En el ámbito del aprendizaje automático, muchos equipos enfrentan un reto común: modelos que, pese a tener alta precisión en las pruebas, no logran los resultados comerciales deseados al desplegarse. Un modelo, por ejemplo, alcanzó un 94% de precisión en validaciones, pero seis meses después, su motor de recomendaciones no impulsó los resultados de negocio esperados.
El problema radica en el enfoque tradicional, que prioriza la perfección técnica y mide el éxito con métricas como la precisión y AUC. Este método ignora aspectos cruciales, como la experiencia del usuario y la integración del modelo en flujos de trabajo.
Un enfoque centrado en el producto exige cambiar de perspectiva, priorizando las necesidades del usuario y los problemas comerciales en lugar de datos y algoritmos. El éxito se redefine no solo por precisión técnica, sino por la mejora efectiva en la experiencia del usuario y los resultados del negocio. Un sistema de recomendaciones, por ejemplo, debe centrarse en ayudar a los usuarios a alcanzar sus objetivos, evitando crear burbujas de filtro.
El proceso debe incluir una fase de definición de problemas que asegure que las soluciones técnicas aborden las verdaderas inquietudes de los usuarios. Comprender sus puntos de dolor al inicio evita crear soluciones impresionantes técnicamente que no resuelven problemas relevantes.
La implementación de un modelo debe considerar la adopción por parte de los usuarios, prestando atención a cómo interactúan con los resultados y asegurando la capacitación necesaria. Un equipo de desarrollo, al enfocar un modelo más sencillo en identificar patrones de riesgo de abandono, mejoró la retención de clientes en un 15%, destacando que soluciones menos complejas pueden tener mayor impacto.
Medir el éxito debe ir más allá de métricas técnicas, integrando satisfacción del usuario, adopción y resultados comerciales. Establecer retroalimentación continua desde el inicio permite mejoras basadas en la experiencia del usuario.
Los equipos del futuro serán más interdisciplinarios, integrando científicos de datos, gerentes de producto, diseñadores de experiencia y expertos del dominio. Esta colaboración profunda en las necesidades del usuario permitirá crear productos de ML que verdaderamente resuelvan problemas.
Este cambio de paradigma no solo implica modificaciones en los procesos, sino una reimaginación fundamental de construir sistemas de ML exitosos. Al tratar los modelos como productos, se crean sistemas que generan valor real, reafirmando que la verdadera medida del éxito está en la satisfacción del usuario, no solo en resultados técnicos.
