Applying Artificial Intelligence (AI) to software programming for forecasting and optimizing business management decisions
Este estudio demuestra que la aplicación de la Inteligencia Artificial, particularmente de las Redes Neuronales Artificiales, a la programación de software permite a las empresas optimizar las decisiones de gestión y maximizar el ROI al pronosticar con precisión el rendimiento de las ventas e identificar los umbrales óptimos del presupuesto de marketing.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En la economía digital moderna, las empresas enfrentan un desafío constante: cómo gastar su dinero sabiamente para crecer. Durante décadas, los gerentes han dependido de la intuición y de gráficos simples para adivinar cuánto invertir en publicidad o nuevos productos. Hoy, sin embargo, está ocurriendo un cambio poderoso. Las computadoras están aprendiendo a encontrar patrones en vastas cantidades de datos históricos, un campo conocido como aprendizaje automático (machine learning). Este enfoque permite a las organizaciones ir más allá de las conjeturas y, en su lugar, utilizar simulaciones para predecir resultados futuros. La idea central es sencilla: al alimentar a una computadora con registros pasados de gastos y ventas, la máquina puede aprender la relación entre ambos y sugerir el camino más efectivo a seguir. No se trata de reemplazar el juicio humano, sino de dotar a los gerentes de un mapa más claro y basado en datos para navegar en un mercado volátil donde los hábitos de consumo cambian rápidamente y la competencia es feroz.
Un estudio reciente de Trinh Quang Minh, de la Universidad de Can Tho, explora exactamente cómo estas herramientas informáticas pueden aplicarse a las decisiones comerciales del mundo real. El investigador se propuso probar tres tipos diferentes de modelos de inteligencia artificial para ver cuál funciona mejor para predecir las ventas basadas en los presupuestos de marketing. El objetivo era encontrar el "punto ideal" de gasto: la cantidad específica de dinero que genera el mayor retorno sin desperdiciar recursos. Para hacer esto, el equipo creó una simulación utilizando datos que imitaban a un minorista de teléfonos móviles en Vietnam. Alimentaron a la computadora con registros históricos que mostraban cuánto dinero se gastaba en marketing y cuántos teléfonos se vendían en respuesta. Los datos variaron desde diez mil millones de dong vietnamitas gastados en publicidad hasta cincuenta mil millones de dong.
El estudio comparó tres enfoques distintos. El primero fue un modelo de regresión lineal, un método simple que asume que las ventas crecen a un ritmo constante y predecible a medida que aumenta el gasto. El segundo fue un árbol de decisión, que funciona como un diagrama de flujo, dividiendo los datos en ramas para manejar cambios repentinos o saltos en el comportamiento. El tercero fue una red neuronal artificial, un sistema complejo diseñado para imitar la capacidad del cerebro humano para reconocer patrones intrincados y no lineales. Cuando los investigadores ejecutaron sus simulaciones, los resultados revelaron que la mejor herramienta depende enteramente de la situación. El modelo lineal simple funcionó bien para un crecimiento constante y predecible, pronosticando que un gasto de cincuenta mil millones de dong resultaría en unas 236 unidades vendidas. Sin embargo, la red neuronal más compleja predijo que la misma inversión produciría 240 unidades, lo que sugiere que era mejor para capturar las realidades sutiles y desordenadas del mercado.
La simulación identificó un umbral específico para el éxito. Determinó que gastar entre cincuenta y cincuenta y cinco mil millones de dong vietnamitas era el nivel óptimo para maximizar la eficiencia. Por debajo de este nivel, como gastar solo treinta y cinco mil millones, los modelos predijeron ventas significativamente menores, lo que indicaba una oportunidad perdida. Por encima de este nivel, los retornos comenzaron a disminuir, lo que significa que el dinero extra gastado no generaba suficientes ventas adicionales para justificar el costo. El modelo de árbol de decisión resultó particularmente útil para comprender cambios repentinos, como el lanzamiento de un producto insignia o una gran venta de temporada, donde el comportamiento del consumidor cambia abruptamente en lugar de gradualmente. En estos escenarios, el modelo de árbol pudo pronosticar ventas de 200 unidades con un gasto de cuarenta mil millones, superando al modelo lineal más simple que predijo solo 190.
Los hallazgos ofrecen una guía clara para los líderes empresariales. Para las pequeñas empresas con datos limitados y mercados estables, el modelo de regresión lineal simple suele ser suficiente y fácil de entender. Para las empresas que enfrentan mercados volátiles donde el comportamiento del cliente salta inesperadamente, el árbol de decisión proporciona una visión más flexible e intuitiva. Para las grandes organizaciones con cantidades masivas de datos complejos, la red neuronal ofrece la mayor precisión, a pesar de que es más difícil explicar cómo llega a sus conclusiones. El estudio concluye que no existe un único "mejor" modelo para cada situación. En su lugar, los gerentes deben elegir la herramienta que se ajuste a sus datos y condiciones de mercado específicos. Al tomar esta decisión, pueden pasar de depender de corazonadas a tomar decisiones altamente racionales y respaldadas por datos que optimicen su retorno de inversión y aseguren su posición en una economía digital que cambia rápidamente.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.