La mayoría de los Data Scientists tienen en producción modelos de Regresión Lineal o Logística, Árboles de Decisión y Máquinas de Gradient Boosting, según las encuestas de Data Science. Los modelos más complicados con métodos de Deep Learning están menos representados en la producción y se centran principalmente en la sección de Procesamiento de Imágenes de la Data Science. Sin embargo, en los últimos cinco años, el Procesamiento de Imágenes se ha adentrado en el Modelado de Series Temporales, que curiosamente comenzó hace medio siglo con George E.P. Box y Gwilym Jenkins con la Media Móvil Autorregresiva Integrada o ARIMA.

La tendencia a basarse en un único conjunto de datos que sólo cabe en la columna A de un archivo de hoja de cálculo, mientras que las demás columnas están vacías, se debe a las limitaciones de la ingeniería de características. La ausencia o el carácter incompleto de los conjuntos de datos no puede introducirse en un modelo de regresión para explicar el pasado, y mucho menos para predecir el futuro. Los modelos de series temporales intentarían ajustarse a una única serie de datos utilizando conjuntos de datos de entrenamiento y validándolos después con un conjunto de datos de prueba.
Para abreviar una historia larga y complicada, he aquí un resumen rápido de las definiciones de las llamadas redes neuronales.

Y sus pros y sus contras.

Hay mucho más aquí, pero vamos a ser breves con una implementación a continuación, eliminando una desventaja del gradiente de fuga (*) con una puntuación de precisión razonable.

Esto debería ayudarte a aplicar la Inteligencia Artificial en tu Cuadro de Mando de Operaciones Financieras, ya sea poniéndote corto en una acción, poniéndote largo en la protección de una entidad de referencia en un swap de incumplimiento crediticio o en cualquier otro instrumento financiero. Echa un vistazo a mis otros artículos.

The post Inteligencia artificial para la dirección de un instrumento financiero first appeared on Planeta Chatbot.

Pero antes cabe destacar qué es el Data Science es un tema popular entre los Directores de Ventas, los Responsables de Marketing Digital y los Jefes de Producto, pero ya se ha introducido anteriormente.

Después de la Segunda Guerra Mundial, en la década de 1950, Psicólogos Clínicos, Econometristas y Estadísticos formaron la Ciencia del Marketing como precursora del Data Science actual para estudiar la Ciencia del Comportamiento de los consumidores. Los fabricantes de automóviles, los productores de petróleo y otras empresas de posición dominante introdujeron métodos científicos en la toma de decisiones de desarrollo empresarial. El Análisis del Sentimiento del Cliente, la Modelización de la Propensión a Comprar y la Previsión del Volumen de Ventas son sólo algunos de los temas que se han analizado y debatido durante más de medio siglo.

Inteligencia Artificial es cuando algo no biológico se comporta biológicamente. Un director de ventas experimentado pronostica conceptualmente el volumen de ventas del próximo mes o trimestre como un ejemplo biológico y sustituye su análisis no biológico por un modelo de aprendizaje automático más preciso. El Machine Learning, como subconjunto de la IA, es un programa de software que procesa datos y toma decisiones repetidamente sin programación adicional, pero surgió del Aprendizaje Estadístico en la década de 1990. Décadas antes, con menos potencia de cálculo y mucha menos disponibilidad de datos, existía la Estadística Clásica, que utilizaba modelos de Regresión Lineal y Logística que definían principalmente la Ciencia del Marketing.

Hoy en día, con mucha más cantidad de datos, diferentes tipos de datos y mucha más potencia de cálculo, el Machine Learning, ha desarrollado el análisis predictivo del aprendizaje supervisado, el análisis descriptivo del aprendizaje no supervisado y la ciencia del comportamiento del aprendizaje por refuerzo, que pueden ampliarse en los tres casos al aprendizaje profundo. Por otra parte, los equipos de datos para Ventas se han involucrado muchas veces a lo largo de las décadas a medida que Data Analytics y Data Scientists han unido sus fuerzas.

Cada organización es diferente, ya que sus datos de ventas pueden variar sustancialmente. Las operaciones de venta continuas buscan un empujón de magnitud hacia mayores márgenes de beneficio… hasta un cazador de caza mayor para una única venta que cambie permanentemente el balance de una empresa durante uno o dos años. Al igual que las características de los datos pueden variar, también lo hacen los tipos de modelos, que se cuentan por docenas en Data Science hoy en día. Hay muchísimos casos de uso empresarial de Data Science para la gestión de ventas, pero he aquí una breve lista de diez.

Si tienes alguna pregunta sobre esta infografía, ponte en contacto conmigo a través de LinkedIn.

The post Inteligencia Artificial para la gestión de ventas first appeared on Planeta Chatbot.