Los directores financieros de hoy se enfrentan a más oportunidades para participar con el aprendizaje automático dentro de la función de finanzas corporativas de sus organizaciones. A medida que se encuentren con estos proyectos, trabajarán con empleados y proveedores y deberán comunicarse de manera eficaz para obtener los resultados que desean.
La buena noticia es que los ejecutivos de finanzas pueden tener un conocimiento práctico de los algoritmos de aprendizaje automático, incluso si no tienen experiencia en informática. A medida que más organizaciones recurren al aprendizaje automático para predecir métricas comerciales clave y resolver problemas, aprender cómo se aplican los algoritmos y cómo evaluarlos ayudará a los profesionales financieros a recopilar información para liderar la actividad financiera de su organización de manera más efectiva.
El aprendizaje automático no es una metodología única, sino un término general que abarca una serie de metodologías conocidas como algoritmos.
Las empresas utilizan el aprendizaje automático para clasificar datos, predecir resultados futuros y obtener otros conocimientos. Predecir las ventas en nuevas ubicaciones minoristas o determinar qué consumidores probablemente comprarán ciertos productos durante una experiencia de compra en línea representan solo dos ejemplos de aprendizaje automático.
Un aspecto útil del aprendizaje automático es que es relativamente fácil probar varios algoritmos diferentes simultáneamente. Sin embargo, esta prueba masiva puede crear una situación en la que los equipos seleccionen un algoritmo basándose en un número limitado de criterios cuantitativos, a saber, precisión y velocidad, sin considerar la metodología y las implicaciones del algoritmo. Las siguientes preguntas pueden ayudar a los profesionales de las finanzas a seleccionar mejor el algoritmo que mejor se adapte a su tarea única.
Cuatro preguntas que debe hacerse al evaluar un algoritmo:
- ¿Es este un problema de clasificación o predicción?
Hay dos tipos principales de algoritmos: clasificación y predicción. La primera forma de análisis de datos se puede utilizar para construir modelos que describan clases de datos mediante etiquetas. En el caso de una institución financiera, se puede utilizar un modelo para clasificar qué préstamos son más riesgosos y cuáles son más seguros. Los modelos de predicción, por otro lado, producen predicciones numéricas de resultados basadas en entradas de datos. En el caso de una tienda minorista, dicho modelo puede intentar predecir cuánto gastará un cliente durante un evento de ventas típico en la empresa.
Los profesionales financieros pueden comprender el valor de la clasificación al ver cómo maneja una tarea deseada. Por ejemplo, la clasificación de cuentas por cobrar es una forma en que los algoritmos de aprendizaje automático pueden ayudar a los directores financieros a tomar decisiones. Suponga que el ciclo de cuentas por cobrar habitual de una empresa es de 35 días, pero esa cifra es simplemente un promedio de todos los términos de pago. Los algoritmos de aprendizaje automático brindan más información para ayudar a encontrar relaciones en los datos sin introducir sesgos humanos. De esa manera, los profesionales financieros pueden clasificar qué facturas deben pagarse en 30, 45 o 60 días. La aplicación de los algoritmos correctos en el modelo puede tener un impacto comercial real.
- ¿Cuál es la metodología del algoritmo seleccionado?
Si bien no se espera que los líderes financieros desarrollen sus propios algoritmos, es posible obtener una comprensión de los algoritmos utilizados en sus organizaciones, ya que los algoritmos implementados con mayor frecuencia siguen metodologías relativamente intuitivas.
Dos metodologías comunes son los árboles de decisión y los regresores forestales aleatorios. Un árbol de decisiones, como su nombre indica, utiliza un modelo de decisiones binarias similar a una rama que conduce a posibles resultados. Los modelos de árboles de decisión a menudo se implementan dentro de las finanzas corporativas debido a los tipos de datos generados por las funciones financieras típicas y los problemas que los profesionales financieros a menudo buscan resolver.
Un regresor de bosque aleatorio es un modelo que utiliza subconjuntos de datos para construir numerosos árboles de decisión más pequeños. Luego agrega los resultados a los árboles individuales para llegar a una predicción o clasificación. Esta metodología ayuda a tener en cuenta y reduce una variación en un solo árbol de decisión, lo que puede conducir a mejores predicciones.
Por lo general, los directores financieros no necesitan comprender las matemáticas debajo de la superficie de estos dos modelos para ver el valor de estos conceptos para resolver preguntas del mundo real.
- ¿Cuáles son las limitaciones de los algoritmos y cómo las mitigamos?
Ningún algoritmo es perfecto. Por eso es importante abordar a cada uno de ellos con una especie de escepticismo saludable, tal como lo haría con su contador o un asesor de confianza. Cada uno tiene excelentes cualidades, pero cada uno puede tener una debilidad particular que debe tener en cuenta. Al igual que con un asesor de confianza, los algoritmos mejoran sus habilidades para la toma de decisiones en ciertas áreas, pero no confía completamente en ellos en todas las circunstancias.
Con los árboles de decisión, existe una tendencia a que se sintonicen demasiado con los datos, lo que significa que pueden tener dificultades con los datos fuera de la muestra. Por lo tanto, es importante poner mucho rigor para garantizar que el árbol de decisiones pruebe mucho más allá del conjunto de datos que usted proporciona.
- ¿Cómo estamos comunicando los resultados de nuestros modelos y entrenando a nuestra gente para trabajar de manera más efectiva con los algoritmos?
Los directores financieros deben proporcionar contexto a sus organizaciones y empleados cuando trabajen con el aprendizaje automático. Hágase preguntas como estas: ¿Cómo puedo ayudar a los analistas a tomar decisiones? ¿Entiendo qué modelo es mejor para realizar una tarea en particular y cuál no? ¿Me acerco a los modelos con el escepticismo apropiado para encontrar los resultados precisos necesarios?
Nada es perfecto y los algoritmos de aprendizaje automático no son una excepción a esto. Los usuarios deben poder comprender los resultados del modelo e interrogarlos de manera efectiva para obtener los mejores resultados organizacionales posibles al implementar el aprendizaje automático.
Analiza y Participa
Comprender los tipos de algoritmos en el aprendizaje automático y lo que logran puede ayudar a los directores financieros a hacer las preguntas correctas cuando trabajan con datos. Aplicar el escepticismo es una forma saludable de evaluar los modelos y sus resultados. Ambos enfoques beneficiarán a los profesionales financieros, ya que brindan contexto a los empleados que participan en el aprendizaje automático en sus organizaciones.
Traducido y Resumido por: Kristie Salas
Fuente: Chilakapati, C. & Rochford, D. (2020, June/July). Understanding and Assessing Machine Learning Algorithms, 36, 16-17.