<\/span><\/p>\n El machine learning consiste en procesar y analizar un volumen inmenso de datos con fin de hacer predicciones de comportamientos, <\/strong>especialmente para casos de uso relacionados con ventas y web. Hace unas semanas me interes\u00e9 por un curso online impartido por Amazon Web Services de forma gratuito. Ten\u00eda curiosidad por saber m\u00e1s acerca de un concepto que est\u00e1 en boca de todos \u00faltimamente, en especial a la hora de hablar de Inteligencia Artificial o de transformaci\u00f3n digital: el machine learning<\/strong>. A partir del v\u00eddeo de introducci\u00f3n del curso he podido llegar a esta definici\u00f3n del machine learning:<\/p>\n “El machine learning consiste en procesar y analizar un volumen inmenso de datos con fin de hacer predicciones de comportamientos, especialmente para casos de uso relacionados con ventas y web”.<\/strong><\/em><\/p>\n De hecho, esta definici\u00f3n coincide plenamente con una pr\u00e1ctica de Amazon, esta vez en calidad de web mundial de ventas de productos, que todos habremos experimentado: debajo del art\u00edculo que estamos a punto de comprar, el apartado introducido por la frase “Los clientes que vieron este producto tambi\u00e9n vieron”, que brinda otros art\u00edculos de posible inter\u00e9s.<\/p>\n La frase de introducci\u00f3n de esta secci\u00f3n refleja perfectamente el procedimiento llevado a cabo: Amazon recolecta millones de comportamientos de sus usuarios en cuanto a procesos de compra, los analiza con el fin de predecir los comportamientos futuros de sus clientes, y con alta probabilidad logra incrementar las ventas en la web. No cabe duda de que esta metodolog\u00eda resulta ser un arma extremadamente potente a la hora de hacer marketing dirigido, previsiones de demanda o por supuesto convertir las visitas a la web en ventas. \u00bfPero qu\u00e9 pasa si se aplica la misma estrategia para dar soporte al cliente?<\/strong><\/p>\n En el contexto de un canal de atenci\u00f3n al cliente, como puede ser un chatbot, es importante pararnos a pensar en el concepto de predicciones, que resulta poco compatible con la exactitud o la precisi\u00f3n que requiere el mundo del soporte. Si bien una predicci\u00f3n de venta recomendada no conlleva riesgos mayores \u2013 si se convierte la venta, bien, si no se convierte, tambi\u00e9n \u2013, las respuestas que se dan a los usuarios por un canal de soporte oficial de la compa\u00f1\u00eda pueden ser altamente sensibles: necesitan ser fiables, precisas y contextualizadas,tanto legal como comercialmente. El chatbot no deja de ser un canal adicional para resolver dudas sobre billetes de avi\u00f3n, comprobar aspectos contractuales de una cuenta bancaria, descargar manuales de electrodom\u00e9sticos, consultar datos de una reserva de hotel o el saldo de una l\u00ednea telef\u00f3nica\u2026<\/p>\n El conocimiento sobre la compa\u00f1\u00eda proporcionado a trav\u00e9s del chatbot no debe diferir del resto de la web ni tampoco de los otros canales de atenci\u00f3n al cliente, sean estos canales automatizados o bien gestionados por agentes humanos. Una respuesta desacertada, en especial frente a una consulta delicada, podr\u00eda tener consecuencias nefastas.<\/strong> Imaginemos un chatbot de atenci\u00f3n al asegurado, en la web de una compa\u00f1\u00eda de seguros, que a una consulta sobre mama o pecho deriva al usuario a respuestas sobre cirug\u00eda pl\u00e1stica, por ser m\u00e1s habituales seg\u00fan el machine learning, en vez de ofrecer una o m\u00e1s respuestas sobre patolog\u00edas, ginecolog\u00eda, etc. La imagen de este aseguradora resultar\u00eda da\u00f1ada debido a la poca fiabilidad del chatbot, m\u00e1s exactamente debido al uso err\u00f3neo de una metodolog\u00eda predictiva, como es el machine learning, con un prop\u00f3sito de atenci\u00f3n al usuario.<\/p>\n Adem\u00e1s, para cumplir con este prop\u00f3sito, el requisito imprescindible del machine learning es disponer de un volumen \u2013 cu\u00e1nto m\u00e1s amplio mejor \u2013 de datos hist\u00f3ricos para procesar y analizar, a partir de los cuales construir modelos de comportamiento predictivos.<\/strong> Hoy en d\u00eda, algunas macro-compa\u00f1\u00edas cuentan con estos vol\u00famenes de datos, despu\u00e9s de llevar a\u00f1os monitorizando sus canales de atenci\u00f3n y procesando la informaci\u00f3n manualmente para poder racionalizarla y clasificarla.<\/p>\n Sin embargo, la realidad es que la mayor\u00eda de las compa\u00f1\u00edas no dispone de estas trazas de actividad de sus clientes, por lo tanto no pueden beneficiarse del machine learning de forma sencilla.<\/strong> La alternativa que les queda es ir creando datos manualmente, como si fueran trazas recopiladas de usuarios, para “entrenar” un modelo de machine learning ad-hoc. Este proceso de entrenamiento es altamente promovido por numerosos proveedores de chatbot, hasta tal punto que se ha creado la falsa creencia de que la \u00fanica manera de implementar un chatbot es entrenando el sistema manualmente, durante meses, con cuantas m\u00e1s iteraciones mejor \u2013 siendo las iteraciones muchas maneras diferentes de expresar la misma intenci\u00f3n.<\/p>\n Cultivan este mito aquellos que no cuentan con tecnolog\u00eda de Procesamiento del Lenguaje Natural para eludir la falta de datos previos. Asimismo, la creaci\u00f3n manual de datos para encajar con modelos de machine learning implica un esfuerzo colosal para las compa\u00f1\u00edas<\/strong>, que se traduce tanto en una dilataci\u00f3n del time-to-market del proyecto como en una desilusi\u00f3n para con la Inteligencia Artificial.<\/p>\n Por el contrario, un proveedor capaz de utilizar el Lenguaje Natural permite solventar las dos problem\u00e1ticas que supone el machine learning para un chatbot de atenci\u00f3n al cliente: por un lado no requiere de vol\u00famenes extensos de datos, por otro se basa en la ingenier\u00eda ling\u00fc\u00edstica para ofrecer respuestas sem\u00e1nticamente relevantes, contextualizadas y altamente fiables.<\/strong><\/p>\n Esto no significa que el machine learning sea una aproximaci\u00f3n malvada sino m\u00e1s bien que no siempre es el enfoque m\u00e1s adecuado seg\u00fan qu\u00e9 caso de uso. Si bien para potenciar las ventas en la web con recomendaciones parece ser la metodolog\u00eda m\u00e1s indicada \u2013 y con \u00e9xito demostrable \u2013, para algo tan sensible como un chatbot de atenci\u00f3n al cliente, es probable que peque de desacierto y de falta de precisi\u00f3n, desventajas que acaban perjudicando la imagen de las compa\u00f1\u00edas. Apostar por el procesamiento del Lenguaje Natural, en cambio, permite garantizar la fiabilidad del chatbot, pues de la compa\u00f1\u00eda, as\u00ed como favorecer un time-to-market \u00e1gil y la confianza de las empresas en la Inteligencia Artificial.<\/strong><\/p>\n Frente a este panorama, la aproximaci\u00f3n ideal podr\u00eda consistir en juntar lo mejor de cada mundo: confiar plenamente en el Procesamiento del Lenguaje Natural como tecnolog\u00eda principal del chatbot de soporte al usuario, y al mismo tiempo recurrir a algunas funcionalidades propias del machine learning para cumplir determinados prop\u00f3sitos, como por ejemplo analizar las interacciones de los clientes para sugerir nuevos contenidos para la base de conocimiento, o bien a partir de las estad\u00edsticas de clickthrough adaptar la interfaz para mejorar la experiencia de usuario.<\/p>\n Laurie Reynaud, Pre-Sales Engineer de Inbenta<\/strong><\/em><\/p>\n<\/p><\/div>\n![\"data\"](\"https:\/\/super-news.info\/es\/wp-content\/uploads\/sites\/4\/2019\/08\/1566017755_30_Chatbot-de-soporte-y-machine-learning-un-buen-match.jpg\")
<\/span><\/p>\n