Los cambios son muy lentos y conservador en el sector educativo tradicional, los padres quieren que sus hijos aprendan como ellos lo hicieron, pero el mundo esta cambiando a pasos rápidos y con ello el modelo educativo se tiene que adaptar a la industria tecnológica, a continuación presentamos 8 tendencias e-learning muy sobresaliente desde el año pasado.
¿Qué es el Machine Learning?
Nace de la combinación con el Big Data a la educación es la mayor revolución que vamos a vivir en este sector y va a producir cambios jamas antes vistos.
En pocas palabras el Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea aplicaciones que auto aprenden identificando patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo (Código de programación) que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana.
Veamos cómo funciona, con un sencillo ejemplo.
Una empresa de servicios de telefonía quiere saber qué clientes están en “peligro” de darse de baja, para luego generar un plan de acciones comerciales que eviten que se vayan a la competencia.
¿Cómo puede hacerlo?
La empresa tiene muchos datos de sus clientes, muchísimos: antigüedad, planes contratados, consumo diario, llamadas mensuales al servicio de atención al cliente, últimos cambios de planes contratados… pero seguramente los usa solo para facturar y para hacer estadísticas.
¿Qué más puede hacer con esos datos?
Se pueden usar para predecir cuándo un cliente se va a dar de baja y gestionar la mejor acción que lo evite. Es pocas palabras, con Machine Learning se puede pasar de ser reactivos a ser proactivos. Los datos históricos del conjunto de los clientes, debidamente organizados y tratados en bloque, generan una base de datos que se puede explotar para predecir futuros comportamientos, favorecer aquellos que mejoran los objetivos de negocio y evitar aquellos que son perjudiciales.
Esa cantidad de datos pueden ser usados para analizar a un grupo de personas y llegar a conclusiones posibles y realizar predicciones para tomar acciones de acuerdo a los patrones de comportamiento de cada cliente.
A continuación visualizamos los datos de un cliente.
- Tiene un total de 5 llamadas al servicio de atención al cliente.
- Llama al menos 150 minutos al día.
- Las llamadas en horario nocturno es menor al 20%
- El uso de plan de datos de consumo es de 10Gb
Este es un análisis de los datos históricos, pero…
¿Dónde está la predicción?
Entonces tenemos que llegar a la conclusión: si los clientes que tienen esas mismas características ya se han dado de baja de la compañía, es previsible que los que todavía aún son clientes y tienen este mismo comportamiento estén en riesgo de irse.
Si el departamento de marketing tuviera esta información, podría crear planes de fidelidad para sus clientes a su plan actual revisando por qué han llamado al servicio de atención al cliente para intentar mantenerlos.
Ahora bien, enfocamos Machine Learning con e-learning, Si soy capaz de conocer cuál es tu histórico y lo comparo con la evolución de otros usuarios que hayan tenido un histórico similar al tuyo voy a ser capaz de generar planes de aprendizaje que permita perfectamente adaptarlo a tu necesidades.
Esto me permitirá a conocer como es el modelo de evolución de aprendizaje de mis estudiantes, de conocer que tan capacitados están mis empleados, cuantos cursos han logrado satisfactoriamente, cual es la motivación que los involucra seguir en mi organización, permitiéndome crear programas de formación tanto para la productividad de mi organización y la formación profesional de mis colaboradores.
El reto de sacar partido de los datos se ha simplificado enormemente. El Machine Learning de hoy no es como antes. Esto quiere decir que con datos de calidad, tecnologías adecuadas y análisis propicios es posible actualmente crear modelos de comportamiento para analizar datos de gran volumen y complejidad.
Sin embargo, no debe distraer nuestra atención el volumen de datos. No es necesario tener tantos datos como Facebook o como un gran banco para hacer modelos que ayuden al negocio. Es mejor tener datos de calidad (fiables y útiles) que tener miles de millones de datos de los que no se puede extraer valor. Generando como resultado: predicciones de alto valor para tomar mejores decisiones y desarrollar mejores acciones de negocio, tanto interno como externo del mismo.
A.A.C
