Esta es la primera de una serie de publicaciones sobre el uso Aprendizaje automático y métodos de optimización para mejorar el rendimiento de los mercados. Por nuestra propia experiencia, sabemos que hay muchas maneras de mejorar un mercado mediante el aprendizaje automático, y una buena implementación de estos sistemas puede aportar una gran ventaja competitiva.

Pero antes de profundizar en los recovecos de cualquiera de estos problemas y soluciones, haremos una breve introducción a cada uno de ellos. Después de leer esta publicación, se sentirá cómodo explicando qué es un Marketplace es decir, cuáles son los Mercados de tres caras y cómo Aprendizaje automático puede mejorar todos sus aspectos.

¿Qué es un mercado de tres lados?

Marketplace es un término que ha estado circulando desde hace un tiempo, pero ¿qué es exactamente? Piense en algunas de las nuevas empresas que cobraron relevancia en esta década: Uber, Airbnb, Amazon, DoorDash. ¿Qué tienen todas en común? Además del hecho de que todos lo son centrado en la tecnología, también son mercados.

Mercados se centran en conectar a los vendedores con los clientes, guiados por una experiencia seleccionada ofrecida por el propietario del mercado (en este caso, cualquiera de las empresas mencionadas anteriormente). A diferencia de una empresa tradicional, los propietarios del mercado no son propietarios de ninguno de los vendedores, sino que se centran en ofrecer a ambas partes involucradas la mejor experiencia posible.

Estos mercados llegaron para quedarse y crecen más y más cada año, teniendo un crecimiento del 15% en 2019 y creciendo aún más durante la pandemia.

Ofrecer una gran experiencia a un mercado no es fácil y, a veces, puede resultar incluso más difícil cuando intervienen más partes. Por ejemplo, un negocio de entrega de comida con mensajeros sería Mercado de tres caras: clientes pedir comida a un restaurante y se les asigna un mensajero eso lleva la comida a su puerta.

Mercados de tres caras incorpore a un nuevo actor, que recibirá una compensación monetaria por completar la experiencia entre el cliente y el vendedor. Los mercados tradicionales tienen muchas posibles optimizaciones empresariales, y si se basan en tres aspectos, ¡ganamos aún más interacciones que optimizar! ¿Qué queremos decir con esto?

Por ejemplo

Vamos a presentar un ejemplo para mostrar una posible Mercado de tres caras: supongamos que tenemos una plataforma de entrega de libros donde clientes buscar y comprar libros, librerías ofrecen sus catálogos y cuando se compra un libro lo empaquetan para mensajero para recoger. El ejemplo podría ser sobre libros, comida o muebles, todos ellos tendrían oportunidades similares para mejorar sus negocios.

¿Y qué podemos mejorar exactamente? Hay que ofrecer la mejor experiencia posible a las tres partes implicadas en función de sus intereses. Es posible que los usuarios deseen recomendaciones para libros que puedan disfrutar en función de su historial de búsqueda o de compras anteriores. Las librerías podrían beneficiarse de un previsión de demanda de cuántos pedidos llegarán en los días siguientes, a fin de abastecerse de un título especialmente solicitado u organizar sus horas de trabajo en función de cuándo llegue la mayor parte de la demanda. Mientras tanto, ofrecemos a las empresas de mensajería horarios y beneficios en función de demanda/oferta les permitiría ganar más dinero. Aquí es donde Aprendizaje automático viene a ayudarnos optimizar cada uno de estos lados del mercado.

Cómo encaja el aprendizaje automático en el panorama

El término Aprendizaje automático está en todas partes hoy en día, pero a menudo se malinterpreta. La verdad es que se trata de una aplicación de Inteligencia Artificial capaz de crear sistemas que mejoran automáticamente con la experiencia. Esta experiencia introducida en el algoritmo es simplemente dato, y hay mucho de eso si tu plataforma tiene varias transacciones a lo largo del día.

Estas previsiones nos permiten tomar decisiones inteligentes para optimizar en cada lado del mercado. Lo mejor es que lo mismo predicción podría tener múltiples usos: tener un tiempo de preparación aproximado para un pedido permite al usuario saber cuándo llegará el pedido a su puerta, pero también puede servir como una de las muchas entradas posibles para una mejor logística, ya que asigna el servicio de mensajería correcto a ese pedido o lo envía justo a tiempo para evitar llegar demasiado tarde o demasiado pronto.

Tener buenas predicciones para optimizar el mercado se traduce en un menor costo operativo, un producto más rápido y nuevas oportunidades que de otro modo no existirían. Estas son algunas de las maneras Aprendizaje automático puede ayudar a su empresa.

Previsión de demanda

Conocer la demanda para un día u hora específicos te permite planificar con antelación: asegúrate de tener suficientes existencias, presupuesto o horas de trabajo para gestionar la demanda de tus clientes. Cuando no puedes ver el futuro, un previsión de demanda es la segunda mejor opción. Con los métodos de pronóstico, es posible obtener una predicción de la cantidad de demanda que tendrá en cualquier unidad de tiempo. En nuestro ejemplo de mercado de libros, con un previsión de demanda las librerías tendrían una estimación del número de libros que se pedirán ese día, lo que les permitiría preparar sus existencias para que todos los clientes pudieran comprar su libro. También les ayudará a saber cuántos empleados necesitarán a bordo para empaquetar todos esos pedidos.

Lo mejor es que los datos que necesita tener para una previsión decente son bastante simples: la cantidad de demanda que tenía en el pasado. Métodos de aprendizaje automático se encargará de encontrar buenas estimaciones basadas en estos datos históricos. ¡Cuanto más específicos sean sus datos, mejor! No es lo mismo saber que has recibido cien pedidos un jueves que saber que has recibido 100 pedidos un día lluvioso El jueves de la semana anterior Navidad. Esta información adicional que consumirá el modelo se denomina características, y le permite mejorar su precisión.

Así es como una trama de previsión de demanda por lo general se ve así. Tenga en cuenta que el pronóstico no siempre es correcto, podría debajo de o sobre predice para una hora determinada del día. Pero, ¿qué pasa si es realmente importante para mi empresa que nunca predecir de forma insuficiente ¿mi demanda? Por ejemplo, prefiero tener un exceso de existencias en lugar de dejar que los clientes se vayan sin haber comprado. Lo bueno es que Aprendizaje automático lo tiene cubierto: se puede añadir una lógica empresarial como esta al sistema para fomentar las predicciones excesivas o insuficientes y obtener un resultado que sea más útil para su situación empresarial específica.

Si tan solo tenemos un pronóstico alguien tiene que encargarse de analizarlo y tomar las decisiones difíciles. Volviendo al ejemplo de la librería, solo un experto en dominios como si el propietario de la tienda o un empleado experimentado pudieran traducir el previsión de demanda en buenas decisiones empresariales, como cuántos empleados se necesitan para gestionar esa demanda. Esto se hace aún más difícil cuanto más complejas son las restricciones: ¿qué pasa si solo tengo una cantidad limitada de dinero para almacenar ciertos libros, o si necesito dividir el trabajo de manera eficiente entre mis empleados para empaquetar ciertos pedidos antes de un plazo ajustado? Estas son todas mejoramiento problemas, ya que queremos saber cómo obtener la mayor cantidad de ingresos teniendo en cuenta todas esas restricciones. Aquí es donde Optimización de la oferta y la demanda entra, para hacer que esas decisiones difíciles sean fáciles, automáticas y lo más óptimas posible.

Optimización de la oferta y la demanda

Si conoce la logística, sabrá que hay muchos métodos matemáticos y computacionales muy buenos y conocidos para resolver este tipo de problemas. Teniendo en cuenta los objetivos y requisitos de su empresa, puede asociar un función de coste para ellos. UN función de coste mapea los objetivos y restricciones de su negocio en entradas para una función matemática que se puede optimizar.

Estas soluciones provienen de Investigación de operaciones son geniales, pero se pueden mejorar con la ayuda de Aprendizaje automático. Recuerda el entradas a tu función de coste? Bueno, ¿por qué no usas uno de tus predicciones como uno de ellos? Si tiene una previsión de su oferta, demanda y tiempo de preparación actuales, tendrá una función de coste que es mejor para modelar la realidad en la que opera su empresa.

Por ejemplo, si queremos asignar con precisión mensajeros basado en demanda y oferta, teniendo un tiempo real previsión de demanda como aporte a nuestro función de coste hará maravillas. Ahora la función sabe cuántos pedidos se esperan en esa franja horaria, lo que le ayuda a lograr una asignación de recursos más precisa. Esto ayuda a evitar la falta de personal en las horas punta y el exceso de personal en las horas con menos trabajo por hacer. Además, nuestra función de costes también podría asignar al mismo servicio de mensajería la entrega de varios paquetes en el mismo viaje. ¡Esto optimiza aún más sus resultados!

En este ejemplo podemos ver cómo usar el previsión de demanda como entrada, podemos asignar correos de forma inteligente cuando realmente se necesitan.

Previsión de demanda es solo una de las posibles entradas para un sistema de optimización. Si el tiempo es una de las limitaciones, entonces tener un predicción del tiempo de preparación será de gran ayuda.

Predicción del tiempo de preparación

Como mencionamos, un predicción del tiempo de preparación es una gran herramienta para optimizar los escenarios de oferta y demanda. Las entregas llevan tiempo y los usuarios no van a esperar ni un mes a que su pedido llegue a casa. Esto significa que su problema de optimización de pedidos tiene un restricción de tiempo y de manera similar a previsión de demanda, un predicción del tiempo de preparación es la segunda mejor opción cuando no puedes predecir el futuro. Otra similitud es que los datos necesarios para estas predicciones también son simples: ¿cuánto tiempo tardaron sus pedidos anteriores? Y, por supuesto, cuanto más características mejores serán los resultados: ¿esos pedidos se hicieron con mal tiempo? ¿Esa hora tuvo una gran demanda, lo que provocó un servicio más lento? Esta información se puede traducir fácilmente a características para mejorar la precisión de su predicción.

En tu función de coste, es probable que acabes teniendo tu restricción de tiempo representado allí de alguna manera: cuanto más tiempo pierda, mayor será el costo. ¡Ten en cuenta que puedes perder tiempo tanto si llegas tarde al destino como si llegas temprano! Un minuto en el que el mensajero espera sin nada que hacer es un minuto perdido. Con un predicción del tiempo de preparación obtendrás una duración aproximada del pedido, lo que ayudará a tu función de costes a decidir cuál es el servicio de mensajería correcto para recibir ese pedido justo a tiempo.

Los clientes también se beneficiarán de esta información: tener un buen tiempo aproximado de preparación para su pedido mejora la experiencia del usuario. Aún mejor si no se trata solo de un número codificado, sino de una predicción dinámica hecha con Aprendizaje automático con características como el clima, el tráfico, la demanda actual y prevista, ¡y más!

Personalización de clientes

Hablando de clientes, también están produciendo toneladas de dato cada vez que interactúan con un mercado. ¿Qué compraban antes? ¿Calificaron esos productos de manera positiva o negativa? Disponer de esta información permite: recomendaciones personalizadas de productos que podrían disfrutar en función de interacciones anteriores.

Si queremos construir recomendaciones personalizadas para un usuario y solo miramos el sus datos que tal vez no lleguemos tan lejos, probablemente acabemos recomendando un producto que hayan comprado antes. ¡Esto significa que hemos desperdiciado una oportunidad con una buena recomendación sobre algo que ellos iban a comprar de todos modos!

Las recomendaciones sólidas comienzan por buscar usuarios y artículos similares. Al observar las interacciones del usuario al que nos dirigimos nuestra recomendación, podemos encontrar usuarios con compras similares o artículos que normalmente se compran juntos y que pueden resultarles interesantes.

En este ejemplo, nuestro usuario objetivo ha comprado un camisa, un par de zapatos y telescopio. Podemos encontrar otros usuarios con intereses similares a los suyos, suponiendo que sus gustos sean similares, sus compras anteriores serán buenas recomendaciones.

Sea cual sea el método utilizamos para crear esa recomendación, las recomendaciones pueden necesitar la ayuda de ser lo más inteligentes posible. Un usuario puede amar u odiar una recomendación en función de hora del día, actividad reciente o si se les presentan varias recomendaciones. Clasificarlos correctamente y mostrarlos en el orden correcto podría hacer la diferencia.

Por ejemplo, en un mercado de comida a domicilio, es probable que un cliente tenga diferentes deseos a lo largo del día: cuando es temprano, puede que esté más interesado en desayunar con café o almorzar con una ensalada, mientras que durante la noche puede estar interesado en comidas más pesadas.

Modelado Uplift

¿Recuerdas que mencionamos antes que podríamos desperdiciar una recomendación en alguien que ya iba a comprar ese producto? Algo parecido ocurre con anuncios. ¿Cómo podemos saber con certeza que era nuestro anuncio que generó la compra? ¿Acabo de desperdiciar dinero mostrando un anuncio a alguien que ya iba a comprar ese producto? ¿Y si el anuncio realmente empeoró ¿mi probabilidad de generar una compra?

Aquí es donde Modelado Uplift entra: nos permite modelar el impacto de una acción en nuestros usuarios y nos ayuda a responder a la pregunta de si nuestra campaña publicitaria realmente ayudó o no. Para ello, divide a cada usuario en cuatro categorías posibles:

Por supuesto, tendría sentido apuntar a la persuadibles quién podría estar interesado en comprar después de ver un anuncio. Esto significa un menor desperdicio de esfuerzo dirigido a personas que no están interesadas en el anuncio, ya sea porque ya iban a comprar el producto anunciado o porque simplemente no están interesadas en ver un anuncio sobre él.

Esto nos permite crear campañas publicitarias comprensibles y eficaces. En lugar de ir a ciegas y probar diferentes cambios y ver los resultados, Modelado Uplift nos permite predecir la respuesta a nuestra campaña y medir su eficacia.

Detección de fraude

Los mercados suelen estar completamente abiertos para que cualquiera pueda registrarse y empezar a usarlos. La mayoría de los usuarios están ahí para recibir o prestar un servicio cuando interactúan con un mercado, pero un pequeño porcentaje de ellos intentará abusar del sistema para su propio beneficio y en detrimento del resto del mercado. Las estafas, el robo de identidad y el comportamiento sospechoso son algunas de las formas más comunes en que las personas cometen fraude. Si pensamos en nuestro mercado de librerías, es muy importante que un vendedor esté estafando a los usuarios, pero es aún más importante si nuestro mercado es un tecnología financiera: el robo de una cuenta podría vaciar la cuenta de un usuario. Solo una pequeña parte de las transacciones fraudulentas podría suponer una enorme pérdida para todo el mercado.

El hecho de que la mayoría de las interacciones con el mercado son no lo fraudulento es lo que alimenta todo Detección de fraude sistemas: detectar el fraude es lo mismo que detectar un caso atípico. Anteriormente, Sistemas basados en reglas eran la solución ideal para detectar estos casos, pero requieren analistas de fraude crear y ajustar manualmente escenarios de fraude para verificarlos. Ahí es donde Aprendizaje automático entra en juego: creando un sistema que pueda detectar el fraude automáticamente en tiempo real. Puede resultar difícil o incluso imposible para el ojo humano detectar cambios sutiles en el comportamiento de los usuarios o alertar sobre eventos que están fuera de lugar, pero no es para una máquina. A comportamiento sospechoso se puede definir para un usuario en función de sus acciones anteriores y las de otros usuarios. Esto significa que el comportamiento de todos los usuarios ayuda a detectar qué es una anomalía y qué no, y se pueden utilizar factores como el importe medio de sus compras o transacciones en un momento determinado del día. Aprendizaje automático puede encontrar un buen límite superior e inferior para esos valores y detectar e informar automáticamente si ocurre algún valor atípico.

En este ejemplo, tenemos límites para cada transacción para un usuario en función de la transacción promedio. A las 12 p. m., una transacción sospechosa supera los límites y es detectada por el sistema. Esto podría significar que se ha producido una actividad sospechosa y poco común y que ha sido detectada, como comprar un producto muy caro o transferir mucho dinero a una cuenta desconocida.

¡Y más!

Estas son solo algunas de las formas posibles de usar Aprendizaje automático para aumentar el rendimiento de su mercado. Cada mercado tiene sus propias complejidades y desafíos, ¡y cuantos más lados tenga, más oportunidades tendrá de optimizar cada uno de ellos!

¡Manteniendo todo esto en marcha!

Todas estas soluciones deberían traducirse en una automática, de confianza y eficiente sistema de software, fácilmente escalable y monitorizable. Construyendo un buen Modelo de aprendizaje automático termina siendo solo una pequeña parte del proceso, acompañada de buena ingeniería de software, comprensión de datos y negocios y un infraestructura escalable. Puede ser fácil probar algunas de estas soluciones simplemente llamando a un biblioteca de programación, ¡pero no sirve de nada si no se puede implementar y consumir de manera confiable en cada lado del mercado!

Para evitar los errores más comunes y acelerar el tiempo de comercialización, seguramente se beneficiará de tener pericia construyendo este tipo de sistemas y tenemos muchísimos de ellos en Mutt Data. Nuestro proceso incluye comprender el negocio y los datos para crear una solución personalizada, utilizando Ingeniería de datos herramientas como Flujo de aire y MLFlow para construir y monitorear nuestros sistemas. Lo implementamos en proveedores de nube pública como Amazon Web Services o Google Cloud, lo que acelera considerablemente la construcción de estos sistemas y simplifica su mantenimiento. Puede obtener más información sobre nuestras soluciones y procesos en nuestra sitio web.

Referencias

Alí, adiós. «¿Cuáles son los principales mercados en línea?». Comercio digital 360, URL

Personal de DC Velocity. «Los mercados en línea aprovechan una participación cada vez mayor en los ingresos durante el auge del comercio electrónico pandémico». Velocidad DC, URL

La imagen del encabezado pertenece a Postales de mercados categoría de Wikimedia Commons:

Mercado de Champlain, Quebec: Autor desconocido, de la colección de postales Raphael Tuck & Sons de Leonard A. Lauder. Dominio público.