Mazda Motor Corporation

Mazda Motor Corporation es un fabricante de automóviles japonés, fundado en 1920, con sede principal en Hiroshima, y con plantas en las localidades de Hiroshima, Nishinoura, Nakanoseki y Miyoshi, Japón.

La organización implementó un algoritmo de Segmentación de Clientes, dentro de la aplicación del ámbito de estudio de la Ciencia de Datos.

Segmentación de clientes

Es un Tipo de Modelo "No Supervisado", donde básicamente agrupa por similitud o cercanía.

Este tipo de algoritmo, en términos generales, busca encontrar grupos homogéneos de clientes que respondan de modo similar a determinadas estrategias de marketing. 

Tradicionalmente la forma de crear estos segmentos, se basa en seleccionar atributos del perfil del cliente (geográficas, demográficas y socio-económicas habitualmente) para establecer ciertos parámetros de similitud. 

Algoritmos de Clustering

Big ML

Mazda venía utilizando la Analítica Avanzada desde hace años, y tenía muy claro que su estrategia debía estar basada en una plataforma colaborativa que cubriera todas sus necesidades. 

La herramienta que se utilizó fue BigML, que permite la creación de Modelos de Machine Learning auto - administrados o también conocidos como AutoML.

• https://bigml.com/ 

Segmentos Mazda

Una vez aplicados los más de 30 atributos para obtener la segmentación de los clientes de Mazda, el algoritmo identificó claramente 5 segmentos de clientes bien diferenciados (5 clusters):

1. Compradores jóvenes con poder adquisitivo medio con preferencias por el segmento sub medio.

2. Clientes con preferencia por la gama alta de la marca mostraban más interacción con el servicio de Posventa, siendo más exigentes en sus interacciones. 

3. Clientes más jóvenes con coches del segmento más accesible de los vehículos de la marca.  

4. Clientes de un poder adquisitivo menor y con vehículos más antiguos de precio más asequible.

5. Es el menos numeroso. Son clientes jóvenes de poder adquisitivo medio pero con gran compromiso con la marca.

Resultados

Con esta información disponible, el Departamento de  Marketing de la empresa pudo orientar las campañas futuras de lanzamiento, adaptando las actividades de Marketing a cada uno de los segmentos y en especial a su público objetivo.

Caso San Cristóbal

San Cristóbal Seguros, es una empresa Argentina nacida hace más de 80 años, con un origen mutualista. Hoy el Grupo San Cristóbal, asegura a más de 725.000 personas y cuenta con presencia física en Argentina y Uruguay.

La organización destaca por ser en una empresa líder, caracterizada por honrar sus acuerdos y generar un impacto positivo en la comunidad. 

A su vez, brinda un amplio portfolio de coberturas para individuos, productores agropecuarios, comercios, pymes y grandes empresas.

Detección de fraudes

La empresa desarrolló su propia plataforma de detección de fraudes para el mundo del seguro, estructurando una nueva unidad de Prevención, que emplea tecnología como Inteligencia Artificial, Machine Learning y Ciencia de Datos.

Como el campo de aplicación es tan amplio, se incorporaron especialistas en criminalística, agro, peritos, científicos de datos, entre otros, formándose un equipo multidisciplinario.

Pasos para detectar fraudes

1. Detección: Puede ser denunciado de forma manual por cualquier agente de la compañía o puede detectarlo directamente la herramienta de IA, gracias a sus "reglas" predefinidas y modelos predictivos.

2. Análisis: El equipo de analistas recibe los posibles casos y separa "la paja del trigo", para devolver al circuito de la compañía los falsos positivos o caso contrario, continuar con el proceso de investigación. (Este concepto se asocia a la Matriz de Confusión)

3. Investigación: La compañía conformó un equipo interno de investigación eficiente y profesional que se encarga de analizar a fondo los casos. Cabe destacar que cualquiera de las verticales de la compañía puede pasar por el proceso de análisis. El tiempo estimado de demora es de 24/48 hs.

4. Resolución: Luego de realizar el análisis correspondiente, el equipo toma la decisión de rechazar la denuncia y evaluar la factibilidad de iniciar la instancia judicial en caso de ser necesario.

Análisis automático de imágenes

Como parte de estos modelos de detección, San Cristóbal cuenta con una plataforma de análisis de imágenes para vehículos siniestrados. De forma independiente, se encarga de catalogar las imágenes, la marca, color y patente, para luego identificar los daños. 

Volviendo a la plataforma de San Cristóbal, en base a lo visto podríamos decir que se aplica el Deep Learning para el análisis de imágenes.

• Otro ejemplo con imágene (Ej. Chicles en puntos de venta de Chicles) Chicles que estaban en un dispenser (Goliat), los chicles tienen que estar en cierta posición, sin chicles de la competencia, por lo tanto se entrenó el algoritmo para que detecte un Goliat y apartir de esto identificar cada chicle e identificar si la góndola estaba vacía o no

Resultados

Gracias a la implementación del modelo de predicción de fraude y de cara al futuro, la compañía está explorando nuevas alternativas de uso para su plataforma, tal como el análisis de los vehículos a la hora de tomar un seguro, así como también para la liquidación de siniestros, optimizando notablemente la experiencia del usuario.

Caso Starbucks

Starbucks recopila enormes cantidades de datos de más de 100 millones de transacciones por semana. Cuenta con más de 30,000 tiendas en todo el mundo y realiza cerca de 100 millones de transacciones por semana. Esto le da una visión integral de lo que consumen y disfrutan sus clientes. 

Uso de IA e IoT 

La forma en que Starbucks utiliza los datos y la tecnología moderna para obtener una ventaja competitiva es analizada por diversas empresas del mundo independiente del rubro de aplicación. Por ejemplo, la compañía es pionera en combinar sistemas de fidelización, tarjetas de pago y aplicaciones móviles, etc. 

Todos los ejemplos que mencionaremos a continuación, junto con tecnologías como AI, Data Science, IoT y la nube, le permiten a la organización alcanzar los siguientes objetivos: