Descubre por qué la protección de marca debería considerarse un elemento clave de cualquier estrategia empresarial en la economía globalizada.
Internet hoy en día es un lugar más seguro que hace 20 años gracias a los avances en materia de seguridad, regulación y protección de marca.. Esto ha provocado que sea una herramienta mucho más presente en todos los ámbitos de nuestra vida personal y profesional.
Es esta ubicuidad la que lo ha hecho un entorno muy interesante para los piratas digitales que encuentran en los abusos de marca y venta de productos falsos un negocio muy lucrativo. Esto conlleva grandes perjuicios para las marcas afectadas que no solo ven sus ventas afectadas sino su imagen de marca gravemente dañada. Se estima que en torno a un 80% de las marcas se ven afectadas por esta situación.
En respuesta a este incremento de la piratería durante los últimos años, surge el concepto de protección de marca como medio para visibilizar, detectar y eliminar este contenido infractor.
Esta protección de marca en internet puede parecer un problema fácil de resolver a priori. Para un humano podría consistir en buscar el nombre de la marca o producto en algún buscador como Google y revisar unos cuantos enlaces para ver si se tratan de infracciones basándonos en ciertos factores como precio, país del vendedor o stock, y enviar una petición de desindexado al buscador en cuestión.
Sin embargo, este proceso que puede parecer sencillo e intuitivo conlleva mucho tiempo de trabajo si se quiere realizar con una calidad, cobertura y regularidad adecuados. Esto es, tener monitorizados los diversos canales de distribución donde se puede estar vendiendo nuestro producto, con la suficiente frecuencia para asegurarnos de que estamos detectando las nuevas infracciones y ser efectivos con el enforcement de las mismas. Por tanto, parece evidente que no es un trabajo escalable para un humano si lo queremos hacer de manera eficiente.
No obstante, gracias a los avances tecnológicos ocurridos en los últimos años en materia de tecnología de la información tales como lenguajes de programación de alto nivel, interfaces de comunicación entre servicios, big data e inteligencia artificial, este proceso puede ser llevado a cabo por una máquina con la supervisión de un humano. Concretamente, hablamos de un proceso que se apoya en avances tecnológicos tales como:
Este proceso se puede configurar y ejecutar de manera recurrente y automática para cada una de las marcas o productos de nuestro portfolio, siendo necesaria la presencia de un humano únicamente en las etapas finales del proceso de cara a verificar las acciones tomadas por la máquina. Por tanto, nos garantiza que las tareas más tediosas y rutinarias del proceso sean ejecutadas de manera automática, flexible y recurrente, para que el humano se centre en aportar el mayor valor posible a la marca y producto protegidos.
En Smart Protection disponemos de una plataforma que ejecuta este proceso de una manera parecida a lo descrito anteriormente, lo que nos permite ofrecer un servicio de calidad y eficiente a un gran abanico de clientes de diferentes verticales de negocio y con tipología de infracciones muy variadas.
Con este post queríamos inaugurar una serie de artículos en los que entraremos en detalle a cada una de las tecnologías descritas previamente y veremos cómo puede automatizar la labor de protección de marca online.
En este primer post técnico de la serie queremos dar una visión transversal al tipo de problemas que se pueden resolver mediante técnicas de Machine Learning y asociar algunas de estas a lo que supone hoy día la protección de marca online.
Machine Learning (ML) es una disciplina de la Inteligencia Artificial (IA) que permite aprender el comportamiento de un proceso a partir de ejemplos en los que ese proceso se ha llevado a cabo (dataset) y caracterizar de manera aproximada este proceso en un modelo matemático (algoritmo). Dicho de otra manera, un algoritmo observa los datos y “aprende” un comportamiento que explica esos datos, de tal manera que ante nuevos sucesos el algoritmo puede aplicar la lógica aprendida para estimar su resultado.
Dependiendo de la información que aportemos en los datos para que el modelo aprenda, distinguimos dos tipos de enfoque a la resolución del problema:
Como se adelantaba en el párrafo anterior, en los problemas de aprendizaje supervisado se proporciona dentro de los datos de entrenamiento el resultado final (comúnmente llamada target o label) para cada una de las observaciones que se proporcionan al modelo. ¿Por qué? Porque durante el proceso de entrenamiento (aprendizaje) lo que se trata de minimizar es la diferencia entre la predicción del modelo (y_pred) y el dato real (y).
En función del tipo de objetivo que persigamos poder predecir nos encontramos ante dos tipos principales de problema: Clasificación y regresión.
Hablamos de clasificación cuando el objetivo es asignar a cada observación una categoría de entre un número limitado de posibilidades excluyentes entre sí.
En el ejemplo que ilustramos antes el objetivo era clasificar si un día llueve (clase 1) o no llueve (clase 2). Estaríamos también hablando de clasificación si tratamos de predecir si un día el cielo está soleado, parcialmente nuboso, muy nuboso, o lluvioso.
Dentro de clasificación, podemos distinguir entre clasificación binaria (sólo tenemos dos clases a predecir) o clasificación multiclase (tenemos más de dos clases a predecir).
Sin embargo, cuando el objetivo a estimar para cada observación es un valor numérico, hablamos de un problema de regresión.
Un ejemplo de regresión, de nuevo aplicado al tiempo, sería la predicción de los litros de agua por metro cuadrado que va a llover en Madrid en un día concreto, en el que ya no esperamos saber si va a llover o no, sino si va a caer 8.2L/m2 (mucho) o 0.23L/m2 (poco).
A diferencia del aprendizaje supervisado, en los problemas de aprendizaje no supervisado no se cuenta con el valor final del resultado del proceso para cada observación.
El tipo de problema de aprendizaje no supervisado más típico es el de clustering.
En un problema de clustering el objetivo es identificar un número (conocido o no) de grupos (clusters) en los que se concentran las observaciones a partir de características comunes. Cuando los clusters convergen (se agrupan más) se puede, por ejemplo, identificar de manera menos sesgada posibles categorías que utilizar para un posterior problema de clasificación.
En el ejemplo que destacamos anteriormente, la identificación de temas que se tratan en una serie de noticias sería un ejemplo de clustering, en el que las noticias más similares irían agrupándose para formar los temas.
Entonces, ¿qué tipo de problemas dentro del ámbito de la protección de marca pueden ser abordados mediante Machine Learning? He aquí algunos ejemplos:
En Smart Protection utilizamos técnicas de Machine Learning para proveer el mayor valor de protección y contexto de marca a nuestros clientes. Nuestro objetivo es claro: satisfacer las necesidades del cliente aportando el máximo grado de automatización.
