones de churn, áreas con aumentos de churn, creación de perfiles, evaluación de clientes, recomendar acciones
Resultados obtenidos
Reducción del churn.
Se consiguen mayores beneficios entendiendo al cliente, adaptando la oferta a la demanda, entendiendo el ciclo de vida del cliente, optimizando precios/ofertas, detectando problemas en las bajas/altas.
caso práctico
Caso práctico de machine learning en una compañía aérea para gestionar ingresos con Alteryx
Desafío, Contexto, Problemas por resolver
Gestionar y optimizar los ingresos.
Misión, herramientas y metodología
Optimizar costes y aumentar los beneficios derivados de overbooking, planificación, rutas, etc.
Resultados obtenidos
Se facultó a los analistas para optimizar los costes y aumentar los beneficios derivados del overbooking, la planificación, las rutas, etc.
caso práctico
Caso práctico de machine learning en medios de radio y televisión
Desafío, Contexto, Problemas por resolver
Detección de conversaciones
Misión, herramientas y metodología
Analizar conversaciones en diferentes plataformas y redes sociales sobre los contenidos de la CCMA para detectar tendencias, ideas, noticias...
Resultados obtenidos
Mayor conocimiento de la audiencia.
caso práctico
Caso práctico de machine learning en venta de muebles al por menor
Desafío, Contexto, Problemas por resolver
Optimización de campañas de marketing.
Misión, herramientas y metodología
Detección de clientes en torno a las tiendas y qué ofertas funcionan mejor con qué tipo de clientes.
Resultados obtenidos
Mayor retorno de la inversión en marketing.
caso práctico
Caso práctico de machine learning en una empresa de servicios financieros para reducir los impagos
Desafío, Contexto, Problemas por resolver
Evitar impagos y recuperar impagados.
Misión, herramientas y metodología
Analizar patrones de comportamiento para detectar cuándo los clientes van a convertirse en deudores. Detectar qué acciones tomar para recuperar a los clientes que no han pagado.
Resultados obtenidos
Mejorar en las tasas de impago y mejor servicio al cliente.
Competencias imprescindibles del Machine Learning
Los Ingenieros de Machine Learning deben tener un conjunto completo de competencias y experiencia:
- Consultoría estratégica de data analytics y machine learning.
- Buena experiencia en Análisis de negocio
- Desarrollo, gestión e implementación de proyectos de análisis de negocio.
- Capacidad para elegir las tecnologías a utilizar y la arquitectura a implantar.
- Innovación basada en datos (productos, servicios, etc.).
- Con una amplia visión funcional y exposición de casos de uso: mejorar la oferta comercial, mejorar la captación, reducir las cancelaciones de clientes, ayudar a localizar nuevas tiendas, reducir costes, venta cruzada, venta ascendente, detección de fraudes, etc.
Otras competencias necesarias:
- Inteligencia de negocio
- Analistas de negocio
- Ventas
- Gestión de las relaciones con los socios
- Data science y machine learning
- Computación en cloud y distribución
- Desarrollo de negocio
- Gestión de relaciones
- Data engineering y DW
- Big data
Los conocimientos técnicos de un data analyst deben incluir el dominio de varias de las siguientes soluciones, infraestructuras y lenguajes:
- Snowflake · AWS · Google Cloud/AI · MS Azure · IBM Watson · Oracle · Hadoop · SAS · Splunk · Kubernetes · SAP Hana · Elastic · Salesforce
- Qlikview · Tableau · Alteryx · Trifacta . Power BI · Google Analytics
- Python · Java · R · Spark · SQL · MQL
Responsabilidades de este puesto
Responsabilidad End-to-end en la implementación de proyectos de data analytics.
Perfil muy versátil basado en necesidades reales en proyectos de data analytics, donde la clave es conseguir un impacto en el negocio alineado con los objetivos y su estrategia. Para ello es necesario comprender las necesidades del cliente (interno o externo), cómo aplicar la analítica de datos para alcanzar los objetivos marcados y cómo conseguirlo en el mínimo tiempo y coste y con el 100 % de garantías.
Retos y cuestiones importantes para ingenieros Machine learning
Los principales retos transversales para todas las empresas serían:
- Análisis de clientes (análisis de la información de los clientes): Análisis del mercado, optimización de las ventas, mejora del entendimiento/relación con el cliente y predicción del comportamiento del cliente (altas/bajas/cambios...).
- Análisis de operaciones: Análisis de la cadena de suministro (suministro, producción, gestión de almacenes, transporte y distribución en el punto de venta) y de las nuevas aplicaciones vinculadas con el Internet de las Cosas (IoT) y a los sistemas de información geográfica.
- Análisis de personas (talento dentro de la organización): Análisis para una gestión estratégica eficaz de los recursos humanos, de modo que los objetivos empresariales se puedan alcanzar con rapidez y eficacia, obteniendo un rendimiento óptimo del capital humano.