Cuando la gestión de búferes no resulta: Cómo evitar el sesgo en los modelos de toma de decisiones con IA

Los especialistas en marketing recurren a la toma de decisiones con IA para obtener el mayor aumento posible en sus KPI, tanto si se centran en impulsar los ingresos, las ganancias, el valor de duración del ciclo de vida del cliente, o cualquier otra métrica crítica. Pero si ciertos parámetros no están bien configurados, el modelo de IA no funcionará como está diseñado y no aprovechará todo su potencial para ayudar a las marcas a maximizar su impacto en los resultados.

Uno de los factores que marcan una gran diferencia al desarrollar la toma de decisiones con IA son los datos históricos que tu equipo proporciona (o no) para entrenar el modelo.

Si le das los datos equivocados, lo más probable es que acabes incluyendo un montón de información irrelevante, obsoleta o inviable desde el punto de vista computacional, y el modelo de IA no entregará resultados.

En otras palabras, todo se reduce a la gestión de búferes.

¿Qué es la gestión de búferes?

La gestión de búferes tiene muchas aplicaciones diferentes, pero en el contexto de la toma de decisiones de la IA, la gestión de búferes gobierna qué información se utiliza (y cuál no) para entrenar los modelos de IA.

La toma de decisiones con IA se basa en un tipo de aprendizaje automático llamado aprendizaje por refuerzo que aprende de las acciones que realiza el modelo y de los resultados de esas acciones.

El administrador de búferes define las ventanas de aprendizaje pertinentes ,o búferes, de ahí el nombre de gestión de búferes. Especifica cuándo los agentes de marketing de la IA deben aprender de las decisiones tomadas en el pasado, ya sea durante la semana pasada, el mes pasado o el año pasado.

Suena bien. ¿Cómo elijo el búfer adecuado para mi negocio?

Dependiendo del tipo de caso de uso de marketing que se esté considerando para la toma de decisiones con IA y del tiempo que se tarde normalmente en desarrollar información significativa para ese tipo de campaña, podría ser más apropiado un periodo de aprendizaje o un búfer más corto o más largo.

Por ejemplo, los modelos de IA pueden necesitar semanas para aprender sobre procesos complejos o a más largo plazo, como qué factores impulsan a los clientes a hacer compras de mayor valor o qué implica la aprobación de una tarjeta de crédito. Necesitan mucho menos tiempo para reunir información sobre qué ocurre realmente con las compras impulsivas.

Las temporadas y otros factores externos también pueden influir en cuán largo o corto debe ser un búfer.

Tomemos el caso de un comercio minorista que tiene temporadas predecibles en las que salen a la venta distintos tipos de productos. Si esa marca quiere que la IA aprenda suficiente información sobre cada temporada, necesitaría un búfer de al menos uno o dos años para reunir la cantidad adecuada de datos históricos que guíen al modelo en la dirección correcta.

Mientras tanto, para las marcas en las que las temporadas predecibles no es un factor, un búfer más corto podría tener más sentido.

¿Qué ocurre cuando eliges el búfer equivocado? Existe la posibilidad de introducir sesgos en la toma de decisiones con IA.

Estaría bien que los agentes de aprendizaje por refuerzo pudieran averiguar por sí mismos cuál es la mejor ventana. Puede que algún día lo hagan, pero de momento el búfer tiene que estar predefinido y configurado en el motor. Con el tiempo, las empresas pueden aprender, mediante la experimentación constante del modelo, si la ventana que se ha establecido es la cantidad de tiempo adecuada.

Cuando el búfer o la ventana de aprendizaje no están configurados para el periodo de tiempo ideal (ya sea demasiado corto o demasiado largo), eso puede introducir un sesgo e influir en las conclusiones a las que llegue el modelo de inteligencia artificial. Esto puede tener consecuencias imprevistas en el funcionamiento de la tecnología de toma de decisiones con IA.

El sesgo en la IA es una expresión que se utiliza mucho, pero en este contexto significa que el modelo de IA está aprendiendo algo equivocado. Como resultado, tendrá menos impacto o mejorará menos los KPI de marketing deseados por la marca.

Como ejemplo de lo que puede salir mal, imagina que un servicio de streaming establece su ventana en 30 días. El modelo aprenderá lo que pueda de los clientes que interactúen con el contenido en ese plazo de treinta días. Los agentes no pueden tener en cuenta las publicaciones fuera de esa ventana y, por tanto, podrían pasar por alto datos fundamentales, sesgar los resultados y construir hipótesis incorrectas.

Los productos de autoservicio para la toma de decisiones con IA tienen dificultades para comprender los matices de los tiempos de búfer. Para que las marcas obtengan beneficios reales y tangibles de la toma de decisiones 1:1, hace falta experiencia altamente especializada.

De acuerdo, la gestión de búferes es algo importante. ¿Cómo me aseguro de que mi plataforma de toma de decisiones con IA ofrece las capacidades adecuadas de gestión de búferes?

Para los especialistas en marketing que estén evaluando distintas plataformas de toma de decisiones con IA, aquí dejamos algunas consideraciones importantes en relación con la gestión de búferes.

1.¿Puedes ajustar el búfer a la ventana de tiempo que tenga más sentido para tu negocio y tu caso de uso específico?

Muchas soluciones de IA para la toma de decisiones suelen ofrecer ventanas móviles estándares de 365 días para todos los casos de uso. Nuestra plataforma, BrazeAI Decisioning Studio™, por otra parte, es altamente configurable, no sólo para establecer la ventana de búfer adecuada, sino para todos los aspectos de la toma de decisiones con IA.

Ese nivel de personalización puede suponer una gran diferencia en lo que respecta al rendimiento del marketing. Por ejemplo, podría dar lugar a resultados muy diferentes en los mismos KPI. Es un orden de magnitud, porque si te equivocas en el diseño de los casos de uso, las decisiones de la IA no van a rendir.

2. ¿Puedes hacer pruebas A/B con diferentes estrategias de aplicación de búferes para ver qué ventana de tiempo entrega mejores resultados?

Dentro de la plataforma de toma de decisiones con IA de Braze, las marcas pueden realizar pruebas A/B sobre sus estrategias de aplicación de búferes y ver qué ventana de tiempo acaba impulsando más los aumentos.

3. ¿Puedes volver a entrenar el modelo utilizando datos históricos?

Por ejemplo, BrazeAI Decisioning Studio™ puede reentrenarse basándose en datos históricos, lo que es importante para las organizaciones que operan en un entorno dinámico, como las marcas de servicios financieros, donde los factores externos pueden alterar drásticamente la naturaleza del negocio. Teniendo en cuenta las tasas actuales, podría ser un buen momento para impulsar la apertura de cuentas corrientes, pero en otro trimestre las cuentas corrientes podrían convertirse rápidamente en una cuenta perdedora. La capacidad de retener la IA a partir de los datos históricos adquiere mayor importancia.

Si una marca acaba trabajando con una plataforma de toma de decisiones con IA que no ofrezca esta capacidad, puede que tenga que reiniciar el periodo de aprendizaje del modelo desde cero o quedarse bloqueada en lo que el modelo ha aprendido sobre lo que impulsa los clics o las conversiones, aunque lo aprendido ya no sea relevante.

Si estás preparado para dejar que la toma de decisiones con IA guíe decisiones de marketing más inteligentes para tu marca, echa un vistazo a BrazeAI Decisioning Studio™ y descubre cómo podemos ayudarte a conseguir que tu búfer de toma de decisiones con IA sea el adecuado para alcanzar tus KPI de marketing más importantes.