Posts Tagged ‘Machine Learning’

16
ago
Anticiparse a la Fuga de Clientes mediante Palancas de Retención
  • Rubén Granados
  • 1437 Views
  • 0 Comment
  • Big Data . Churn Prediction . Data Science . Fuga de Clientes . Machine Learning . Palancas de Retencion .

  Identificación y análisis de sendas de desvinculación de clientes Saber qué clientes pueden dejar de serlo ha sido el objetivo de los clásicos modelos de fuga (churn) cuyo output final consistía en una probabilidad de abandono asociada a cada cliente en determinado rango temporal. Sin embargo, una vez que sabemos que el cliente se va a ir, nos surge una pregunta: ¿Qué hacer para evitar su marcha? Incluso llegar más allá: ¿Qué hacer para conseguir que el cliente ni siquiera se plantee su marcha? Medidas preventivas de fuga de clientes en el sector bancario En Synergic Partners hemos realizado un proyecto para una de las entidades bancarias más importantes de España en el cual se responde a estas preguntas…

30
may
Mejorando la operatividad de un Call Center con Machine Learning
  • Víctor Gonzalez
  • 2537 Views
  • 0 Comment
  • Algorithms . Big Data . Data Science . Machine Learning . Procesamiento de Lenguaje Natural .

Entender a nuestros clientes y dar la mejor respuesta a sus necesidades en el menor tiempo posible es clave para aumentar su satisfacción y su engagement con la compañía. El problema comienza cuando el número de clientes es alto y nos llegan cientos o miles de mensajes al día. En esta situación tenemos dos problemas a solucionar. Primero hay que priorizar a qué mensajes le vamos a dar respuesta primero y, segundo, hay que entender qué es lo que nos dicen. Está claro que algunos mensajes serán más importantes o más urgentes que otros, y no siempre es fácil priorizar. Para facilitar esta tarea podemos servirnos de técnicas de Machine Learning que hagan parte del trabajo por nosotros. En este…

08
nov
Una Breve Historia del Machine Learning
  • Víctor Gonzalez
  • 4133 Views
  • 0 Comment
  • Big Data . ciencia de los datos . Data Science . Machine Learning .

Como miembros de la comunidad del Machine Learning es bueno que conozcamos la historia del sector en el que trabajamos. Aunque actualmente estamos viviendo un auténtico boom del Machine Learning, este campo no siempre ha sido tan prolífico, alternando épocas de altas expectativas y avances con “inviernos” donde sufría severos estancamientos. Nacimiento [1952 - 1956] 1950 — Alan Turing crea el “Test de Turing” para determinar si una máquina era realmente inteligente. Para pasar el test, una máquina tenía que ser capaz de engañar a un humano haciéndole creer que era humana en lugar de un computador.. 1952 — Arthur Samuel escribe el primer programa de ordenador capaz de aprender. El software era un programa que jugaba a las damas…

09
may
Synergic Partners participa en #RETINA2016 organizado por El País
  • Synergic Partners
  • 1136 Views
  • 0 Comment
  • Carme Artigas . digital transformation . innovación . Inteligencia Artificial . internet of things . IoT . Machine Learning .

La digitalización está cambiando tu modelo de negocio  Los días 10 y 11 de mayo, Synergic Partners participará en el evento RETINA organizado por El País en el Palacio Municipal de Congresos, Campo de las Naciones, Madrid. RETINA es un encuentro imprescindible para los profesionales llamados a liderar la transformación digital de sus organizaciones. Se trata de un foro en el que emprendedores, directivos de empresas, inversores y responsable públicos compartirán experiencias y oportunidades de negocio ligadas a las nuevas tecnologías y al nuevo entorno digital. El martes 10 de mayo, Carme Artigas dará una ponencia centrada en la Inteligencia Artificial y Machine Learning. Se habilitará una sala expositiva de contenidos de la zona de Innovación - una agenda centrada…

28
ene
XGBoost
  • Roberto Izquierdo
  • 4880 Views
  • 0 Comment
  • Kaggle . Machine Learning . XGBoost .

En la historia de las competiciones de machine learning de Kaggle suelen dominar dos técnicas: el uso de conjuntos de árboles de decisión para datos estructurados, y de redes neuronales cuando los datos incluyen imágenes o voz. Tradicionalmente Random Forest predominaba en las competiciones de datos estructurados, pero recientemente otro algoritmo ha pasado a dominar las competiciones: Gradient Boosted Trees. Al igual que RF, GBT clasifica ejemplos mediante el uso de un conjunto de árboles de decisión. En el caso de este segundo, los árboles se construyen secuencialmente, añadiendo en cada iteración el árbol que mejor compense por los errores de los árboles ya existentes. Se le llama método de gradiente porque el modelo evoluciona en dirección al menor error,…

Clientes destacados