Rendimiento empresarial con Text Analytics & Machine Learning

phrases-390805_1280El mundo de los grandes análisis de datos es increíblemente diverso, y la gente está llegando con nuevas herramientas analíticas y técnicas cada día. Ante ello no debe pasar desapercibido el uso de Text Analytics y Machine Learning.

El Text Analytics se está convirtiendo en una tarea omnipresente en muchas áreas de negocio. El Machine Learning es el enfoque más común utilizado en el análisis de texto, y se basa en modelos estadísticos y matemáticos. Los enfoques lingüísticos, que se basan en el conocimiento del lenguaje y su estructura, son mucho menos utilizados. Estos dos enfoques se consideran a menudo como enfoques alternativos o competitivos.

Las organizaciones que analizan sus datos pueden obtener información sobre sus mercados y sus operaciones, ser más productivas y competitivas y ofrecer mayores capacidades de software y valor a sus clientes.

Esto es particularmente cierto cuando se utilizan rutinas analíticas de texto basadas en reglas para extraer el sentimiento de grandes fuentes de texto no estructurado. Una vez que los algoritmos de aprendizaje de Machine Learning, identifican a los clientes que tienen más probabilidades de cambiar de proveedores, la empresa puede ejecutar Text Analytics en notas, comentarios u otra fuente de datos textuales para responder a la pregunta más valiosa: ¿Por qué? en muchas cosas.

El retorno de este tipo de inversión analítica puede ser abrupto, particularmente cuando se traen herramientas de visualización.

 

accountant-1794122_1280El análisis lingüístico

Los dos enfoques son, de hecho, enfoques complementarios y cooperativos que, cuando se combinan adecuadamente, proporcionan la forma más eficaz de extraer información de alta calidad de los grandes datos.

En Conento utilizamos este tipo de modelos de Procesamiento de Lenguaje Natural cada vez en más ocasiones. Por ejemplo, en el análisis y clasificación de las respuestas abiertas en los cuestionarios de investigación; para estructurar información textual en las redes sociales o para hacer análisis de sentimiento; para clasificar documentos; para procesar conversaciones de Call Center, previamente codificadas en texto o mediante software de reconocimiento de voz; etc.

Sin embargo, el Machine Learning está en una mejor posición para extraer ideas (de texto previamente analizado y estructurado, en lugar de no estructurado), mientras que la Lingüística no tiene nada que ver con la extracción del conocimiento.

Y podemos aprovechar estos dos hechos si hacemos las cosas en el orden correcto. En primer lugar, el análisis lingüístico profundo genera una representación rica y precisa de la estructura de los textos; En segundo lugar, Machine Learning utiliza esta estructura para extraer ideas de las características reales, que es la tarea que naturalmente se destaca.

 

Estructurados Vs. Datos no estructurados

 

code-1839406_1280

Lo interesante de este enfoque es que funciona en ambos extremos del espectro de la estructura de datos. Gran parte de los grandes análisis de datos trata de convertir datos no estructurados en datos estructurados, pero el progreso no necesariamente ocurre en línea recta.

Todo el análisis de texto genera una estructura donde no había estructura. Una vez que crea esos datos estructurados, crea las conexiones entre ellos y se convierte en el siguiente paso. Obviamente, los conjuntos de habilidades necesarias para crear modelos predictivos y para realizar análisis de sentimientos no siempre son los mismos.

Y dar el siguiente paso en el análisis de enlaces puede requerir un entendimiento más profundo, incluyendo cómo programar reglas para motores de procesamiento de lenguaje natural (PNL). No importa donde se establezca su gran bandera de análisis de datos, es bueno saber donde otros han ido antes que tu negocio.

 

Fuente

https://www.datanami.com

http://blog.bitext.com/

 

 

 

This entry was posted in Noticias and tagged , , , . Bookmark the permalink.