Los científicos de datos de producto suelen construir modelos a partir de datos de comportamiento, como inicios de sesión, historial de facturación y uso de funciones. Sin embargo, las señales ocultas en los tickets de soporte, las reseñas y las respuestas de encuestas a menudo aportan un contexto que estas tablas nunca capturan. Este artículo explica cómo el procesamiento del lenguaje natural (PLN) puede llenar ese vacío y fortalecer los modelos tradicionales de producto.
Los científicos de datos de producto se centran en analizar el comportamiento de los usuarios, optimizar las funciones y hacer crecer el negocio mediante modelado, experimentación y diseño de métricas. Entre los problemas habituales están la modelización de la pérdida de clientes (churn) y del valor de vida del cliente (CLV). Estos problemas no están de moda, pero siguen siendo fundamentales para las empresas y requieren la participación de las partes interesadas en ventas, marketing y otros equipos.
El artículo describe tres familias de técnicas de PLN que se repiten en los casos de uso de producto: clasificación, análisis de temas y agrupaciones, y recuperación o similitud basada en embeddings. El reconocimiento de entidades nombradas y la detección de anomalías basada en embeddings encajan indirectamente en estas familias.
Los casos de uso tratados incluyen la predicción de abandono de clientes, el CLV, la segmentación de clientes, los sistemas de recomendación, la fijación de precios y la elasticidad, la previsión de demanda, la detección de anomalías y la puntuación de leads. El autor sostiene que el texto suele ofrecer una señal más temprana que el comportamiento, ayuda a cubrir huecos donde los datos de comportamiento son escasos y explica el "por qué" detrás del "qué". Se incluyen fragmentos de código base y enlaces a recursos para ayudar a los lectores a empezar.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing