Algoritmo
Algorithm
¿Qué es un algoritmo?
- Procedimiento paso a paso o conjunto de reglas para resolver un problema
- Un mismo problema puede requerir mucho más o menos esfuerzo según el algoritmo que se use
- Base de todo el software y la IA
Lo que realmente cambia con un algoritmo es que traslada a «qué hacer y en qué orden» lo que antes dependía de las personas. En el momento en que la decisión de compra que tomaba un comprador veterano por intuición se escribe como procedimiento («promedio de ventas de las últimas 4 semanas × tiempo de entrega + stock de seguridad»), ese juicio se vuelve verificable, corregible y transferible. Solo el procedimiento escrito puede mejorarse; los criterios que existen únicamente en la cabeza de alguien ni siquiera pueden cuestionarse. Por eso, el primer paso de la transformación digital no es implantar un sistema, sino pasar a palabras las reglas de trabajo que ya se usan.
En la práctica hay que distinguir tres cosas para poder hablar del tema. Un algoritmo basado en reglas lo escribe una persona directamente con condiciones («si quedan 5 unidades o menos, hacer pedido»). Un algoritmo basado en aprendizaje encuentra por sí mismo el peso de cada condición a partir de datos históricos. Y algoritmo y código no son lo mismo: el algoritmo es el procedimiento en sí, y el código es su implementación en un lenguaje específico. Por eso, decir «cambiemos la lógica» y decir «refactoricemos» son conversaciones completamente distintas: depende de si se modifica el procedimiento o solo su implementación.
La diferencia de eficiencia es mucho mayor de lo que parece. Para ordenar un millón de registros, un método de comparación simple requiere alrededor de un billón de operaciones, mientras que un método de fusión necesita unos 20 millones. Una diferencia de 50,000 veces se traslada directamente al costo de servidor y a la velocidad de respuesta en pantalla. Por eso, un buen algoritmo se evalúa con tres criterios: que dé una respuesta correcta, que siempre termine con cualquier entrada y que dé la misma respuesta al menor costo posible.
El malentendido más común en la práctica es creer que «como lo generó un algoritmo, es objetivo». Un algoritmo solo sigue fielmente la métrica que definió su diseñador y los datos históricos con los que aprendió. Si la lógica de recomendación se ajusta solo a la tasa de clics, los productos que llaman la atención pero no encajan suben al primer lugar, la tasa de devolución se dispara; y si el puntaje de predicción de abandono se usa directamente para ventas, se envían cupones de descuento a clientes que de todos modos se quedarían. La métrica que se fija como objetivo define el carácter del algoritmo. Cuando el resultado es extraño, la pregunta correcta no es «¿el modelo se equivocó?», sino «¿qué le pedimos que maximizara?».
Seungtae ParkInstructor práctico de AX que enseña creando por sí mismo proyectos de automatización del marketing y de desarrollo de negocio con IA
John KimCEO de Nanum Consultoría y autor de «Diseño del marketing B2B»Su nombre proviene del matemático persa del siglo IX Al-Juarismi (Al-Khwarizmi), y se consolidó como un concepto fundamental de la informática.
Veamos un caso hipotético. La empresa A, que vende productos de uso cotidiano en línea, tiene 210 colaboradores y unos 40,000 pedidos mensuales en su tienda propia. La tasa de clics en el espacio de recomendación de productos ronda el 7%, lo cual no está mal, pero la tasa de devoluciones de los productos comprados a partir de una recomendación fue del 12%, más del doble que la de los pedidos normales (5%). El director ordenó « reducir el costo logístico de las devoluciones en tres meses », y el equipo de datos revisó la lógica de recomendación desde cero.
- Kim, responsable del equipo de datos, revisó la lógica y encontró que el único objetivo de aprendizaje era la «probabilidad de clic». No consideraba si el producto se compraba ni si se devolvía, y subía a la parte superior los productos que solo llamaban la atención.
- En una reunión, el líder del equipo de atención al cliente, Park, mostró una captura de pantalla y dijo: «El motivo de devolución número uno lleva tres meses siendo la diferencia de color o talla, y todos esos productos están en el primer lugar de las recomendaciones».
- Los equipos de operaciones, atención al cliente y datos se reunieron, cambiaron el criterio de éxito de los clics a «compra sin devolución en 30 días» y agregaron la regla de excluir de las candidatas a recomendación los productos con una tasa de devolución de 15% o más en los últimos 60 días.
- En lugar de aplicarlo a todo el tráfico, se probó la nueva lógica durante cuatro semanas con solo el 20% de las visitas y se comparó en paralelo con la lógica anterior. La tasa de clics bajó del 7.1% al 6.2%, pero la tasa de devoluciones cayó del 12% a un nivel cercano al 7%.
- Tras pasar por completo al nuevo método, en los tres meses siguientes la tasa de devoluciones de los pedidos originados por recomendaciones bajó del 12% al 6.4%, y el costo mensual de logística de devoluciones pasó de KRW 29,000,000 (≈ US$21,700) a KRW 16,000,000 (≈ US$12,000). Se ahorraron KRW 13,000,000 (≈ US$9,730) al mes, mientras que las ventas originadas por recomendaciones aumentaron un 8%.