Machine learning

Diccionario · Inteligencia artificial

Qué es el machine learning

La diferencia con el software de toda la vida está en quién escribe las reglas. En un programa tradicional alguien define qué hacer en cada caso: si el importe supera X, aplica Y. En machine learning nadie escribe esas reglas: se le dan al sistema miles de ejemplos de entradas con su resultado conocido, y él deduce qué combinación de factores lleva a cada resultado.

Eso lo hace valioso justo donde las reglas explícitas fallan: problemas con demasiadas variables como para que una persona las enumere, o donde los patrones cambian con el tiempo. Detectar fraude, predecir qué cliente va a irse, estimar demanda, reconocer una pieza defectuosa en una imagen.

Conviene situarlo frente a lo que hoy copa la conversación. Los modelos de lenguaje que usamos a diario son aprendizaje profundo, que es una rama del machine learning especializada en texto, imagen y voz. Pero la mayoría de los casos útiles en una empresa mediana no necesitan nada de eso: son problemas de predicción con datos tabulares que se resuelven con técnicas de hace veinte años, mucho más baratas y mucho más fáciles de explicar.

Qué hace falta para aplicarlo

El orden correcto empieza por el problema, no por la tecnología, y esa inversión de orden es lo que hunde la mayoría de los proyectos.

Hace falta un problema bien definido con una decisión detrás. «Queremos usar IA» no es un problema; «queremos saber qué clientes van a dejar de comprar el trimestre que viene para llamarles antes» sí lo es, porque dice qué se predice y qué se hace con la predicción.

Hacen falta datos históricos suficientes y con calidad. Aquí es donde se cae casi todo: los datos existen pero están repartidos en varios sistemas, con criterios distintos y campos a medio rellenar. Limpiar y unificar suele llevarse la mayor parte del esfuerzo de un proyecto, y no es un paso previo que se pueda saltar.

Hace falta una métrica de éxito acordada antes de empezar, porque un modelo siempre da un resultado y sin un listón previo cualquiera parece aceptable. Y conviene fijar también el coste de equivocarse en cada dirección: no es lo mismo avisar de una fuga que no iba a ocurrir que no avisar de una que sí.

Y hace falta no inventar datos. Rellenar huecos con promedios o suposiciones produce modelos que funcionan en las pruebas y fallan en producción, que es la forma más cara de descubrir el problema.

Dónde encaja en marketing

En marketing hay cuatro usos con recorrido real. La predicción de abandono, que permite actuar antes de perder al cliente. La puntuación de contactos, que ordena la lista del equipo comercial por probabilidad de compra en lugar de por fecha de entrada. La recomendación de producto, que en comercio electrónico sube el ticket medio. Y la previsión de demanda, que afecta a inventario y a cuándo invertir en publicidad.

Lo que no es machine learning, aunque se venda como tal, son las reglas automáticas de toda la vida: «si abre tres correos, márcalo como interesado». Eso es automatización, es útil y es mucho más barato. Llamarlo IA confunde a quien decide y encarece lo que no hacía falta encarecer.

Ejemplo práctico

Una empresa de suministros con suscripción quería aplicar machine learning para reducir las bajas. El primer impulso fue contratar un desarrollo a medida.

Antes se miró qué datos había: dos años de histórico de pedidos, incidencias y contactos, repartidos entre el ERP y el CRM y sin un identificador común. La primera fase fue unificar eso, que llevó seis semanas y no tenía nada de inteligencia artificial. Con los datos ya cruzados, apareció que tres señales simples —caída del pedido medio, una incidencia sin resolver y más de sesenta días sin contacto comercial— explicaban la mayoría de las bajas.

Se implantó primero una regla con esas tres señales, sin modelo ninguno, y recuperó a una parte de los clientes en riesgo. El modelo llegó después, afinó la predicción y mejoró el resultado, pero sobre un terreno ya preparado. Hacerlo al revés habría significado entrenar un modelo con datos sucios y concluir que no funcionaba.

Para qué le sirve a tu empresa

El machine learning sirve cuando tienes un problema repetitivo, datos acumulados y una decisión concreta que tomar con la predicción. Fuera de esas tres condiciones es un gasto con forma de proyecto.

La recomendación práctica es empezar por el final: elige la decisión que querrías tomar mejor, comprueba qué datos tienes sobre ella y en qué estado, y prueba primero con reglas sencillas. Si las reglas ya mejoran la situación, tienes una línea base contra la que medir si el modelo aporta algo. Y si los datos no están, el proyecto de verdad es ordenarlos.

Es como enfocamos los proyectos de servicios de inteligencia artificial: primero el caso de uso y los datos, después la tecnología, con el CRM y la analítica web como fuentes ordenadas y la automatización para que la predicción acabe en una acción. Más vocabulario en inteligencia artificial.

Conceptos relacionados

• Big data
• Algoritmo
• LLM
• Prompt
• Chatbot
• Churn
• Lead scoring

Preguntas frecuentes

¿Machine learning e inteligencia artificial son lo mismo?

No. La inteligencia artificial es el campo entero; el machine learning es la rama en la que el sistema aprende de datos en lugar de seguir reglas programadas. Y el aprendizaje profundo, que es lo que hay detrás de los modelos de lenguaje actuales, es a su vez una rama del machine learning.

¿Cuántos datos hacen falta?

Depende del problema, pero la pregunta más útil es otra: ¿tienes ejemplos suficientes de lo que quieres predecir, y están bien etiquetados? Con cien casos de algo que ocurre poco no se aprende nada, y con un millón de registros mal introducidos tampoco.

¿Compensa en una pyme?

Compensa cuando hay un problema repetitivo, con datos acumulados y una decisión clara detrás: qué cliente va a abandonar, qué pieza va a fallar, qué pedido se va a retrasar. No compensa como proyecto de imagen ni cuando el volumen es tan bajo que una persona lo resuelve mirando.