Modelos de ML

La página Modelos de ML muestra los modelos de aprendizaje automático que impulsan las predicciones de todo tu espacio de trabajo. Permite consultar su estado, ver cuándo se entrenaron por última vez e iniciar el entrenamiento manualmente.

Ve a Configuración → Modelos de ML desde la barra lateral.

Los modelos

Se muestran seis modelos a nivel de espacio de trabajo:

Modelo	Qué hace
Optimización de hora de envío	Predice la mejor hora y el mejor día para enviar mensajes y maximizar la interacción.
Rutas personalizadas	Predice qué ruta de experimento logrará la mejor conversión para cada usuario.
Predicción de abandono	Identifica usuarios con riesgo de quedar inactivos.
Preferencia de canal	Predice el mejor canal de mensajería para cada usuario.
Puntuación de interacción	Puntuación de 0 a 100 calculada con una fórmula publicada, no un modelo entrenado: exacta y siempre actualizada.
CLV previsto	Estima el gasto esperado de cada cliente durante los próximos 90 días, además de la probabilidad de que siga activo (valor de vida del cliente previsto).

Cada modelo se entrena por espacio de trabajo con sus propios datos de eventos, no con datos combinados de otros clientes.

Interpretar una tarjeta de modelo

Cada tarjeta muestra:

• Estado, uno de los siguientes:

  Estado	Significado
  Sin entrenar	Aún no existe un modelo para este espacio de trabajo.
  Entrenando…	Hay un trabajo de entrenamiento en curso.
  Entrenado	Existe un modelo y está proporcionando predicciones.
  Error	El último intento de entrenamiento falló; la tarjeta muestra el mensaje de error.

• Versión: versión actual del modelo, mostrada cuando existe.

• Último entrenamiento: tiempo relativo de la última ejecución correcta, o Nunca.

• Precisión: métrica de evaluación del modelo en su último entrenamiento, cuando esté disponible.

Los estados se actualizan automáticamente cada 30 segundos mientras la página está abierta.

Los modelos se activan a medida que se acumulan datos

Los modelos no se pueden entrenar en un espacio de trabajo vacío. Todos necesitan suficiente historial de eventos y suficiente variedad antes de producir resultados:

• Si no hay suficientes datos, el entrenamiento falla con un mensaje como «No hay suficientes datos para entrenar; sigue utilizando la plataforma para generar datos de entrenamiento».
• Si faltan variedad de datos, por ejemplo porque la predicción de abandono necesita usuarios activos e inactivos, el entrenamiento falla con un error explicativo.

Esto es normal en espacios de trabajo nuevos. Sigue registrando eventos y enviando mensajes; los modelos se activarán y mejorarán a medida que se acumule tráfico real. Un estado Error o Sin entrenar al principio no es un defecto.

Frecuencia de entrenamiento

Cuando tu espacio de trabajo tiene actividad de eventos, los modelos se reentrenan automáticamente según un calendario fijo; todas las horas están en UTC:

Model	Schedule
Puntuación de interacción	Se recalcula a diario a las 02:00 (sin entrenamiento: es una fórmula)
Rutas personalizadas	Diariamente a las 03:30
CLV previsto	Diariamente
Predicción de abandono	Semanalmente, los lunes a las 03:00
Optimización de hora de envío	Semanalmente, los martes a las 03:00
Preferencia de canal	Semanalmente, los miércoles a las 03:00

Después de cada reentrenamiento programado, se actualizan las puntuaciones de cada usuario para que los segmentos basados en ellas sigan al día.

Las ejecuciones programadas cubren los espacios de trabajo con actividad de eventos en los últimos 90 días; un espacio inactivo se omite hasta que vuelva a recibir eventos.

Entrenar manualmente

No tienes que esperar al calendario. Haz clic en Entrenar ahora en cualquier tarjeta y confirma para iniciar un entrenamiento de inmediato; resulta útil tras incorporar muchos datos nuevos o para reintentar después de un error.

• El entrenamiento se ejecuta en segundo plano y puede tardar unos minutos.
• El botón se desactiva mientras ese modelo ya se está entrenando.
• Si el entrenamiento falla, la tarjeta muestra el error para que puedas distinguir entre un problema de datos, que requiere esperar más tráfico, y algo que debes reportar.

Dónde se usan las predicciones

• Optimización de hora de envío: activa la optimización de hora al programar mensajes.
• Rutas personalizadas: controla el nodo Experimento de los recorridos en modo personalizado y elige la mejor ruta para cada usuario. Hasta que el modelo esté entrenado, el experimento vuelve a una división aleatoria simple.
• Predicción de abandono, puntuación de interacción y preferencia de canal: sus puntuaciones por usuario están disponibles como filtros de segmentos: puntuación de interacción, riesgo de abandono y preferencia de canal. Puedes dirigirte a esas audiencias directamente.
• CLV previsto: calcula el gasto probable de cada cliente durante el próximo año; se expone como filtros de segmento de e-commerce: importe y nivel de CLV previsto. Consulta Análisis RFM.

Los modelos de probabilidad específicos por evento, por ejemplo «probabilidad de comprar en 30 días», se configuran por separado. Consulta Eventos predictivos.

Solución de problemas

• Todo aparece como Sin entrenar: es normal en un espacio de trabajo nuevo. Los modelos primero necesitan tráfico de eventos real; espera las ejecuciones programadas o haz clic en Entrenar ahora cuando tengas datos significativos.
• Error por falta de variedad de datos: el modelo necesita ejemplos contrastados, por ejemplo usuarios activos e inactivos. Se resolverá por sí solo a medida que se diversifique el comportamiento de la audiencia.
• No se pudo cargar el estado del modelo: la página no pudo acceder al servicio de ML; los estados mostrados pueden estar desactualizados. Actualiza la página.

Notas

• Ver esta página requiere permiso de configuración en tu rol.
• Los modelos se almacenan y se sirven por espacio de trabajo; al cambiar de espacio verás los estados de sus propios modelos.

Contenido relacionado

• Eventos predictivos: entrena modelos de probabilidad para eventos específicos.
• Crear segmentos: usa las puntuaciones de modelo en filtros de segmentos.