IA, Analytics y Data Science mejoran CX

El uso de herramientas de Analytics, Data Science y la Inteligencia Artificial están facilitando que las empresas mejoren la experiencia del consumidor por medio de algoritmos que permiten analizar comportamiento y sentimientos, prever necesidades, orientar estrategias y enseñarles a las máquinas a partir de la experiencia para una atención cada vez más humanizada. Las informaciones que los aplicativos de Data Science obtienen son utilizadas para orientar los procesos de negocios y alcanzar metas organizacionales. Pero... ¿Qué significa Data Science exactamente? Data Science es un término general que engloba recolección, almacenaje, organización, preparación y administración de datos. El objetivo es mantener grupos de datos para extraer insights que permitan orientar los procesos de negocios y alcanzar metas. Para ello, es necesario definir una estrategia de datos. Como ésta va a orientar la administración de datos en toda la organización debe prever varios factores, por ejemplo:

• Recolección: Creación de un modelo para la metodología de recogida de datos;
• Gestión: Estructuración, seguridad, integridad y actualización de las informaciones almacenadas en los bancos de datos;
• Gobierno: Administración de políticas, personas y tecnologías, de modo a estructurar los activos de información dentro de la organización;
• Acceso y control de datos;
• Privacidad y seguridad.

¿Y qué es Inteligencia Artificial? El objetivo de la Inteligencia Artificial (IA) es permitir que máquinas repliquen la inteligencia humana para comprender y actuar lo más parecido a una persona. Como el pensamiento humano funciona de acuerdo con determinadas reglas, pueden codificarse y usarse en algoritmos para enseñar a las máquinas desde la experiencia. Hay tres tipos de IA, siendo la primera ya una aplicación real, la segunda teórica y la tercera apenas un concepto: Inteligencia Artificial Estrecha (ANI) Los sistemas de IA de ese tipo hacen posible el Machine Learning - aprendizaje de las máquinas - con la ayuda de grandes volúmenes de datos almacenados como referencia para problemas futuros. Quienes se aproximan mucho al funcionamiento humano y pueden resolver cuestiones y tareas específicas. Muchas veces pueden incluso superarlo, pero apenas en un ambiente controlado con parámetros limitados. Algunos sistemas de ese tipo de IA ya son muy conocidos por los consumidores, como los asistentes virtuales. Inteligencia Artificial General (AGI) El objetivo es que tenga un nivel de cognición igual al humano en varias áreas, tales como procesamiento de lenguaje y de imágenes, razonamiento y funcionamiento computacional. Sin embargo, a pesar de ya existir, por ejemplo, supercomputadoras capaces de simular la actividad de ocho millones de neuronas y resolver cuestiones mil veces más rápido y con eficiencia 10 mil veces mayor que las CPUs convencionales, aún hay una distancia enorme en relación al cerebro humano, que tiene 86 mil millones de neuronas de 16 tipos. Súper Inteligencia Artificial (ASI) Se imagina que ésta será capaz de superar la capacidad humana en prácticamente todos los campos. Desde tomar decisiones racionales hasta hacer arte y construir relaciones emocionales. Entonces, ¿qué es el Machine Learning? El Machine Learning es un subconjunto de Inteligencia Artificial, que permite que las máquinas aprendan con la experiencia, en vez de instrucciones cerradas, para que puedan producir resultados exactos. Existen cuatro tipos de aprendizaje: Aprendizaje supervisado Es necesario entrenar al algoritmo con un conjunto específico de datos rotulados, para que éste pueda comparar los resultados con esos datos y modificar el modelo lo quitaría para ser más preciso. Aprendizaje no supervisado El algoritmo hace inferencias con base en las características de datos de entrenamiento no rotulados para encontrar estándares. Él construye una lógica para describir esos estándares y llegar a un resultado. Aprendizaje semi-supervisado El algoritmo usa un pequeño conjunto de datos rotulados para definir los demás y ser capaz de llegar a un resultado. Con ello, no es necesario rotular grandes conjuntos de datos. Aprendizaje por refuerzo En un proceso de intento y error, el algoritmo es recompensado o penalizado por las acciones que ejecuta, lo que ayuda a modelar su comportamiento futuro y dispensa la necesidad de instrucciones explícitas. Data Science, la Inteligencia Artificial y el Machine Learning trabajan en conjunto en la explotación de datos para proporcionar diversos beneficios comerciales. La Inteligencia Artificial puede ser aplicada en diversas áreas, como en el comercio de productos y servicios, en la industria, en recursos humanos e inclusive en cuidados de salud, por ejemplo:

• Redes minoristas - prever comportamientos, aumentar la oportunidad de ventas, reducir riesgos y hacer elecciones más asertivas;
• Comercio electrónico - mejorar recomendaciones para clientes, los resultados de búsquedas de los usuarios, atender por chatbot, filtrar spam y comentarios.
• Financieras - identificar buenos clientes, minimizar costos y mejorar los resultados de sus productos;
• Corredoras de seguros - lograr más previsibilidad y agilidad en las decisiones para mejorar los resultados;
• Salud - maximizar eficiencia en tareas administrativas, hacer diagnóstico asistido, monitorear señales físicas y emocionales, hacer cirugías robóticas;
• Recursos humanos - analizar datos de los funcionarios y colocarlos en los equipos correctos, atribuir proyectos con base en sus competencias, analizar currículos;

Atento usa Data Science e Inteligencia Artificial para evaluar comportamientos, sentimientos y prever las necesidades del consumidor, con el objetivo principal de mejorar su experiencia y, consecuentemente, proporcionar ventajas de negocio para las empresas.

Bruno Silveira Gardel, head de Data Science de Atento Brasil, explica que esas tecnologías - capacidades digitales presentes en las entregas de la compañía - permiten crear modelos predictivos para mejorar la eficiencia de un negocio por medio de la oferta de soluciones rápidas y más certeras a partir de la capacidad de comprensión de los sentimientos y previsión del comportamiento del consumidor, por medio del análisis y cruce de datos deconstruidos. El uso de ese tipo de capacidad digital permite aumentar la satisfacción e inclusive evitar que quejas o reclamaciones tomen una dimensión mayor, yendo a parar a un área de asuntos internos e, inclusive, hasta a un órgano regulador sectorial. Atento aplica estas capacidades en diversas áreas. Un ejemplo son los modelos de eficiencia de negocio. «Hacemos un análisis demográfico y comportamental de los clientes de ellos para definir cuál va a ser la próxima acción y mejorar la recomendación de productos, por ejemplo. Cuanto más datos existan, más eficiente será el sistema y éste también se mejora con los resultados obtenidos. El objetivo es el de entender cada vez más las necesidades de los consumidores, en qué punto de la jornada están y atenderlos cada vez más rápidamente», destaca Bruno. Otro producto es el “Estresómetro”, que evalúa el estado emocional de alguien tanto en mensajes de voz como de texto, a partir de procesamiento de lenguaje natural, del tono de la voz, del tiempo de digitación, del uso de determinadas palabras positivas y negativas, de la proximidad entre ellas, etc. De este modo, Atento logra estructurar una nueva jornada de atención con canales más adecuados, lenguaje más preciso y consistente y automación de procesos que simplifican la atención y traen mejores resultados en la relación con los clientes.