Organizaciones de todos los sectores han adoptado Qlik AutoML™ para mejorar su capacidad de toma de decisiones con la potencia del machine learning aplicado al 90% de los casos de uso que no requieren de la profunda experiencia de los científicos de datos.
El machine learning se utiliza en todos los sectores, pero su adopción y valor más amplio se han visto limitados por la falta de ancho de banda y recursos de los científicos de datos. Qlik AutoML está llenando ese vacío aportando una forma sencilla para que los usuarios y equipos de analítica de datos aprovechen esta tecnología para entrenar modelos, hacer predicciones y planificar decisiones en sus casos de uso actuales. Con Qlik AutoML, las organizaciones pueden explorar datos predictivos y probar escenarios hipotéticos directamente en Qlik Sense®, lo que les permite tener alertas y automatizaciones en las distintas acciones que se desarrollan en todo el negocio.
Organizaciones de todo el mundo están adoptando Qlik AutoML para predecir mejor la pérdida de clientes, impulsar la eficiencia, y captar y retener a los clientes mediante el modelado de resultados probables y estrategias de pivoteo basadas en predicciones. Un ejemplo es Polygon Research, que proporciona a la industria hipotecaria con inteligencia de mercado accionable. Polygon utiliza Qlik AutoML para realizar predicciones en áreas como la devolución de préstamos para ayudar a los prestamistas a realizar las intervenciones adecuadas ofreciendo opciones de refinanciación o modificación de préstamos.
«Aquí es donde AutoML brilla de verdad», afirma Greg Oliven, CTO de Polygon Research. «Se puede llegar a los préstamos individuales, ver los porcentajes de cada una de las variables y, a continuación, ver la decisión acumulada: ¿este prestatario va a pagar por adelantado o no? ¿Cuál es la predicción y cuál es su certeza?”, comenta.
Hay casos de uso comunes de AutoML en todos los departamentos de una organización: ventas (previsión/retorno/retención), marketing (valor del tiempo de vida del cliente y previsión de la demanda), finanzas (gestión del riesgo y optimización de la inversión), RRHH (retención/satisfacción/captación de empleados) o incluso la cadena de suministro (predicciones de inventario/cuellos de botella u optimización del transporte) pueden beneficiarse de mejores predicciones que impulsen un engagement proactivo.
«La analítica moderna, cuando se potencia con el machine learning, puede eliminar las conjeturas y ayudar a los responsables de la toma de decisiones a saber qué es probable que ocurra, por qué y, fundamentalmente, qué cambios influirán en el resultado», comenta Josh Good, vicepresidente de marketing de productos de Qlik. «Qlik AutoML está ayudando a las organizaciones a obtener más valor de sus datos y a empoderar a sus equipos para que miren todas las casuísticas a la hora de tomar decisiones que impacten en los resultados”, concluye.