Michelangelo, la analítica de Uber

Durante toda la historia la movilización ha sido un factor muy importante para el ser humano. A lo largo del tiempo el servicio de taxis dominó el mercado en la mayoría de países. Sin embargo, en 2009 una idea transformó y revolucionó la forma de movilizarnos. Se creó una plataforma para solucionar el problema del servicio de transporte donde se buscaba que a través de tu teléfono tengas un vehículo en el lugar adecuado y en el momento preciso.

El generador de esta idea fue Travis Kalanick, el nació en Los Angeles, USA en 1976. Buscando innovar la movilización decidió implementar un plan de negocios basada en la economía colaborativa. Es decir, que él no quería tener empleados a quienes pagarles un sueldo, él simplemente quería unir conductores con consumidores a través de una aplicación. Así que en 2009 se fundó Ubercab, esta empresa se basaba en pedir un taxi desde una aplicación. Al tener una gran acogida en 2010 se lanzó la aplicación en San Francisco. Al tener bastante éxito muchos inversionistas decidieron invertir en la empresa y así fue como crecieron a diferentes ciudades. En 2012 se cambiaron de nombre a Uber y el resto ya es historia.

En un principio, al tener pocos consumidores, Uber manejaba toda la información manualmente. Pero en vista de que empezó a existir un crecimiento exponencial en la empresa teniendo más consumidores y más conductores, la aplicación necesitaba manejar mayor información. Esto provocó que la mayor parte de sus inversiones se vayan en plataformas para poder manejar los datos y lograr que la aplicación funcione correctamente. Como uber menciona “Uber Engineering está comprometida con el desarrollo de tecnologías que crean experiencias impactantes y fluidas para nuestros clientes. Estamos invirtiendo cada vez más en inteligencia artificial (IA) y aprendizaje automático (ML) para cumplir con esta visión” (Hermann, J. 2017).

Al tener el objetivo de tener una aplicación y una plataforma eficiente, Uber decidió contratar científicos de datos. Estos ayudaron a la empresa para crear algoritmos y para crear un mejor manejo de los datos y así poder tener un mejor manejo dentro de la aplicación. Lograron recopilar todos los datos en una misma plataforma. “Usaban una amplia variedad de herramientas para crear modelos predictivos (R, scikit-learn , algoritmos personalizados, etc.). Algunos científicos e ingenieros de datos podían construir en un corto período de tiempo con herramientas en su mayoría de código abierto.” (Holler. A, 2019). Como se menciona, existió mucha dificultad y muchas herramientas para poder manejar esa cantidad de datos.

Después de pasar por todos estos desafíos, Uber logró crear una plataforma revolucionaria llamada Michelangelo “En Uber, nuestra contribución a este espacio es Michelangelo, una plataforma interna de aprendizaje automático como servicio que democratiza el aprendizaje automático y hace que escalar la IA para satisfacer las necesidades de las empresas sea tan fácil como solicitar un viaje.” (Hermann, J. 2017). Esta plataforma fue diseñada para administrar datos, evaluar e implementar datos, hacer predicciones en tiempo real, monitoreo y aprendizaje automático. Generando herramientas escalables, confiables, reproducibles, fáciles de usar y automatizadas.

En conclusión, creo que Uber ha tenido que adaptarse rápidamente en el mundo digital y de datos. Esto ha sido su factor diferenciador y el punto clave de su éxito. Ya que esto le permite tener muchas predicciones en tiempo real y le ayuda a tomar mejores decisiones, también este gran manejo de datos hace que todo sea mucho más eficiente y funcione mejor. Por otro lado, esto funciona para tener un marketing digital mucho mejor por lo que se puede vender mucho más. Por esto considero que Uber es un gran ejemplo de cómo se debe manejar los datos para beneficiar a tu empresa.

Bibliografía:
Hermann, J. (2017, September 5). Meet Michelangelo: Uber’s Machine Learning Platform. Retrieved February 4, 2021, from Uber Engineering Blog website: https://eng.uber.com/michelangelo-machine-learning-platform/

Holler, A. (2019, October 16). Evolving Michelangelo Model Representation for Flexibility at Scale. Retrieved February 5, 2021, from Uber Engineering Blog website: https://eng.uber.com/michelangelo-machine-learning-model-representation/

Responder

Por favor, inicia sesión con uno de estos métodos para publicar tu comentario:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s