El Robot de Ventas Neural


¿Cómo puede una Red Neuronal ayudar en la prospección?
Un enfoque común es identificar al siguiente comprador mediante la minería de datos de Internet. Lo que mencionas en las redes sociales, lo que buscas, lo que te gusta, a lo que le haces retuit, un producto o servicio, son datos primordiales que tienes que capturar y procesar. Sin embargo, las personas que ya están  buscando activamente en línea no son los mejores compradores potenciales  o prospectos.
Aunque los humanos no siguen una lógica bien definida, tenemos algunos patrones repetidos. A menudo compramos las mismas cosas, nos comportamos de una manera similar y seguimos intuiciones similares. Por lo tanto, si podemos aprender el patrón del comprador,
 ¡podemos ser capaces de identificar al siguiente comprador también!
Cuando nos fijamos en los algoritmos de ML, las redes neuronales son uno de los algoritmos más utilizados hoy en día. Una de las principales razones de su uso es porque puede crear una aproximación de cualquier función. La aproximación se basa en datos, con los que aprende o con los que se entrena. Por lo tanto, las redes neuronales pueden  aprender respuestas similares para entradas similares.

"La gente normal no se comporta como en la teoría económica".
 No optimizan
 Tal vez por eso no se ha construido con éxito ningún modelo económico para predecir el comportamiento humano.
La mayoría de nuestras decisiones de compra no se basan en una lógica bien definida. Las emociones, la confianza, las habilidades de comunicación, la cultura y la intuición juegan un papel importante en nuestras decisiones de compra.
Nuestros "datos blandos", relacionados con nuestro ADN, ambiente, cultura, educación, son variables no medibles, no todavía. No hay sensores para medirlos objetivamente. No hay nada disruptivo todavía.
¡Y espero que no en el futuro!
Imagínate un asistente de ventas virtual que te está escuchando, pero al mismo tiempo contrastando todos los datos recabados con muchos otros contactos a través de una cuenta, analizando tus sentimientos y generando datos e información inteligente. Detectores de mentiras y correlación con otras variables químicas del cuerpo, lenguaje corporal (NLP), todo esto en línea, en la nube, generando tu perfil de compra personalizando la experiencia.
No creo que las máquinas puedan reemplazar a los vendedores. Las máquinas ayudarán a los vendedores y pueden convertir a un vendedor promedio en un vendedor de primer nivel.
Una vez más, el  problema es que el modelo,  seguirá siendo tan bueno como los datos.

Comentarios

Publicar un comentario

Entradas populares de este blog

Machine Learning is not to compete with a formal mathematical equation.

Imagen
        By Pedro Perdomo   When you want to have a digital model of your process, mainly you have two options, real three but let’s take the first two. You can use the first principles of physics and try to get a fairly, replicable, and “precise” math model. On the other hand, you can use data to train a machine-learning algorithm and get a math actuation,  a black box,  but certainly wit an embedded rich acknowledge of your process. The first option needs subject matter experts who understand the thermodynamics of the process. The second just need data experts.  Which option to take? Why? In engineering, mathematics does not have all the solutions. On many occasions, we understimete variables in an math equation looking for a practical solution, close to reality. We do NOT struggle to calculate milligrams if at the end, we can NOT measure milligrams. Making a mathematical model of an industrial process suggests posing primary equations, well-un...
Leer más

Deep Learning hidden layers

Imagen
by Pedro Perdomo 20 years ago, we implemented a virtual sensor using neural networks with no more than a couple of hidden layers. When I trained my first two-layer neural network to predict the content of methane in the bottom of a  deethanizer  column, I realized that more than one layer did not improve my virtual sensor results. Why no limit today in the internal or hidden layers? Why deep learning?   First, computing power has been increasing, so training neural networks with many layers is now feasible. Second, why so many layers if  not  a  big amount  of data available . And third, if you just add layers, you will run into some issues, the neural networks will take a long time to train, some of the layers will become all zero and worst, no better results.  Researchers have developed “tricks” and techniques to get deep neural networks to work. Neural networks with many hidden layers have enabled dramatic improvements in hard p...
Leer más

Virtual Sensor

Imagen
by Pedro Perdomo A Virtual Sensor Implementation using digital twin models . You need data to train a virtual sensor. This was the main problem to surpass in this project.  So , how do you pretend training  a neural sensor without data collected? We started this project with no data in advanced. Starting to collect data and wait for extreme conditions to occur, ie. operating the column and the plant  over limit conditions was not a good idea for operators. We needed to collect data, good amount of data, but with variety.  We tried to produce this by operating at limits , but it is not always possible. In each condition you have to wait for stabilization and in the other hand, you need to collect samples to the lab. These are real issues once you try it out.  We had a digital model  of the column in a popular simulation software.  This digital model was recently certified by comparing with real data in a very good range of operat...
Leer más