Aprendizaje de Máquinas e

Inteligencia de Clientes
Nuevo paradigma en los
Daniel Olivares M
•
•
•
AMP Ese Business School
Magister en Finanzas, Universidad de Chile.
Ingeniero Comercial, Universidad de Valparaíso
Negocios

BUSINESS INTELLIGENCE AND MACHINE LEARNING SOLUTIONS

• HOW MUCH DATA WAS GENERATED
IN INTERNET PER MINUTE

YEAR 2012

• With 2.1 billion people connected to

the Web…
YEAR 2015
 YEAR 2016…

If we take youtube videos

The growth is a almost 8
times in 4 years, i.e.,

Approximately doubles
every 2 years

with 3.4 billion people

connected to the Web…
UN POCO DE CONTEXTO…

Datos Almacenados por Personas,

Empresas, Gobiernos, Organismos
Públicos, Cosas!
YEAR 2020

Datos Almacenados por Personas,

Empresas, Gobiernos, Organismos
Públicos, Cosas!

Ahora intensificado por COVID-19

YEAR 2021
Data Storage Cost

Source: http://www.cacharti.com/?p=51

8
Moore’s Law

9
GPUs vs CPUs

10
UN POCO DE CONTEXTO…
 Ubiquity of Sensors – IoT. Sensors de I Orden ; Sensors de Segundo Orden Generación de data continua

https://youtu.be/aqbKrrru2co
12
http://gierad.com/projects/supersensor/
 Generación de data continua incluso en arquitectura

https://taett.cl/2022/03/02/inteligencia-artificial-nlp-arquitectura/ 13
UN POCO DE CONTEXTO…

“Sensorizing” (Sensoreando)

14
UN POCO DE CONTEXTO…
 “Data is the new Petrol” (Rotella, 2012)
1. Volumen
2. Variedad
3. Velocidad
4. Veracidad
5. Valor

Social Media & the Internet Traditional BI

(Company) Data Sensors &
Machine Learning Internet of Things

Hadoop

1. Volume
2. Variety
3. Velocity
4. Veracity
5. VALUE
BIG DATA: BIG QUESTIONS
• ¿Cómo podemos extraer valor de negocios (hacer sentido) de estas
toneladas de datos (no estructurados)?

• Machine Learning – Data Mining

• Deep Learning

• ¿Dónde almacenamos y procesamos estos datos?

• Data Lakes (Hadoop Eco-Systems)
• Data Warehouse (OLAP)
• Cloud Providers
17
DATA ANALYTICS
DATA MINING
Colección de técnicas de análisis
con el objetivo de descubrir
patrones y reglas sobre grandes
volúmenes de datos
MACHINE LEARNING
Campo de la IA que permite a
computadores aprender una tarea
sin ser explícitamente
programada para ello, a través de
la inducción de ejemplos.
Gato Gato Gato Es un
Gato?
DEEP LEARNING
Sub-área de Machine Learning que
permite extraer atributos y
relaciones entre ellos
especialmente en data no
estructurada.
Gato
 Machine Learning / Data Mining

• En ciencias de la computación el aprendizaje automático o aprendizaje de máquinas (del

inglés, "Machine Learning") es una rama de la inteligencia artificial cuyo objetivo es desarrollar
técnicas que permitan a las computadoras aprender.

• De forma más concreta, se trata de crear programas capaces de generalizar comportamientos

a partir de una información suministrada en forma de ejemplos.

https://deepmind.com/blog/alphago-zero-learning-scratch/
Machine (Deep) Learning – Time Line

SVM: Support Vector Machine

 MACHINE LEARNING - APLICACIONES
• Marketing Online y Dirigido:
• Recomendaciones
• Segmentación
• Análisis de Clientes (Influyentes, Prospectivos)

• Análisis del mercado de valores

• Predicción y Análisis variables de interés: dólar, tasas, inflación,
…
• Relacion directores vs Ratios operacionales
• Minería de texto – Noticias, Hechos escenciales

• Predicción de Impagos

• Cobranza y Riesgo de Mercado

• Detección de fraude

• Predicción de Fuga (Móviles)

• Análisis de imágenes
• Minería de sonido – Call Centers
• Analisis de contactabilidad
TIPOS DE ML
Machine Learning

Unsupervised Supervised Semi-Supervised Reinforced

Data
Representation & Association Clustering Classification Regression
Transformation

Reduction
logistica
/ Augmentation

logistica
multinomial

Text mining / Deep Learning

NLP
Extraction / Data
Sentiment Recurrent -
Entity Classification POS Tagging Topic Discovery Analysis Convolution Representation
Recognition Sequence
/ Generation
SUPERVISED LEARNING Training Set
Label Example
• Humano prove una base de datos
This is a cat
con ejemplos de la tarea a ser
aprendida

This is a cat
• Estos ejemplos están etiquetados
• La máquina debe aprender la
relación existente entre las variables
This is a dog de entrada y las etiquetas provistas
por el humano

This is a dog 𝑌 = ℎ(𝑋, 𝜃)

Y : variable de salida (etiqueta)
Testing Set X : variables de entrada
Label Example h : relación a descubrir
What is this? θ : parámetros a descubrir

What is this?
 UNSUPERVISED LEARNING
• Un conjunto de datos es proporcionado por el humano
• La máquina necesita descubrir "patrones interesantes" en el
conjunto de datos. No se proporcionan etiquetas u otra información

• Los tipos de "patrones interesantes" son:

• Co-ocurrencia o secuencias de eventos (correlación / causalidad?)

• Similitud de valores en filas o columnas (Agrupación - Agrupación)

• Extracción / descubrimiento de nuevas características que nos

permiten detectar otras relaciones lineales o no lineales que son
"evidentes" *
• * ... una vez que se aplica alguna transformación (dimensionalidad) del conjunto
de datos original (espacio)

• Descubrimiento de las propiedades estadísticas subyacentes de los

datos (distribuciones de probabilidad, generación de datos)
¿Pero qué hacemos con la data
No Estructurada?
• Textos
• Emails
• WhatsApps
• Twitts
• Posts
• Likes
• …
• Fotos
• Videos
• Audios

• Etc…
Deep Learning –
Aprendizaje
Jerarquizado
• La falta de estructura en la data puede ser entendida
como una falta de “atributos” para hacer análisis.
• En esencia, el Deep Learning es un sub-conjunto
especializado del Machine Learning que permite:
• Extraer (encontrar-crear) estos atributos desde datos
no estructurados
• Encontrar representaciones jerárquicas y relaciones
entre estos atributos
• Encontrar patrones locales y globales entre estos
atributos
• Ocupar estos atributos, patrones y sus relaciones
para analizar, predecir, y clasificar nueva data
(modelar)
Encontrando Atributos de una Cara

• Contornos • Ojos
• Pelo ondulado • Mujer
• Pelo
• Sombras • Boca
• Sin barba
• Brillos • Pómulos altos
• Nariz
• Sonrisa
• Cejas
Traducción automática de textos, generación automática de subtítulos

Some Deep Learning Applications

Detección de objetos, personas, temáticas en fotos y videos

 Este “X” no existe
https://thispersondoesnotexist.com/

https://deepjazz.io/
http://www.subsubroutine.com/sub-subroutine/2016/11/12/painting-like-van-gogh-with-convolutional-neural-
networks
ML IN BUSINESS APPLICATIONS

MODELAMIENTO DE VARIABLES CLAVE

PERFILACIÓN Y RECOMENDACIÓN

EXTRACCIÓN Y VISUALIZACIÓN DE DATOS MONITOREO Y CONTROL

MINERÍA DE TEXTO
MINERÍA DE IMÁGENES

37
 Request and Complaints
“Estimados, favor indicar cuál es el conducto regular para solicitar el
cierre de mi cuenta vista con ustedes, dado que por darle uso el día de
hoy me descontaron $7.011 por concepto de mantención, cobro que me
parece demasiado alto y hace que deje de ser atractivo para mí usar su
producto. Quedo atenta a su respuesta. Saludos, Rosa Álvarez.”
High
Price Churn Intentions

Multiple Incident
Deceptive Pricing

“Esta es la tercera o cuarta vez que hago el mismo reclamo. Tengo un

PAC y se me indicó que no me cobrarían mantención de la cuenta
corriente lo cual no se ha cumplido. En sucursal Punta Arenas me
atendió el ejecutivo José Rodríguez y hace 4 meses espero respuesta y
nada. Ahora solo necesito que me indiquen que debo hacer para cerrar
la cuenta corriente por incumplimiento de lo acordado. Gustavo
Manzo Nota: espero que me respondan”
Wait for Service

Deceptive Pricing
Churn Intentions
 High
Churn Intentions Deceptive Pricing Multiple Incident Wait for Service
Price
Detect API:
- Landmarks
- Attributes (Gender, Age, Emotions, Health, Glasses, etc.)
How can Manchester United predict fan engagement in
social media platforms using AI?

Dr Mohamed Zaki and Dr David Diaz

Object analytics show that some image features influence engagement
rate
Caption Analysis
A group of men playing a game
of football
Logo
Logo: Manchester
United F.C
Confidence Score: Tags
96%
'person', 'soccer', 'grass', 'sport', 'field',
'game', 'player', 'ball', 'group', 'front',
'standing', ', 'young', 'match',, 'team',
'wearing', 'uniform', 'people', 'holding',
'crowd’
Celebrities:
Name: Marcus
Rashford
Score: 99% Domination
Ratio between the face
width and head height

Face features Face Height: 35

Face Width: 71
Skin status, eye position Fhwr: 0.49%
,Beauty, face quality Rotated face ratio: 0.56%

• Our AI model processed images and extracted many features such as object tags (e.g., people, outdoor, abstract,
dark), face features (e.g., skin status, eye position, beauty), celebrity names, players dominance, and face
emotions.
• Images that have abstract, dark, text, text signs, sky cloud and outdoor road, indoor courts) features have a
negative correlation with the engagement rate.
• In contrast, images that have features such as a group of people and crowd have a positive correlation with the
engagement rate.
 Algunas comparaciones y
proyecciones

• A este paso, aproximadamente hacia el año 2060 las redes deep learning tendrán la misma
cantidad de neuronas que un ser humano
• Hoy tienen aproximadamente la misma cantidad de neuronas que una Abeja - Rana
51
 Aprendizaje de Máquinas e
Inteligencia de Clientes
Nuevo paradigma en los
Daniel Olivares M
•
•
•
AMP Ese Business School
Magister en Finanzas, Universidad de Chile.
Ingeniero Comercial, Universidad de Valparaíso
Negocios

BUSINESS INTELLIGENCE AND ANALYTICS ENGIN415/02