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.
CLV previsto	Estima el gasto esperado de cada cliente durante los próximos 365 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. En Rutas personalizadas se mide sobre la quinta parte más reciente de las decisiones, con las que el modelo no se entrenó, así que refleja su rendimiento en decisiones nuevas y no en las que aprendió. La tarjeta muestra también el AUC en el holdout y cuántas rutas se conservaron; una ruta con AUC por debajo del umbral no se usa y el journey vuelve para ella a su reparto normal.

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

Cómo se miden los números

Un modelo nunca se puntúa sobre las filas de las que aprendió. Antes del entrenamiento se aparta una parte de los datos; el modelo se entrena con el resto y después se le pide predecir la parte que no ha visto. Las cifras de la tarjeta salen solo de esa parte apartada. Tras medir, el modelo se vuelve a ajustar con todo, de modo que el modelo que sirve predicciones usa todos tus datos.

• Precisión es la proporción de personas apartadas que el modelo acertó. 87% significa que 87 de cada 100 personas apartadas quedaron en el grupo correcto (por ejemplo, se quedará en silencio / seguirá activa).
• AUC es una puntuación de ordenación de 0,5 a 1. Toma al azar a una persona que hizo la acción y a otra que no: AUC es con qué frecuencia el modelo puntúa más alto a la primera. 0,5 es lanzar una moneda, 1,0 es un orden perfecto. Se muestra junto a la precisión porque la precisión sola puede parecer buena cuando casi todos pertenecen al mismo grupo.
• Rutas conservadas (Rutas personalizadas) es cuántas rutas del experimento superaron el umbral de 0,55 de AUC. Una ruta por debajo no se usa; el recorrido vuelve a su división simple para esa ruta.

Dos cosas a tener en cuenta:

• Predicción de abandono predice el futuro, no el presente: sus entradas son lo que una persona había hecho hasta un corte de hace 30 días, y la respuesta es si se quedó en silencio en los 30 días posteriores. Rutas personalizadas se mide sobre sus decisiones más recientes, así que la prueba es "¿habría elegido bien la última vez?".
• Un espacio de trabajo pequeño da un conjunto apartado pequeño, así que la cifra se mueve unos puntos entre reentrenamientos. Trátala como un rango, no como una nota fija.

Enrutamiento mejorado y Siguiente mejor mensaje

Joryio aprende de todos tus mensajes a la vez, no de uno en uno. Eso es lo que permite que un mensaje totalmente nuevo reciba una predicción sensata desde su primer envío, y es lo que el nodo de Decisión IA usa para enrutar a cada persona. No eliges un modelo ni entrenas nada: aprende solo, cada noche, de tus resultados maduros.

Enrutamiento mejorado en los nodos de Decisión IA. Un pequeño grupo de comparación (una persona de cada cinco) conserva el enrutamiento antiguo, para que la mejora se mida en vez de suponerse. La tarjeta muestra conversiones por decisión para el enrutamiento mejorado y para el grupo de comparación, cada uno con un rango probable, y dice cuándo el enrutamiento mejorado va por delante. Hasta que maduren suficientes decisiones dice «demasiado pronto para decidir».

Siguiente mejor mensaje, modo sombra. Cuando un recorrido tiene un nodo de Siguiente mejor mensaje, esta tarjeta muestra lo que el nodo habría enviado frente a lo que el recorrido envió realmente: con qué frecuencia coincidieron en el canal y en la plantilla, las plantillas más elegidas y las compras en la ventana cuando coincidieron frente a cuando no. Es una comprobación de fontanería, no un resultado controlado. Cuando un nodo pasa a modo envío, una segunda tabla en la misma tarjeta compara el brazo que recibió la elección con el grupo de control, con un rango probable cada uno y el veredicto de «sin pérdida de conversiones». Ver Nodos de Siguiente mejor mensaje.

Mensajes retenidos. En los pasos del recorrido que permitiste esperar, Joryio retiene un mensaje de poco valor cuando la persona acaba de recibir otro y lo envía después o lo descarta; un grupo de comparación envía siempre. La tarjeta muestra compras por persona para ambos grupos con un rango probable y dice si retener costó algo. Ver Retenido por Joryio. El veredicto también vigila las bajas y las quejas: solo pasa cuando las compras aguantaron y el grupo retenido no se dio de baja ni se quejó más que un pequeño margen permitido sobre el grupo de comparación.

Si alguna vez quieres devolver un recorrido o un espacio de trabajo al enrutamiento antiguo, pídeselo a Joryio: el interruptor es una acción de soporte, así que nada de tu lado puede dejar un recorrido a medio configurar.

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
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.