Casos prácticos de nuestros proyectos de datos. Los desarrollamos con datos abiertos, datos propios del cliente y modelos de aprendizaje automático. Cada caso especifica el sector, el problema, los datos utilizados y el resultado.
Problema: El banco tenía que evaluar al prestatario antes de conceder un préstamo, teniendo en cuenta más información que la que proporciona únicamente la agencia de información crediticia.
Datos: Datos propios del banco más fuentes abiertas: registros y bases de datos públicas (EGRUL, FSSP, NBKI), estadísticas de Rosstat, redes sociales, portales de empleo (HH, Superjob) y anuncios clasificados (CIAN, Avito, Avto.ru).
Lo que se hizo: Entrenamos un modelo de comportamiento con dos fuentes simultáneamente —datos del banco y datos abiertos— y lo utilizamos como una señal adicional previa a la concesión del préstamo. El modelo nunca tuvo la intención de tomar decisiones por sí solo: la calificación crediticia permaneció en manos del banco.
Resultado: El modelo genera el perfil de comportamiento del prestatario a partir de datos agregados y ayuda al banco a evaluar el riesgo crediticio. La base de datos utilizada abarca 146 millones de habitantes de Rusia, de los cuales 137 millones contaban con información pública, 98 millones estaban presentes en redes sociales y 42 millones en bases de datos públicas.
Problema: Incrementar la fidelidad a la marca y aumentar las ventas. El público objetivo de la marca en este proyecto era de 37 millones de personas.
Datos: El contenido publicado, los "me gusta" en grupos temáticos y publicaciones, la actividad de la audiencia y la velocidad a la que el contenido se difunde en la red social.
Lo que se hizo: Filtramos la audiencia por intereses, actividad y difusión de contenido, medimos la proporción de bots y seguidores cínicos, procesamos las 150 cuentas principales por alcance y seleccionamos aquellas cuyos seguidores son el público objetivo y cuyo contenido se difunde más rápidamente.
Resultado: Se seleccionaron siete blogueros especializados en automóviles para colaborar con la marca y se elaboró un nuevo plan de contenidos. Resultado: +41 % de clientes provenientes del canal de blogueros y +6 % por recomendaciones de amigos.
Problema: Reduzca los costes publicitarios, atraiga nuevos clientes y haga que la publicidad segmentada sea más eficaz: sepa quién compra y qué compra la gente.
Datos: Tarjetas de fidelización, datos de clientes recopilados de redes sociales y la comparación de las compras con el perfil social del comprador.
Lo que se hizo: Cada cliente tenía una tarjeta de fidelización individual, activada a través de una red social; creamos el perfil de la audiencia (quién compra, qué contenido consume, qué le interesa y qué compra), luego encontramos usuarios similares y les dirigimos la publicidad.
Resultado: El proyecto cubre el ciclo completo de puntuación, elaboración de perfiles y segmentación precisa con previsión del comportamiento del consumidor; los resultados de los clientes no se publican.
Problema: Predice las necesidades de un cliente a partir de su huella digital y utilízala para una segmentación precisa, una microsegmentación y una reactivación efectiva.
Datos: Redes sociales, sitios web, blogs y foros, aplicaciones y juegos de citas, registros públicos (EGRN, EGRUL, FSSP), bolsas de trabajo (HH, Superjob) y anuncios clasificados (CIAN, Avito, Avto.ru).
Lo que se hizo: Desarrollamos sistemas de identificación remota, segmentación precisa, microsegmentación y predicción; el caso de reactivación se basó en la interacción personal y el análisis de la experiencia del usuario, en lugar de en el envío masivo de correos electrónicos.
Resultado: La reactivación redujo los costes de comunicación en un 20 % y recuperó al 12 % de los clientes "antiguos"; en un caso similar, el canal de códigos promocionales añadió un 41 % de clientes y las recomendaciones de amigos un 6 %.
Problema: Personaliza los anuncios según las preferencias de cada público y, a continuación, decide qué usuario ve cada anuncio.
Datos: Colores e imágenes extraídos de redes sociales, grabaciones de voz procesadas con análisis MFCC homomórfico, comentarios y reseñas de productos, análisis web de las páginas visitadas, parámetros del entorno (geografía, hora, clima, días festivos, eventos) y resultados de pruebas A/B.
Lo que se hizo: Los colores se extrajeron de la silueta más grande de la foto; la voz se clasificó por tono; el rostro promedio se calculó a partir de los líderes de opinión de la audiencia, en lugar de la audiencia de la propia marca; el recorte se basó en la posición del rostro y el área útil del fondo. Para la personalización, nos definimos por 10 parámetros clave, y para el comportamiento, por más de 60 parámetros derivados del contenido que consumen las personas.
Resultado: Incremento en la interacción: hasta un 25 % gracias a la personalización del color, hasta un 40 % gracias a la voz, hasta un 30 % gracias a las imágenes y hasta un 10 % gracias al recorte. De los más de 60 parámetros de comportamiento, la demografía y la actividad en línea son los que más influyen (41 %), seguidos de las finanzas y el modelo de consumo (23 %), y por último, los rasgos de personalidad y la interacción con la publicidad (17 %).
Problema: Enriquece los datos de marketing de una marca con fuentes abiertas y estima de antemano cómo los algoritmos de recomendación de las redes sociales promocionarán una creatividad.
Datos: Perfiles públicos y contenido publicado, conexiones sociales, geolocalización reconstruida a partir de contenido y fotos, además de métricas adicionales de operadores de telefonía móvil, proveedores de Wi-Fi en centros comerciales y operadores de datos fiscales.
Lo que se hizo: Análisis de contenido, modelado de comportamiento y análisis de redes sociales: seleccionamos líderes de opinión especializados mediante la intersección y agrupación de audiencias, pronosticamos cómo se desarrollará una tendencia y comparamos la audiencia de la marca con la de la competencia.
Resultado: Hasta el 90 % del contenido en redes sociales se distribuye mediante algoritmos de recomendación, por lo que el análisis muestra con antelación cómo se promocionará una creatividad y reduce el presupuesto de la campaña gracias a la difusión orgánica del contenido.
Problema: Descubre a tiempo a las futuras estrellas, evalúa cuánto le gusta el contenido al algoritmo de recomendación de la red social y compara la posición de la etiqueta con la de sus competidores.
Datos: Datos de cualquier red social y servicio en tiempo real, pistas (búsqueda de pistas similares por mp3), audiencias de marcas y competidores, y patrones de consumo de contenido.
Lo que se hizo: Implementamos un sistema de monitorización de tendencias en tiempo real, modelos predictivos para futuros lanzamientos, un análisis competitivo de la audiencia con potenciales audiencias, una búsqueda de líderes de opinión que interactuaron con el contenido de la competencia y análisis de música similar.
Resultado: Un ciclo de seguimiento y previsión para lanzamientos con optimización de costes en las comunicaciones de marketing.
Problema: Comprenda qué propiedades de una pista y sus metadatos influyen en su promoción en los sistemas de recomendación, y distinga las reacciones reales de la audiencia del ruido algorítmico.
Datos: Características de audio de las pistas (tempo, ritmo, capacidad de baile, energía, prominencia de los instrumentos, tonalidad, instrumentación, a cappella, versión/remake, estado de ánimo), letras, metadatos (autores, compositores, datos históricos, listas de reproducción) y vectores de pistas similares.
Lo que se hizo: Establecimos la ponderación de los factores principales y una búsqueda de trayectorias similares en función de la dispersión espectral, el flujo, el centroide, la atenuación, el MFCC, el vector de croma con desviación y la tasa de cruce por cero; también identificamos qué distorsiona la imagen: una misma cuenta utilizada por varias personas, la música que se reproduce en las fiestas y la nostalgia.
Resultado: La ponderación de los factores es del 45 % ritmo, 33 % armonía musical, 17 % metadatos y 5 % letra. Aproximadamente el 20 % de las consultas a los sistemas de recomendación devuelven resultados irrelevantes que, en realidad, son pruebas A/B de audiencia. Para los artistas, calculamos un índice de afinidad (demografía, finanzas, modelo de consumo, política, publicidad); por ejemplo, 0,87 / 0,89 / 0,97 / 0,72 / 0,90 para Taylor Swift.
Problema: Acorta el trabajo del reclutador, verifica la exactitud de los currículos y amplía el alcance de la búsqueda de candidatos.
Datos: Fuentes abiertas: redes sociales, sitios web, blogs y foros, aplicaciones y juegos de citas, registros públicos (EGRN, EGRUL, FSSP), bolsas de trabajo (HH, Superjob), anuncios clasificados y registros inmobiliarios.
Lo que se hizo: Buscamos y verificamos candidatos en fuentes abiertas y clasificamos a los empleados según su eficiencia para el departamento de recursos humanos. Las normas de uso seguro están establecidas explícitamente: no revelar las fuentes, no revelar los algoritmos, justificarlo legalmente como opinión experta, y señala los riesgos: algoritmos racistas y despidos injustificados.
Resultado: Se reduce el tiempo del reclutador, se verifican los currículums y se amplía el alcance de la búsqueda. Las cifras del cliente no se publican.
Problema: Recopile el comportamiento de decenas de millones de visitantes a la semana y proporcione a sus clientes análisis en tiempo real, no en lotes nocturnos.
Datos: Datos del código JS y del píxel IMG en los sitios web de los clientes, registros de los equipos de conmutación y 65 métricas de comportamiento por visitante leídas de un sistema de gestión de bases de datos independiente.
Lo que se hizo: Implementamos un sistema de almacenamiento basado en Ceph + MongoDB + PHP 7.4 FPM + Nginx: 12 servidores backend de 64 núcleos y 500 GB detrás de un enrutador en la nube que distribuye el tráfico geográficamente, 240 SSD de 800 GB en cinco cestas detrás de un único controlador (RAID 10: aproximadamente 85 TB y 1,5 millones de IOPS, RAID 6: 157 TB, RAID 5: 152 TB), tres niveles de datos con agregación mensual a semanal y anual a mensual, y Apache Solr para búsqueda de texto completo. Elegimos Ceph en lugar de GlusterFS, MooseFS, HDFS y DRBD por su velocidad y capacidad de autorreparación.
Resultado: Se procesan aproximadamente 50 millones de visitantes únicos por semana; el retraso entre un evento y el informe del cliente no supera los 5 minutos, y el modelo de aprendizaje automático actualiza las métricas de comportamiento cada 5 minutos.
Problema: Para una marca de festival de música, la clave es encontrar líderes de opinión, contabilizar a los visitantes reales y atraer a nuevo público. La audiencia potencial era de 25 millones de personas.
Datos: Sin conexión: recibos del operador de datos fiscales, tráfico Wi-Fi, radiometría y tarjetas de fidelización. En línea: contenido publicado y "me gusta" en grupos temáticos y publicaciones.
Lo que se hizo: Medimos la audiencia activa (el porcentaje de personas que interactuaron con el contenido, el porcentaje de bots y de seguidores cínicos) y la velocidad de difusión del contenido: la rapidez con la que las publicaciones se propagaron de un punto a otro de la red, cuántas personas las distribuyeron y a qué audiencia llegó cada una. Luego, analizamos las 150 cuentas con mayor alcance.
Resultado: Para las cuentas seleccionadas, el 70 % de los seguidores eran el público objetivo y el contenido se difundió en 2 o 3 días. Los sistemas de reconocimiento facial y el contenido excesivamente segmentado figuran entre los riesgos de este enfoque.
Problema: Reduzca los costos de mantenimiento y reparaciones menores de las locomotoras reubicando a los equipos de reparación en lugar de trasladar las máquinas.
Datos: Telemetría en tiempo real del material rodante (más de 7.000 sensores de vibración en motores, unidades compresoras, pares de ruedas y cojinetes), certificados técnicos de desviaciones admisibles, horarios de trenes y tripulaciones, un mapa de zonas de reparación libres, el gráfico de la estación de ferrocarril y un CRM interno con indicadores de fallos.
Lo que se hizo: El modelo recibe el índice de reparación de la locomotora, el horario de la tripulación, el horario de los trenes, los talleres de reparación libres, el gráfico de la estación y las marcas CRM sobre averías, y busca anomalías en motores, compresores, pares de ruedas y cojinetes.
Resultado: -12 % en costos de mantenimiento del material rodante, -20 % en nómina para el personal en espera de tareas, +3 % en cumplimiento de plazos. El principal error del proyecto: no se tuvo en cuenta el aumento del costo de compra y entrega de repuestos a los talleres de reparación.