Analítica web

Técnicas de análisis de datos e IA

CONTENIDO
1. Introducción

2. Robots semánticos: crawlers

3. Web semántica

4. AI Growth Hacking

5. Resumen

6. Bibliografía

Introduccción
A través de la analítica web, se analiza con mucho más
detalle los resultados de las acciones de marketing sobre
el site con el objeto de tomar decisiones más acertadas
sobre la web para:
• Optimizar el sitio web para vender más o captar
más clientes.
• Mejorar las acciones de marketing.
• Identificar a la audiencia correcta y conectar con ella.
Pero no se analizará de una manera tan simplista.
En un entorno empresarial cada vez más competitivo, el
principal objetivo es crecer y crecer de forma inteligente.
El growth hacking se ha convertido en una estrategia
esencial, sin importar el tamaño de la empresa.
El growth hacker debe conocer muchas técnicas,
entre ellas el SEO, ya que sin posicionamiento no hay
crecimiento. Pero sobre todo, debe ser creativo, lo único
que de momento los programas, por muy inteligentes
que sean, no pueden hacer. Y automatizar al maximo el
resto de tareas.
El growth hacking es una disciplina que busca, con el
mínimo gasto y esfuerzo posibles, incrementar de forma
rápida y notoria el volumen de usuarios, o impactos, de
las empresas para convertirlos en ingresos.
Si se trata de multiplicar la eficiencia del growth hacker y
de sus acciones, es necesario que aproveche al máximo
su conocimiento para automatizar y hacer inteligentes sus
acciones, de forma que pueda dedicarse a la creatividad,
más que a tediosas y laboriosas tareas que pueden ser
muy bien manejadas por robots y arañas software.
Los growth hacker se basan en la analítica web para conocer
el estado y evolución real de las campañas que se llevan a
cabo, las cuales se realizan para potenciar y mejorar el
posicionamiento de las páginas web que gestionan, y poder
evaluar de este modo si las acciones contempladas dentro
de las mismas han tenido el efecto esperado.
El concepto o definición de analítica web hace referencia
a la disciplina del marketing online encargada de la
extracción y estudio de información relevante sobre el
estado y evolución de un proyecto online para, de este
modo, tomar las decisiones oportunas en cada momento
y poder evaluar el éxito de las mismas.
Esta disciplina es aplicable a cualquier tipo de página
web, ya sea un ecommerce, una página para una empresa
de servicios, un blog o revista online, un foro, etcétera.
De hecho, es una de las claves para el éxito de una
página web hoy en día, algo que los expertos saben
bien, si bien, es condición necesaria pero no suficiente.
Atraer tráfico, en contra de lo ampliamente extendido,
supone un incremento de los costes de infraestructura.
Por consiguiente, aplicar inteligentemente a quien atraer,
es labor imprescindible.
Analítica web | 3
Desde KNOWDLER se prefiere manejar el concepto click x
sales, dirigir con las herramientas inteligentes a un cliente
a la compra en el mínimo número de clicks. Por eso, su
claim es ‘lo que te gusta te encuentra’. Es la economía de
la eficiencia, de la atención. Evitar que el usuario pierda el
tiempo buscando las películass que quiere ver con sus
amigos, o navegando por buscadores infinitos. ¡El tiempo
medio de búsqueda de una película es de 30 minutos!
Es decir, lo que suele durar un episodio medio.
La analítica web consiste en extraer y analizar la
información mediante herramientas de analítica para,
de este modo, extraer conclusiones y tomar decisiones.
Algo que los robots hacen fenomenalmente.
Para ello, lo primero es determinar qué tipo de
información es la más relevante para analizar el proyecto,
la cual puede variar en función de las necesidades y
objetivos establecidos para el mismo. Seleccionar dicha
información de forma inteligente sí marca la diferencia.
La variables a medir y analizar, se denominan KPI o key
performance indicators (en castellano, indicadores clave
de rendimiento) y hacen referencia a distintos aspectos
que influyen de manera directa e indirecta sobre el
adecuado funcionamiento de las estrategias y acciones
llevadas a cabo.
Por ejemplo, si el objetivo de las estrategias planteadas
es la captación de tráfico, no se utilizarán necesariamente
los mismos KPI que cuando el objetivo de la estrategia de
marketing online, está dirigida a la mejora de la conversión
(de visitas en leads) en el sitio web o la fidelización de
los consumidores.
Esto se debe a que se analizan diferentes cuestiones en
cada caso, y la información será más relevante, o menos,
en función del objetivo que se pretenda o persiga en
cada caso. Lo importante pues es atraer al usuario para
conocerle mejor, y así, optimizarle su tiempo. Cuanto mejor
se conozca su perfil, mayor probabilidad de acertar en lo
que se le recomienda y en acabar con una venta.
Por eso, es imprescindible que la estrategia contemple
la dualidad de analizar para aprender, sino, se invertirán
muchos recursos en una cuestión de suerte. Si solo
se enfoca en el análisis: del análisis a la parálisis.
Por consiguiente, es necesario que la estrategia de
análitica web se concentre en cómo cada medida debe
ser reconducida para mejorar la sigueinte interacción
con el objetivo de optimizar y minimizar el número de
accesos para lograr una venta.
Uno de los elementos que se ha añadido al motor de
inteligencia artificial colectiva de KNOWDLER es el
motor de motivación. La frase ‘no hay decisión correcta
sin la motivación adecuada’ llevó a mejorar el sistema
mediante un motor que conociera mejor al usuario,
de forma que se pudiera acertar cuando está más
motivado. No es lo mismo el día de San Valentin para
alguien que acaba de iniciar un romance que quien ha
roto con su pareja. Si al último se le recuerda el día de
los enamorados, se conseguirá un efecto negativo frente a
la campaña. Y así innumerables ejemplos.

Cabe insistir que medir y analizar la estrategia es
primordial en cualquier tipo de negocio que se enfrente.
Sin medir ni analizar las acciones propias, no se puede
descubrir cuáles han sido los fallos, en qué aspectos
se puede mejorar, o qué procesos no han sido óptimos.
Todo este análisis se vuelve indispensable si el negocio
o la empresa es digital.
Los 3 los KPI (key performance indicators) esenciales
en la analítica de un modelo de negocio son: tasa de
conversión, las fuentes de tráfico y el ticket medio.
La tasa de conversión o CR, Conversion Rate por sus
siglas en inglés, es el porcentaje de usuarios que
realizan una acción específica ya sea realizar una
compra, una descarga, un registro o una reserva. La
tasa de conversión se obtiene como resultado de dividir
el número de objetivos conseguidos entre los usuarios
únicos que visitan la web.
Pero para llegar a eso, se tiene que presupuestar todos
los planes de negocio incluían dos costes, el CAC, Coste
de adquisición del cliente, cuanto se invierte en captar un
cliente (aquel que paga por los servicios no por visitas), y
el CFC, coste de fidelización de cliente, cuanto se invierte
en matenerlo. El Churn Rate, es otro parámetro esencial,
coeficiente de perdida de clientes. Depende del sector, pero
cuanto más alto es el churn rate, más competitivo es el sector
y más se debe invertir en fidelizar.
La tasa de conversión es uno de los KPI clave de
rendimiento en un negocio, y más de un e-commerce ya
que muestra de una manera clara cómo va el negocio,
por esta razón, este indicador debe ser monitorizado
y evaluado constantemente para, así, determinar las
variaciones en la consecución de los objetivos, vender,
tomar las medidas oportunas y reformular las estrategia
por seguir para conseguir los objetivos propuestos.
Los estudios afirman que la tasa de conversión media
razonable es de entre un 1 % y un 3 %, es decir, de cada
100 personas que entran en una web, entre 1 y 3 personas
realizan la acción que se desea. Pero, realmente, si la
acción en ventas llega al 1 %, es ya un gran ratio.
Un punto importante para aumentar la tasa de conversión
es realizar un análisis exhaustivo de las conversiones,
para ello se debe definir objetivos y embudos de
conversión en Google Analytics, para así poder conocer
el comportamiento de los visitantes en la web, y tener un
plan estratégico de cómo lograrlo. Atraer no es suficiente.
Una vez obtenidos los resultados del análisis de
conversiones y conociendo el comportamiento de los
visitantes, se podrá realizar acciones encaminadas a
aumentar el número de objetivos conseguidos, y, así,
aumentar la tasa de conversión.
Si se deja a una IA que se encargue mediante técnicas de
ML y otros mecanismos, no sólo se mejorarán la tasa de
decisiones, sino que el sistema irá mejorando de forma
convergente las decisiones.
Analítica web | 4
Robots semánticos:
crawlers
A los crawlers también se les llama indistintamente:
rastreadores, spiders, arañas, bots o robots, así que
no es de extañar encontrarse con alguna de estas
denominaciones cuando se investiga sobre el tema.
Aunque suene muy crítico, el 95 % de las empresas
que dicen hacer crawling (descargar datos de internet)
trabajan con softwares comerciales de scraping.
Esto consiste en entrar en una página web y descargar
una serie de datos estructurados o no estructurados
contenidos dentro del mismo dominio o URL.
Web scraping es el proceso de recopilar información de
forma automática de la web. Es un campo con desarrollos
activos, compartiendo un propósito en común con la
visión de la web semántica. Utiliza soluciones prácticas
basadas en tecnologías existentes que son comúnmente
ad hoc. Existen distintos niveles de automatización que las
existentes tecnologías de web scraping pueden brindar:
• ‘Copiar y pegar’ humano: algunas veces, incluso
las mejores técnicas de web scraping no pueden
reemplazar el examen manual de un humano, y,
a veces, esta puede ser la única vía de solución
cuando el sitio que se tiene en mente pone ciertas
barreras para prevenir que se creen softwares para
realizar tareas automáticas en este.
• Uso de expresiones regulares: una posible vía para
extraer información de páginas webs pueden ser las
expresiones regulares, aunque comúnmente no se
recomienda utilizarlas para parsear el formato HTML.
Protocolo HTTP: páginas webs estáticas y dinámicas
pueden ser obtenidas haciendo peticiones HTTP al servidor
remoto utilizando sockets, etc.
• Algoritmos de minería de datos: muchos sitios
webs tienen grandes colecciones de páginas
generadas dinámicamente a partir de una base
de datos. Datos de la misma categoría aparecen
usualmente en páginas similares mediante un
script o una plantilla. En la minería de datos, un
programa detecta estas plantillas en un contexto
específico y extrae su contenido.
• Parsers de HTML: algunos lenguajes, como
XQuery y HTQL, pueden ser utilizados para parsear
documentos, recuperar y transformar el contenido
de documentos HTML.
• Aplicaciones para web scraping: existen muchas
aplicaciones disponibles que pueden ser utilizadas
para personalizar soluciones de web scraping. Estas
aplicaciones podrían reconocer automáticamente la
estructura de cierta página o brindar una interfaz al
usuario donde este pudiera seleccionar los campos
que son de interés dentro del documento. De esta
forma, no es necesario escribir manualmente el
código para realizar estas tareas.

• Reconocimiento de información semántica:
las páginas que son analizadas podrían incluir
metadatos o cierta información semántica como
anotaciones o comentarios, los cuales pueden ser
usados comúnmente. Si estas anotaciones están
en las mismas páginas, como sucede con los
microformatos, estas podrían ser de utilidad cuando
se parsea el DOM del documento. En otro caso, las
anotaciones, organizadas en una capa semántica,
son almacenadas y manejadas de forma separada
desde otras páginas, por lo que los scrapers pueden
recuperar estos esquemas y las instrucciones desde
esta capa antes de analizar los documentos.
De estos actores, una parte importante se dedica a este
mismo trabajo sobre páginas web con derechos de
propiedad intelectual, por lo que además de tener poca
complejidad técnica, en muchos casos, es una actividad
de dudosa legalidad.
Crawling, del inglés gatear, consiste en la descarga de
información de forma masiva para posteriormente
indexar el contenido de un conjunto de páginas web
no estructuradas. Hacer esto tiene una elevadísima
complicación técnica y no existen softwares comerciales,
más allá de las herramientas de Google, que lo realicen de
un modo profesional. De hecho, una parte muy importante
de la gente que de verdad hace crawling acude a common
crawl (un proyecto donde actores comparten una base de
datos con índice de una versión de internet relativamente
actual y exhaustiva), o a Google.
Figura 1. Arquitectura CLOUDEDWE. Semántica de KNOWDLE. Fuente: elaboración propia.
Analítica web | 5
La mayor diferencia, se podría decir, es que el scrapping
conoce qué datos y de dónde han de ser extraidos de
una fuente de datos, sea web o no, mientras que la araña
va aprendiendo de la estructura y determinando cómo
extraerlos. Lo más recomendable es que el robot semántico
esté asociado ya al modelo de conocimiento y semántico
que quiere comprender y extraer el conocimiento.
KNOWDLER es un crawler que extrae conocimiento, es
decir, extrae datos, y los convierte en un evento cognitivo
semánticamente correcto, antes de pasarlo al motor de
inteligencia colectiva.
El pipeline con multiples fuentes recoge datos y los
convierte en conocimiento, pero al ser de diferentes
fuentes, hace que la interpretación de dichos datos ya
sea muy diferente que otros sistemas (figura 1).
Inicialmente, se extrae la información descriptiva mediante
los robots y se compara con los perfiles de los usuario.
Un contenido puede ser calificado de misterio por un
experto, pero la audiencia puede percibirlo de otra forma.
Por eso, es muy importante para mejorar el ratio de
conversión que la tecnología que se utiice cruce la
percepción de multiples fuentes de opinión con multiples
perfiles (figura 2).
Es más facil que un amante del café compre un café
despues de comer, o que un amante de la cerveza tome
una caña de cerveza bien fria en un día muy caluroso
de verano, a que se le ofrece lo mismo a personas
que no les gusta.

¿Cuantas cocacolas se podrían vender a un pepsicola
adicto? Más bien ninguna, pero si se sabe que le gusta el
té, será facil ofrecerle un Nestea.
Figura 2. Robots y afinidad semántica. Fuente: elaboración propia.
La mayoría de los sistemas aplican técnicas de clustering
estáticas etiquetando los contenidos de forma estática,
pero no consideran que los clientes no son siempre
los mismos, ni están siempre del mismo humor o
sensibilidad, ni con las mismas personas (figura 3).
Figura 3. Robots y afinidad semántica. Fuente: elaboración propia.
Pero hay muchos factores adicionales para tener en cuenta
que la inteligencia colectiva y KNOWDLE consideran.
Por ejemplo, la calidad de la fuente, no todos los periódicos
o críticos deben ponderar igualmente su opinion.
La tendencia política de un crítico o de un períodico debe
matizar su opinión. Y así numerosos parámetros.
No basta coger la nube de tags de una sola fuente, incluso
no es suficiente considerar la nube de tags de multiples
fuentes. Se debe saber interpretar todos estos datos, y
eso requiere mucha contextualización si se busca que las
decisiones y los ratios no sean como hacer trampas en el
solitario, algo que la mayor parte de las empresas hacen.
Analítica web | 6
Web semántica
La World Wide Web o simplemente web como
comúnmente se la denomina, tiene su origen en el
año 1989, en los laboratorios del CERN, por tanto, y al
contrario de lo que generalmente se cree, la web no fue
un invento americano, sino europeo. El padre de la web
fue Tim Berners-Lee, quien en 1990 completó el primer
servidor web y el primer cliente, para al año siguiente
publicar el primer borrador de las especificaciones del
HTML y del protocolo HTTP (figura 4).
Figura 3. Semantic Web -XML2000. Architecture. Fuente: Tim Ber-
ners-Lee. http://www.w3.org/2000/Talks/1206-xml2k-tbl/slide11-0.html
Durante la segunda mitad de los años 40 y los años
60 del siglo pasado, comenzaron a desarrollarse
proyectos que buscaban que la información contenida
en un archivo fuera más fácilmente accesible al usuario,
mostrándole una serie de enlaces en los que pudiera
encontrar la información que buscaba. Estas actividades
de investigación fueron el origen del hipertexto.
Mientras estos proyectos se desarrollaban, en 1964, el
proyecto ARPA consiguió conectar ordenadores de cuatro
universidades diferentes. A partir de ahí empezaron a
desarrollarse los primeros estándares para conseguir el
intercambio de información a través de Internet.
Tim no incorpora al WC3 la web semántica hasta
inicios de 2004. Es entonces cuando los trabajos de
DARPA como KQML o KIF cobran verdadera relevancia.
Para comprender los grandes avances del WC3, hay que
conocer los avances que el Knowledge-Sharing Effort,
patrocinado por Advanced Research Projects Agency, Air
Force Office of Scientific Research (AFOSR), Cooperation
for National Research Initiative (NRI), y la National Science
Foundations (NSF), para desarrollar la infraestructura
técnica y las estipulaciones para permitir el intercambio de
conocimientos entre sistemas inteligentes. Eso permitió
rápidos avances sobre XML en la web semántica.

El lenguaje de manipulación y consulta de conocimientos,
o KQML, Knowledge Query and Manipulation Language,
es un lenguaje y protocolo para la comunicación
entre agentes de software y sistemas basados en el
conocimiento. Fue desarrollado a principios de la década
de 1990, y tenía como objetivo desarrollar técnicas para
construir bases de conocimiento a gran escala que sean
compartibles y reutilizables. Aunque originalmente se
concibió como una interfaz para sistemas basados en
el conocimiento, pronto se reutilizó como un lenguaje de
comunicación del agente.
El trabajo sobre KQML fue dirigido por Tim Finin de la
Universidad de Maryland, Condado de Baltimore, y Jay
Weber de EITech, y contó con las contribuciones de
muchos investigadores.
El formato y el protocolo de mensajes KQML se pueden
utilizar para interactuar con un sistema inteligente, ya
sea mediante un programa de aplicación o mediante otro
sistema inteligente. Los "facilitadores de comunicación" de
KQML coordinan las interacciones de otros agentes para
apoyar el intercambio de conocimientos. Los sistemas de
prototipos experimentales admiten ingeniería concurrente,
diseño inteligente, planificación inteligente y programación.
Otro de los protocolos que más puede aprovecharse
en web semántica es KIF, Knowledge Interchange
Format (KIF), es un lenguaje diseñado para permitir que
los sistemas compartan y reutilicen información de
sistemas basados en el conocimiento. KIF es similar a
los lenguajes de frames como KL-One y LOOM, pero a
diferencia de ese lenguaje, su función principal no está
destinada a ser un frame para la expresión o el uso
de conocimientos, sino más bien para el intercambio
de conocimientos entre sistemas. Los diseñadores
de KIF lo compararon con PostScript. PostScript no
fue diseñado principalmente como un lenguaje para
almacenar y manipular documentos, sino más bien
como un formato de intercambio para sistemas y
dispositivos para compartir documentos. De la misma
manera, KIF está destinado a facilitar el intercambio de
conocimientos entre diferentes sistemas que utilizan
diferentes lenguajes, formalismos, plataformas, etc.
KIF tiene una semántica declarativa. Está destinado a
describir hechos sobre el mundo, en lugar de procesos
o procedimientos. El conocimiento se puede describir
como objetos, funciones, relaciones y reglas. Es un
lenguaje formal, es decir, puede expresar declaraciones
arbitrarias en lógica de primer orden y puede apoyar
razonadores que pueden probar la consistencia de un
conjunto de declaraciones KIF. KIF también admite el
razonamiento no monótono. KIF fue creado por Michael
Genesereth, Richard Fikes y otros participantes en el
esfuerzo de intercambio de conocimientos de DARPA.
Aunque el grupo KIF original tenía la intención de
someterse a un organismo de normalización formal,
eso no ocurrió. Desde entonces, se ha desarrollado
una versión posterior llamada Common Logic para
su presentación a ISO, y se ha aprobado y publicado.
Una variante llamada SUO-KIF es el idioma en el que se
escribe la ontología combinada superior sugerida.
Analítica web | 7
Una aplicación práctica del formato de intercambio de
conocimientos es un lenguaje de comunicación de agentes
en un sistema de agentes múltiples, muy importante en
los desarrollos actuales de la IA de KNOWDLE.
AI Growth Hacking
La realidad es que aún no hay muchos casos de estudio
ni soluciones de cómo aplicar IA, al tema que presente, y
no hay especial inconveniente para ello.
Por datos no será, y existen las herramientas. Hay tres
líneas iniciales:
• Descubrir Insights. Es casi seguro que los datos
analíticos ocultan información clave que puede
mejorar las ventas. La IA es la mejor aliada
cuando se trata de descubrir estos conocimientos.
Sobretodo si se decide semantizar. Esto se debe a
que los humanos a menudo no tienen la habilidad
o la velocidad para encontrar estos conocimientos
en conjuntos de datos a escala. Se pueden
conseguir respuestas a preguntas sobre sus datos
de Google Analytics. Analytics Intelligence de
Google Analytics aplica el sofisticado aprendizaje
automático del gigante tecnológico a sus datos
de Google Analytics. Basta con escribir una
consulta en lenguaje natural: ‘¿Qué canal tuvo la
tasa de conversión más alta?’ - y la IA de Google
proporcionará una respuesta en segundos después
de analizar sus datos. Keyence hace lo mismo, pero
para todos sus datos comerciales. Con Keyence,
simplemente se introducen los datos y se hacen
preguntas sobre los problemas comerciales que se
quisieran resolver. Luego, el sistema genera planes
y estrategias para lograr el mayor impacto.
• Descubrir información sobre fuentes de datos.
Adobe Analytics utiliza IA para analizar sus datos
analíticos de una variedad de fuentes. Esto le brinda
una imagen coherente de lo que está sucediendo
en su marketing, sin importar cuántos canales
utilice. A continuación, el aprendizaje automático
de Adobe analiza y visualiza los conocimientos de
estas fuentes de datos.
• Predecir resultados. La inteligencia artificial no solo
está diseñada para analizar grandes conjuntos de
datos. Sobresale en hacer predicciones basadas en
ellos. De hecho, casi todo lo poderoso que hace la IA se
basa en la predicción de alguna manera. Comprender
y predecir qué harán sus competidores a continuación.
Crayon monitorea más de 100 tipos de datos de
Internet para rastrear lo que hacen los competidores
en línea. Eso incluye todo, desde cambios de
productos y precios hasta campañas de marketing
reales que están lanzando. Luego, la inteligencia
artificial de Crayon muestra información sobre
estos datos, para ayudarlo a obtener una ventaja
competitiva y predecir lo que harán los competidores
a continuación. Predice lo que quiere la audiencia.

Helixa ayuda a Crayon a producir perfiles detallados
basados en los intereses de la audiencia, la
demografía y la psicografía. Eso incluye datos
sobre consumidores en general, audiencias de
redes sociales e influencers dentro de la industria.
Helixa puede hacer esto gracias a una inteligencia
artificial sofisticada capacitada en la investigación
actual del comportamiento humano, y expuesta a
datos demográficos y censales.
• Unificar los datos. Analizar todos los datos en un
solo lugar unificado, también es un trabajo que la
IA hace bien. De hecho, los sistemas de inteligencia
artificial pueden unificar los datos de sus clientes a
través de fuentes de origen. También puede unificar
sus datos de sistemas a los que históricamente
era difícil acceder, como datos de seguimiento de
llamadas y análisis.
- Unificar los datos de los clientes de fuentes
propias. BlueConic "libera" sus datos propios de
todas las fuentes dispares que existen y luego los
unifica para que pueda utilizarlos en sus esfuerzos
de marketing. Esto da como resultado una vista
única del cliente, sin importar cuántas fuentes de
análisis esté utilizando. Una vez que sus datos
están unificados, BlueConic utiliza modelos de
aprendizaje automático para ayudarlo a obtener
más valor de esos datos, incluida la creación de
puntajes de clientes y la construcción de una
segmentación sofisticada.
- Unifique los datos y análisis de seguimiento
de llamadas. Invoca ofrece una plataforma de
análisis y seguimiento de llamadas impulsada por
IA que ayuda a conectar las ventas del centro de
llamadas con las actividades de marketing en una
visión unificada. Eso incluye cerrar el ciclo de la
atribución, generar audiencias y enrutar llamadas
de manera dinámica.
En KNOWDLER IA, el algoritmo de Inteligencia Artificial
Colectiva hace todo esto de forma semantizada, lo que
proporciona inferencias colectivas inesperadas y muy
disruptivas. Es un campo en pleno desarrollo y que dada
su complejidad y dinamismo requiere herramientas muy
potentes. Sobre todo, cuando la computación cuántica esté
disponible, el análisis de múltiples escenarios en muy poco
tiempo permitirá un salto importantísimo en este campo.
Analítica web | 8
Resumen
La mayor parte del tiempo se tiene el sindrome de Diogenes
Data. Un afán por recolectrar datos por almacenarlos.
Con un buen mecanismo semántico y un modelo cognitivo
como el de KNOWDLER, los datos se pueden borrar para
almacenar solo el conocimiento. Cada dato es procesado
en tiempo real, modifica el mapa cognitivo y se borra.
La analítica web requiere de un buen diseño y de una
estrategia bien definida. Se quiere analizar para mejorar
las decisiones, predecir escenarios y mejorar las ventas
optimizando los costes.
Los ratios deberían ser indicadores de rectificación
de las decisiones, algo que la IA y el ML pueden hacer
muy facilmente.
No cabe duda de que la IA se irá integrando cada vez
más en la práctica del marketing y ello permitirá a
las empresas reducir los tiempos de los procesos e
interactuar con los clientes a escala, incluso en tiempo
real. Las tareas analíticas serán cada vez menos
importantes, pero se necesitará más intuición y empatía,
la creatividad de momento no estará en la IA y el criterio
humano seguirá siendo necesario para que la IA pueda
progresar hasta el punto de aportar sabiduría.
Para incorporar la IA de forma beneficiosa para las
organizaciones, los empleados y los clientes, es esencial
diseñar una estrategia esmerada, saber gestionar el
talento e introducir incentivos al desempeño.
Bibliografía
1. Arpirez J., Lozano Tello A. and Pinto S. “Reference
Ontology and (Onto)2Agent: The Ontology Yellow
Pages”, Knowledge and Information Systems, An
International Journal, Springer- Verlag, 2 (2000) 4,
387-412. Mar. 2000.
2. Berners-Lee T., Hendler J. and Lassila O, “The
Semantic Web”, Scientific American, Volume 284,
Number 5 (May, 2001), pages 34-43.
3. Corcho O., Gómez-Pérez A. “A Roadmap to Ontology
Specification Languages”. EKAW 2000 pp. 80-96
4. Gruber T. ,“Toward Principles for the Design of Ontologies
Used for Knowledge Sharing” Technical Report KSL- 93-
04, Knowledge Systems Laboratory, Stanford University,
CA, 1993. [Gru93b] Gruber T., “A Translation Approach
to Portable Ontology Specifications”, Knowledge
Acquisition, 5 (2), 199-220, 1993b.
5. Studer S, Benjamins R., and Fensel D., “Knowledge
Engineering: Principles and
6. Gómez-Pérez A., Methods”, I Jornadas de Ingeniería
Web’01 Data and Engineering, 25, 161-197, 1998.