Clase 2 · Machine Learning para Negocios

📅 Miércoles 5 de agosto de 2026 ⏱️ 90 minutos Unidad 1 · Introducción a la IA en los Negocios 🚀 Hito 1/7 · 10%

Día de entregable

En este curso los entregables evaluados se publican y reciben solo los días miércoles. Hoy corresponde el Hito 1 del Proyecto del curso — el primero de 7 hitos (10% cada uno) más una presentación final (30%) que este mismo equipo desarrollará durante el semestre — construido sobre la actividad formativa de la Clase 1. El detalle está al final de esta página.

🎯 Objetivos de la sesión

Explicar, sin matemáticas, cómo "aprende" un modelo de Machine Learning a partir de datos.
Distinguir los tres grandes tipos de ML (supervisado, no supervisado, por refuerzo) mediante analogías de negocio, y reconocer esos mismos tipos detrás del entrenamiento de ChatGPT, Claude y Gemini.
Reconocer los tipos de problemas de negocio que pueden traducirse en un problema de ML: predicción, clasificación, segmentación y optimización.
Traducir un problema de negocio real a un "problema de predicción", cuantificando su valor, y documentarlo como entregable.

Resultado de aprendizaje asociado: RdA9.2 — Utiliza tecnologías vigentes y/o de vanguardia, aplicándolas en sus propuestas y presentaciones.

🗓️ Agenda (90 min)

Tiempo	Bloque
0:00 – 0:10	Recapitulación de la Clase 1 y puesta en común de ejemplos traídos por el curso
0:10 – 0:30	¿Cómo aprende una máquina? Datos, patrones y predicción (sin matemáticas)
0:30 – 0:50	Tipos de Machine Learning — y cómo se entrenan ChatGPT, Claude y Gemini con esos mismos tipos
0:50 – 1:10	Casos aplicados: scoring crediticio, churn y pricing dinámico
1:10 – 1:27	Trabajo en clase sobre el Hito 1 del Proyecto: "de problema de negocio a problema de predicción"
1:27 – 1:30	Cierre y vínculo con la próxima sesión (IA Generativa en profundidad)

📖 Contenidos

1. ¿Cómo aprende una máquina?

Un modelo de Machine Learning no recibe instrucciones del tipo "si pasa X, haz Y". En cambio:

Se le muestran muchos ejemplos históricos (datos).
El modelo encuentra patrones que relacionan las características de esos ejemplos con un resultado conocido.
Ese patrón se usa para predecir el resultado en casos nuevos, nunca antes vistos.

💡 Analogía: es similar a cómo un/a analista de crédito con años de experiencia "intuye" el riesgo de un cliente nuevo a partir de haber visto miles de casos anteriores — solo que el modelo lo hace de forma sistemática y a gran escala.

Siguiendo a Agrawal, Gans & Goldfarb (Prediction Machines), la contribución económica central del ML es que abarata drásticamente el costo de predecir. Cuando predecir se vuelve barato, cambia qué actividades conviene automatizar y qué decisiones conviene delegar a un modelo — de la misma forma en que abaratar el costo de computar transformó qué tareas convenía automatizar en los años 80 y 90.

Evolución ilustrativa del costo relativo de predecir (índice base 100). Representa la idea central de "Prediction Machines", no una serie estadística oficial.

2. Tipos de Machine Learning

Tipo	Idea central	Ejemplo de negocio clásico	¿Dónde aparece en ChatGPT / Claude / Gemini?
Supervisado	Aprende de ejemplos que ya tienen la "respuesta correcta" etiquetada	Predecir si un cliente pagará o no un crédito, usando historial de clientes anteriores	La primera gran etapa de entrenamiento (pre-entrenamiento): el modelo aprende a predecir la palabra siguiente en textos masivos de internet
No supervisado	Encuentra estructura o grupos en los datos sin una respuesta previa	Segmentar clientes en perfiles de consumo para campañas de marketing	Parte de cómo el modelo organiza internamente conceptos y relaciones entre palabras a partir de enormes volúmenes de texto
Por refuerzo	Aprende por ensayo y error, recibiendo una recompensa según el resultado de sus acciones	Un sistema que ajusta precios dinámicamente y aprende qué estrategia maximiza ingresos	RLHF (Reinforcement Learning from Human Feedback): personas evalúan las respuestas del modelo y esa retroalimentación se usa como "recompensa" para hacerlo más útil, seguro y alineado a instrucciones

Distribución ilustrativa de los tipos de ML entre los casos de negocio más citados en clase (no es una estadística de mercado real).

En simple: ¿cómo se entrena un asistente como ChatGPT, Claude o Gemini?

Pre-entrenamiento (supervisado/auto-supervisado): el modelo lee enormes cantidades de texto y aprende a predecir la palabra o fragmento siguiente, una y otra vez, hasta capturar patrones del lenguaje, hechos y estilos de razonamiento.
Ajuste fino con ejemplos curados: se le muestran ejemplos de buenas respuestas a instrucciones, para que aprenda el formato de "asistente útil" (no solo de "completar texto").
RLHF (por refuerzo): evaluadores humanos comparan respuestas del modelo y indican cuáles prefieren; esa preferencia se convierte en una señal de recompensa que ajusta el modelo para que sus respuestas sean más útiles, seguras y alineadas a lo que se le pide.

Es la misma lógica de "aprender de ejemplos + recompensas" que vimos en scoring crediticio o en pricing dinámico — aplicada a generar lenguaje en vez de generar un número o una etiqueta.

3. De problema de negocio a problema de Machine Learning

Antes de "aplicar IA", toda propuesta de negocio debería responder tres preguntas:

¿Qué queremos predecir o decidir? (la variable objetivo)
¿Qué datos históricos existen que relacionen esa variable con información disponible al momento de decidir?
¿Qué acción tomaremos distinto si tenemos esa predicción, y cuánto vale esa mejor decisión?

Esta última pregunta es clave para alguien de Ingeniería Comercial: un modelo predictivo solo crea valor si permite una mejor decisión económica — más ingresos, menor costo o menor riesgo. Por eso, al formular un problema de ML conviene estimar, aunque sea de forma gruesa, el valor esperado de la mejor decisión (una lógica similar a la de un árbol de decisión en Evaluación de Proyectos).

4. Casos aplicados

Scoring crediticio (supervisado): un banco usa el historial de miles de clientes (ingresos, comportamiento de pago, etc.) para predecir la probabilidad de que un nuevo solicitante caiga en mora, y así decidir si aprueba el crédito y a qué tasa.
Predicción de fuga o churn (supervisado): una empresa de telecomunicaciones o retail identifica, antes de que ocurra, qué clientes tienen alta probabilidad de dejar de comprar o cancelar su plan, para actuar con una oferta de retención a tiempo.
Pricing dinámico (por refuerzo): un e-commerce prueba distintos precios y aprende, mediante prueba y error guiada, qué estrategia de precios maximiza el margen esperado según el contexto (stock, demanda, competencia).

Ejemplo ilustrativo: retención de clientes en telecomunicaciones

Una compañía de telecomunicaciones entrena un modelo con el historial de miles de clientes que ya se dieron de baja. El modelo aprende qué combinación de señales (caída en uso, llamadas a soporte, cambios de plan) anticipa una fuga. Orden de magnitud ilustrativo: si el equipo de retención solo puede contactar al 10% de la base, dirigir ese esfuerzo a los clientes con mayor probabilidad predicha —en vez de contactar al azar— suele multiplicar varias veces la tasa de clientes efectivamente retenidos por cada contacto realizado. La cifra exacta depende de cada negocio; lo relevante es el mecanismo: mejor blanco de acción, no más contactos.

En todos los casos, el valor de negocio no está en el algoritmo en sí, sino en la decisión que la predicción permite tomar mejor y más temprano — la misma idea que van a aplicar en el Hito 1 del Proyecto de hoy.

🚀 Hito 1 del Proyecto — "De problema de negocio a problema de predicción"

Hito 1/7 · Proyecto del curso · 10% de la Nota Final

Objetivo: traducir un problema de negocio real a un problema de Machine Learning bien formulado y cuantificar, aunque sea de forma gruesa, el valor de la decisión que ese modelo permitiría tomar — a partir del trabajo hecho en la actividad formativa de la Clase 1.

Instrucciones

Retomen, en el mismo grupo de la Clase 1, uno de los procesos identificados en el "radar estratégico de IA" de esa sesión (idealmente el de mayor potencial de ventaja competitiva).
Formulen ese proceso como un problema de predicción, respondiendo por escrito las 3 preguntas de la sección "De problema de negocio a problema de Machine Learning".
Clasifiquen el problema como supervisado, no supervisado o por refuerzo, y justifiquen en 2-3 líneas.
Estimen, con supuestos razonables y explícitos, el valor aproximado de tomar la mejor decisión gracias al modelo (por ejemplo: cuántos clientes o transacciones al mes se ven afectados, y qué mejora porcentual de margen, retención o costo es razonable esperar).
Redacten una síntesis de máxima una página (formato libre: documento o una diapositiva).
Opcional: si usaron ChatGPT, Claude o Gemini para redactar o estructurar el entregable, agreguen una línea indicando qué herramienta y para qué la usaron.

Formato y entrega

Un archivo por grupo (PDF o documento), enviado por correo a sebastian.azocarm@usm.cl, con el nombre del grupo en el asunto (formato: Hito 1 – Nombre del grupo).
Plazo: hasta las 23:59 del miércoles 5 de agosto de 2026.

Criterios de evaluación

Claridad y coherencia entre el proceso elegido y el problema de predicción formulado.
Correcta identificación del tipo de ML (supervisado / no supervisado / por refuerzo).
Calidad y razonabilidad de los supuestos usados para estimar el valor de la decisión.
Argumentación de por qué la mejor decisión posible justifica el uso de un modelo predictivo.

📚 Para la próxima clase

Repasar los ejemplos de scoring, churn y pricing vistos hoy: en la Clase 3 se profundizará el uso práctico de ChatGPT, Claude y Gemini (prompts efectivos, GPTs/Projects/ Gems) para acelerar el trabajo del proyecto.
Traer identificado un ejemplo propio de uso de ChatGPT, Claude, Gemini u otra herramienta de IA Generativa en un contexto laboral o académico, con una opinión breve sobre sus límites.
Guarden el Hito 1: es la base directa del Hito 2 — Modelo de negocio validado, que se entrega el miércoles 19 de agosto (ver el detalle completo en Proyecto).