Deep Learning en aplicaciones empresariales: Predicción de Churn - Seguridad Mania.com - España y América Latina

Deep Learning es una técnica de Machine Learning basada en las famosas redes neuronales, donde trata de simular la forma que tiene de aprender el cerebro.

Ha demostrado su utilidad en la aplicación a problemas muy ligados a formas de conocimiento humano (lenguaje, imagenes, sonidos,...), pero ¿ Es posible aplicarlo de forma más específica en el mundo empresarial: Predicción de Churn, Estimación de Riesgo, Clustering?

Los modelos de Deep Learning se han constituido como una de las mejores soluciones para extraer conocimiento de conjuntos de datos de gran volumen. Desde datos audiovisuales hasta logs de datos extraídos de conversaciones o como resultado de la actividad de un sistema.

Hablamos de una búsqueda automática de relaciones no lineales entre conceptos estableciendo una jerarquía entre conceptos básicos y más complejos . ¿ Sería posible llevarlos a una aplicación más enfocada a negocio?.

Tenemos grandes ejemplos de éxito en ámbitos típicos de la Inteligencia Artificial: Traductores inteligentes(Google), Lenguaje natural hablado y escrito (Watson IBM), Reconocimiento de voz (Bing), Interpretación semántica (Facebook), Reconocimiento de caras (Baidu), Visión computacional (Generación de imágenes), Aplicaciones en el mundo empresarial.

En está charla sin embargo pretendemos dar una visión más de utilidad diaria de estos modelos aplicado a un problema típico al que nos enfrentamos diariamente en nuestras labores dentro de las compañías, la predicción de churn o de abandono del cliente, problema que se trata con otros modelos y con el que podemos ver las muchas ventajas que aporta Deep Learning y cómo solventar algunos de los deficis que se le atribuyen.

La fuga de clientes es definida como la pérdida de clientes debido a su movimiento hacia otros competidores. Retener a estos clientes tiene un coste sustantivamente inferior a captarlos por lo que es importante anticiparse a esta decisión y tomar medidas con precisión. Se trata de un problema supervisado en el que se han aplicado multitud de algoritmos con muy buenos resultados pero con una fuerte dependencia de la fase de creación de variables. 

La ventaja competitiva que puede aportar deep learning está en esa fase de creación en la que nos proporciona nuevas features que nosotros hemos podido obviar y además nos facilita el proceso de creación. Veremos que en base a un conjunto de datos que representan el comportamiento de los clientes a nivel de llamadas realizadas es posible mejorar considerablemente los resultados con respecto a otros modelos aplicados previamente sobre el mismo conjunto de datos y con un trabajo de creación de variables intermedio.