05-May-2019

¿Dónde puede utilizarse la Inteligencia Artificial en negocios y empresas? Guía para Ejecutivos

Por Daniel Fagella*

Hacemos llegar a nuestros lectores un artículo de Daniel Fagella, publicado el 22 de abril de 2019 en Emerj. Traducción al español de Cotopaxi, autorizada por gentileza de Daniel Fagella.

La mayor parte de las veces que nos piden dar conferencias aquí, en Emerj, la solicitud proviene de directivos de empresas. Cuando fue publicado este artículo, yo acababa de regresar de una presentación en la National Defense University, en Washington DC. Hacer una presentación allí fue una ocasión única en muchos sentidos. Como es obvio, los casos de uso para tanques y submarinos son bastante diferentes de los de desarrollo de fármacos o de los que apuntan a una mayor venta de productos por fuera del canal minorista.

Lo que más me sorprendió fue que compartieran características. Pues resulta que los puestos de mando de las fuerzas armadas -y he visto lo mismo en lo que respecta a líderes de gobiernos, cuando trabajamos con el Banco Mundial o dimos conferencias en la Organización de las  Naciones Unidas- hacen preguntas similares. Las preguntas más comunes generalmente son alguna permutación de las que siguen: ¿Acaso puedo aplicar la IA al problema “X”, cualquiera sea ese problema, o bien, “La IA, ¿puede hacer “X”?

Un interrogante que surge generalmente es: “Sé cuáles son mis prioridades.¿La IA puede ayudarme con eso? ¿Puede aplicarse el Aprendizaje automatizado (Machine Learning) de tal manera que pueda ayudarme a lograr esa meta o a realizar esa tarea?”  Para la gente que no tiene una capacitación técnica en IA, es difícil entender en qué podría aplicarse y en qué no.

Lo cierto es que muchos líderes de negocios, y sin lugar a dudas, la mayor parte de los líderes de gobierno, no quieren volver volver a estudiar y hacerse de un Doctorado en Inteligencia Artificial o en Ciencias de la Computación. En lugar de eso, tendrán que educarse, de tal manera que puedan comprender dónde encaja la IA en su estrategia.

Hemos examinado aplicaciones de la visión artificial en el área de salud, en el análisis predictivo para finanzas y en toda clase de otras permutaciones de casos de uso. Estos casos de uso generalmente son un buen primer paso para que las personas puedan darse cuenta de cómo aplicar la IA, pero el segundo punto consiste en la comprensión fundamental de la IA y del aprendizaje automatizado en sí: cómo funciona y cuándo puede ser aplicado.

El propósito de este artículo es brindar a los líderes un marco intuitivo que permita establecer si la IA puede ser aplicada o no a un problema específico. Cuando los líderes analizan el problema y dicen: “¿Podría el aprendizaje de máquinas ayudarnos a hacer esto mejor?”, “¿Podría la inteligencia artificial ayudarnos a alcanzar esta meta, a lograr este objetivo?”, a lo que yo apunto es a brindarles una mejor intuición que permita establecer si la respuesta a ello es un sí definitivo o un no rotundo, o bien, algún punto intermedio entre ambos. Al terminar de leer este artículo, los lectores debieran tener una intuición mucho más fuerte de la que tenían antes, con respecto a estos puntos.



Cómo determinar dónde puede usarse la IA en los negocios

Básicamente, el proceso para discernir si la inteligencia artificial puede ser utilizada o no para resolver un problema específico, se desglosa de la siguiente manera. Tenemos cuatro pasos necesarios y un quinto paso, que es potencialmente opcional. Por supuesto que esto es una simplificación del proceso. Los pasos ordenados son estos:  

1. Reunir a expertos en el tema y a Científicos de Datos

El primer paso es conseguir a expertos en la materia en cuestión -gente que realmente entienda la problemática del negocio o el problema funcional que se apunta a resolver en un negocio/empresa- y a científicos de datos, reunidos en una misma habitación, con una pizarra a disposición. Esto no es algo que los líderes puedan omitir; es un paso necesario. A lo largo de este artículo, más adelante, describiré por qué ambas partes son realmente críticas para que pueda darse una IA.

2. Determinar cómo los seres humanos toman las decisiones que la IA necesitará tomar

A modo de ejemplo, si yo quiero que un vehículo todoterreno se conduzca solo, ¿qué decisiones necesitaría tomar? Necesitaría examinar su entorno, y luego necesitaría acelerar, girar el volante y dirigirse hacia determinado lugar. Esa es la decisión. “¿Qué está pasando?” y “¿A dónde me dirijo?  ¿Qué hago?”. En el diagnóstico médico, la decisión o el juicio es: “La imagen de este tumor, ¿es cancerosa o no cancerosa? ¿Es un tumor maligno o benigno? Una u otra. Esa es la decisión.  

Aquí hay un segundo punto, que en realidad es la primera pregunta que haremos tanto a los científicos de datos como a los expertos en la materia en cuestión: ¿Qué información usan los seres humanos para tomar esta decisión? También responderé a esto más adelante, en este artículo.

3. Determinar de qué manera el Proceso de Toma de Decisiones se puede convertir en Datos

¿De qué manera se pueden convertir en datos esos fragmentos de información que los humanos usan para tomar una decisión? Nuevamente, más adelante pasaré a describir esto.  

4. Determinar cuánto de ese proceso de toma de decisiones puede ser monitoreado y almacenado

El siguiente paso es ir de “¿Qué información necesitan los seres humanos para tomar esta decisión?” a “¿Cómo transformamos eso en algo cuantitativo, en algo que pueda ser monitoreado, y luego, “¿Cuáles de esos fragmentos de información que son cuantificables pueden ser realísticamente almacenados, monitoreados y reunidos en un formato confiable?”

5. Opcional: Determinar los Datos No-Humanos que una máquina pueda usar para llegar a una decisión

Esto no es crítico para la comprensión de los aspectos básicos por parte de los líderes, pero discutiremos este punto más adelante, en este mismo artículo.

Ejemplo: Lead Scoring (Puntuación de cliente potenciales)

En vez de quedarnos en un plano abstracto, vamos a adentrarnos en algunos ejemplos actuales dentro de un potencial negocio. El primer ejemplo es el de la puntuación de clientes potenciales o lead scoring. En cualquier negocio que venda cosas, los líderes necesitan priorizar las actividades de su gente de ventas; de otro modo, ellos podrían no aprovechar su tiempo al máximo. La puntuación de clientes potenciales es una funcionalidad dentro de CRM o algún tipo de software de marketing digital cuyo uso permite establecer prioridades en el sentido de cuán factible es que alguien compre y qué valor tiene él para la compañía.

Determinar cómo los seres humanos toman las decisiones que la IA necesitará tomar

En primer lugar, los expertos en el tema y los científicos de datos deben determinar cómo toman esta decisión los seres humanos, determinar el valor de un cliente potencial. Si un líder de un negocio sentase a su equipo de ventas y preguntara: “Cuando miran que hay 20 clientes potenciales en su bandeja de entrada, o mientras dan una vuelta por el CRM, ¿cómo deciden a quién llamar primero?” Ellos les proveerán de un puñado de información. Los vendedores que son realmente buenos probablemente tendrán una sana intuición acerca de qué puntos o qué campos de datos son más importantes para realizar la puntuación de clientes, o, al menos, cómo lo hacen ellos mentalmente. Estos vendedores, que son expertos en la materia en cuestión, transmitirán esta información a los científicos de datos.  

Ellos pueden llegar a decir: “En realidad miro el tamaño de la compañía. Las compañías que son realmente grandes tienden a cerrar acuerdos importantes, así que, en general,  primero llamaré a los tipos grandes, salvo que algunos de los otros factores se desvíen mucho de la regla.” También pueden llegar a preguntar de qué industria es el cliente.  Puede que sepan que las compañías de seguros y los bancos muy, pero muy probablemente cierren un acuerdo rápido y hagan una compra muy grande de productos, de modo que es probable que prioricen a la gente de servicios financieros y seguros. También podrían decir que con la gente del sector de E-Commerce y del canal minorista, si bien suelen estar interesados en el producto de la compañía, históricamente tienden a tener muchas menos chances de cerrar un acuerdo, por la razón que fuere.

También es probable que analicen el valor de cliente a largo plazo (Customer Lifetime Value, CLTV) considerando otras compañías similares. Puede darse que un vendedor analice esa empresa y diga: “Esta es una empresa de mobiliario que tiene ingresos de $400 millones al año. ¿Hemos tenido en el pasado tiendas de mediano tamaño de este tipo? ¿A qué otras tiendas con oficinas físicas hemos vendido?, y en términos generales, ¿qué valor han reportado estos clientes? ¿Cuán fácil o difícil fue concretar ventas con ellos?”

También podrían recurrir al carácter reciente del cliente potencial. “¿Cuán recientemente entró esta persona al sistema de clientes potenciales?” La respuesta podría ser que ingresó hace seis meses, y que ese cliente potencial ha estado instalado en el CRM sin actividad. La respuesta podría ser la semana pasada; que acaban de ingresar la información y la compañía ha tenido un par de puntos de contacto con ellos.

Determinar cómo se puede transformar el Proceso de Toma de Decisiones en Datos

Estos son todos los fragmentos de información que se usan para transmitir de qué manera un ser humano puede calificar a un cliente potencial. Ahora bien, los líderes tienen que preguntar cuáles de estos fragmentos pueden ser cuantificables. En este ejemplo, algunos de ellos son:

El tamaño de la empresa a la cual uno intenta potencialmente vender puede deducirse basándose en el número de empleados que ésta menciona en LinkedIn. Como alternativa, se pueden adquirir datos de una empresa proveedora de datos e informes comerciales, que pueda informarnos a cuánto ascienden los ingresos de estas compañías.

Hay muchas maneras de categorizar una compañía según la industria o sector al que pertenece, pero hipotéticamente los líderes pueden sencillamente elegir una y verificar en qué puntos falla la empresa con la que intentan concretar ventas.

El valor de cliente a largo plazo de las compañías similares a las del negocio en que participa aquella a la que se intenta vender puede cuantificarse, pero la compañía [vendedora] en cuestión necesitaría contar con un registro histórico de empresas a las que ha vendido, basado en su tamaño e industria. También debiera incluir el porcentaje de empresas que cerró y cuál fue su valor de cliente a largo plazo. Si tenemos suerte, la compañía tiene esa información a su disposición.

Por último, el carácter reciente de un cliente potencial es ciertamente cuantificable , pero hay otros factores, que los seres humanos pueden llegar a utilizar, que pueden no ser cuantificables. Cuando se pregunta [a la gente de ventas] de qué forma establecen prioridades para tratar con clientes potenciales, un vendedor podría afirmar: “Tengo un muy buen instinto para detectar cuán entusiasmada está una persona con comprar nuestro producto” o bien “Tengo un buen instinto para detectar si esta persona será capaz de venderle a su jefe o si será capaz de forjarse el presupuesto para comprar el producto”, o también “Soy muy optimista”, o “Soy bastante pesimista en cuanto a que este departamento necesite fuertemente nuestro producto”.

Determinar cuánto de ese proceso de toma de decisiones puede ser monitoreado y almacenado

Los vendedores con frecuencia se valen de sus intuiciones. A veces podrán estar en lo cierto, pero muchas veces esto no es cuantificable. Este tipo de sensación que puede llegar a darse en el cerebro de una persona de ventas, en general, no es algo que pueda ser monitoreado a nivel datos. Es un fragmento de información que puede resultar difìcil de incorporar a una máquina.

Sin embargo, el grueso de las formas en que los vendedores establecen prioridades para tratar con cliente potenciales sí puede ser monitoreado, cuantificado y transmitido a una máquina. Esto constituye un buen augurio para proponer el aprovechamiento de la IA para esa función. En esencia, si la mayor parte de la información que usan los humanos para tomar decisiones es fácilmente monitoreable e incorporable a una máquina, entonces existen más probabilidades de que sea factible utilizar la IA para dicha función.  



Ejemplo 2: Vehículos Militares Todoterreno

El próximo ejemplo se refiere a un vehículo militar para todoterreno, que será utilizado para entregar provisiones en Afganistán. Como es obvio, lo primero que los líderes deben preguntar es: “¿Qué información utilizan los seres humanos para que se realice este trabajo?” Siendo más específicos, las decisiones o apreciaciones que el conductor habrá de tomar serán cómo y cuándo girar, acelerar, retroceder, detenerse, seguir adelante, dar marcha atrás y cualquier otra cosa que necesite hacer, para conducir el vehículo desde un punto A hasta un punto B.

Determinar cómo los seres humanos toman las decisiones que la IA necesitará tomar

¿Cómo hacen todo eso los conductores humanos? Uno podría decir, “Simplemente miran a su alrededor con sus ojos y colocan un pie en el pedal”. Pues bien, se trata de algo más que eso.

En esta situación, puede haber mapas satelitales que ayuden a los conductores a sortear obstáculos y a asegurarse de que puedan llevar las cosas a donde se requieran. Por supuesto, los conductores también deben poseer ciertos conocimientos sobre el punto de destino. Esto puede implicar el uso de GPS.  

Determinar cómo se puede transformar el Proceso de Toma de Decisiones en Datos

Los líderes luego podrían cuestionarse: “¿Qué parte de esta información puede ser reunida en un formato confiable y ser convertida en datos?” La visión y los datos aportados por cámaras son relativamente fáciles de monitorear, si bien estos conllevan varios desafíos. En esta situación, uno podría fijar cámaras 3D en el perímetro exterior del vehículo, y así obtener una visión completa de lo que hay en torno al vehículo.

Además, los datos brindados por el mapa satelital pueden ser incorporados a la máquina. Dicho esto, la lectura de este mapa constituye en cierta manera un reto para una máquina, si debe realizarla por sí misma. Los científicos de datos necesitan hallar la forma de cuantificar ese mapa. Pero cuantificar la manera en que un ser humano distingue un precipicio de un río, o un material de otro no es fácil. Esta es una compleja tarea que atañe a la visión computarizada, pero teóricamente es factible de realizar. Por el contrario, la información de GPS referida al destino es algo que no es difícil de cuantificar.

Determinar cuánto de ese proceso de toma de decisiones puede ser monitoreado y almacenado

Esta situación es plausible para un sistema de aprendizaje automatizado, pero es particularmente complicada, sobre todo en lo que concierne a la parte visual. El sistema de visión computarizada no está siendo entrenado para identificar cuándo un perro ingresa en el campo de la cámara. Estos sistemas son un tanto sencillos, especialmente, si hay un fondo uniforme. Pero entrenar el sistema de visión de una máquina para que distinga entre un precipicio, un peñasco y cierto tipo de meseta es mucho más difìcil.

Los actuales sistema de visión computarizada son alimentados con datos sobre caminos pavimentados que poseen señales de alto y semáforos, pero no precipicios que uno deba sortear ni rocas gigantes con las que uno pueda toparse en medio de la arena. Estos sistemas no están entrenados para ser utilizados en vehículos que se conducirán sobre dunas de arena. Si bien los datos son cuantificables, es difícil entrenar el sistema visual de una máquina para detectar una infinidad de cosas con las cuales el conductor hipotéticamente podría toparse estando en medio del desierto.

Y esto es porque uno no está solamente programando una máquina para contar cuántas veces entra una pelota roja en el campo de visión de la cámara, sino para identificar todos los obstáculos que hay en el desierto y luego enviar la orden a los comandos del vehículo para que los esquive. Entrenar el sistema visual de una máquina para que haga esto requiere de una tremenda cantidad de tiempo y de datos.

Cuándo no puede ser usada la IA - Ejemplos

Diagnósticos complejos

La IA no es aplicable a cualquier situación. Como ejemplo, podríamos mencionar el diagnóstico de un desorden o trastorno cerebral. Si un niño aparece en el hospital con la nariz goteando y fiebre, pero no se ve ningún otro problema además de ello, hay muchas probabilidades de que un médico diga que el niño tiene un resfriado o una gripe. El doctor también podría decir que cursa una infección puntual, basado en un laboratorio que analice glóbulos blancos en sangre. La verdad es que algunos cuadros tan solo precisan de un cierto número de datos para ser plenamente entendidos y diagnosticados, o al menos así es en la mayoría de las circunstancias.

Determinar cómo los seres humanos toman las decisiones que la IA necesitará tomar

Existen otros casos en los que el diagnóstico es una tarea mucho más intuitiva. Supongamos que existe una infección bacteriana que es difícil de diagnosticar. El médico necesita reunir varios datos puntuales, pero no hay datos que permitan ser conclusivos en este tipo particular de infecciones, cuando nos atenemos a los datos de temperatura corporal y muestras de sangre.

Quizás, para diagnosticar esta infección, el doctor también tendrá que preguntar a los padres: “¿Su hijo ha estado sintiéndose somnoliento? ¿Está más irritable que de costumbre? ¿Se ha quejado de sentir un sabor distinto en las comidas? ¿Ha hecho tal cosa, ha hecho tal otra?

El doctor podría formular una amplia variedad de preguntas para tantear si el niño tiene o no la infección, o bien alguna otra. Quizás tenga que consultar bibliografía médica si no está familiarizado con la infección, en busca de criterios diagnósticos posibles.  

Determinar cómo se puede transformar el Proceso de Toma de Decisiones en Datos

Si un diagnóstico involucra un montón de preguntas, asesoramiento e intuición, es poco probable que pueda ser realizado por una máquina con cierto grado de confiabilidad.  Los científicos de datos lucharán por cuantificar la respuesta a una pregunta como, por ejemplo, “¿Su hijo ha estado más irritable ahora, comparado con antes?” Los padres podrían decir, “Siempre está irritable”, lo cual arroja una respuesta extremadamente difícil de cuantificar y no le marca al doctor una u otra dirección para determinar si el niño está cursando los síntomas de la infección.

Sumado a esto, el médico tiene que leer las emociones de los padres para tener una idea de cuán sinceros están siendo frente a estas preguntas, que son de una índole muy personal. Este tipo de tareas son excesivamente intuitivas, y los datos que el doctor toma como puntos para hacer un diagnóstico, la decisión a la que llega, involucran tal contexto que es altamente improbable que un sistema de aprendizaje automatizado pueda ser capaz de tomar esa decisión.

Determinar amenazas de misiles

Cuando estuve en las Naciones Unidas, hablamos sobre las aplicaciones de la IA en el área de Seguridad, y alguien preguntó: “Ahora mismo tenemos analistas y gente que está haciendo un rastrillaje de los cielos y están analizando si ciertas acciones que realizan determinadas fuerzas armadas podrían resultar en un ataque armado o si simplemente son factibles de ser movimientos inocentes que no necesariamente conducirán a un ataque. ¿Puede la IA ayudarnos a discernir qué es un ataque versus qué no lo es?

Este es un ejemplo en el cual podría darse cierta aplicación de inteligencia artificial y aprendizaje por medio de máquinas, pero hay muchas barreras de acceso, porque la información requerida para poder distinguir entre una amenaza y una no-amenaza no es fácilmente cuantificable. Sumado a ello, la frecuencia con que se producen amenazas de misiles es muy baja.

Determinar cómo los seres humanos toman las decisiones que la IA necesitará tomar

Un ser humano que tome esta decisión podría preguntar: “¿Cómo se ha comportado con sus enemigos este ejército, históricamente?” Aún así, las amenazas misilísticas constituyen un fenómeno relativamente reciente, y, una vez más, la frecuencia de los datos a disposición es extremadamente baja. A fin de desarrollar la IA, uno necesita apoderarse de esos datos analizando cuántos buques envía una armada determinada cuando manda sus misiones de patrullaje. Un almirante sería capaz de aportar ese número.

El ser humano encargado de tomar la decisión también necesita cierto contexto político. Podría formular toda clase de preguntas: ¿El país está teniendo algún problema con otro país? ¿Hay una guerra comercial en curso? ¿Se está desarrollando algún conflicto vinculado al precio del petróleo entre los dos países? ¿Existe, por alguna razón, cierto tipo de tensiones entre los gobernantes de estos dos países? ¿Alguno de los dos está defendiendo los derechos humanos que el otro pueda estar violando de alguna manera? Estos factores políticos son realmente difíciles de identificar, lo cual los vuelve difíciles de cuantificar.

.

Determinar cómo se puede transformar el Proceso de Toma de Decisiones en Datos

Hipotéticamente, es posible construir un modelo que pueda estimar el proceso de toma de decisiones, pero sería extremadamente difícil hacerlo. Algunos países no actuarán de una manera previsible. No hay un registro histórico de cada país en su ataque a cada uno de los demás países. De hecho, no hay ningún país que haya atacado a todos los demás países. De la misma manera, cuando se trata de representar factores políticos, si bien puede haber cierta puntuación tomando como base los medios de comunicación y otras fuentes para poder analizar la animosidad o amistad entre países a un nivel político general y amplio, los datos no necesariamente se trasladan a conflictos navales en ciertas áreas puntuales.  

El tipo de detección para determinar si hay o no una amenaza militar es realizado mejor por seres humanos, que leen tableros de mando y se valen de un contexto más vasto para tomar una decisión, y esto es así por la mera razón de que los datos no son cuantificables.



Recopilar datos no-humanos

A veces, la forma en que los seres humanos toman una decisión dista mucho del modo en que lo hace una máquina. Por ejemplo, los seres humanos no usan radares ni lidares para conducir automóviles. Sin embargo, los vehículos autómatas se valen de los lidares a modo de fragmentos de datos sensoriales para ayudarse a medir la distancia y la proximidad de distintos tipos de objeto y clarificar un poco mejor su información visual. El lidar es una capa de información que se añade a aquello que concebimos como datos visuales. Los carros autómatas también utilizan otras fuentes para tener una mejor idea de su entorno físico, y que pueden ir más allá de las que poseen los seres humanos.

Con frecuencia se requerirá contar con científicos de datos y expertos en la materia, que se reúnan y analicen los fragmentos de datos no-humanos, que ayuden a aportar información para el proceso de toma de decisiones que habrá de realizar la máquina. Otro ejemplo: un terapeuta humano podría transmitir a los científicos de datos los factores para determinar si alguien está empeorando en un estado de depresión o no. Una aplicación orientada a determinar cuán deprimido está alguien podría considerar en qué lugar está en un momento determinado. Podría considerar la frecuencia con que una persona varía de localización física, basándose en su teléfono. Podría considerar la frecuencia con que envía mensajes de texto y a quién los envía. También podría tomar en cuenta el tono emocional general de esos mensajes de texto.

Sin embargo, ningún terapeuta dirá que usa el tono emocional de los mensajes de texto de un paciente como factor para determinar cuán deprimido está él. Dicho esto, un científico de datos y un experto en el tema sentados a una misma mesa y en la misma habitación pueden hallar focos de datos únicos, factibles de ser reunidos por una empresa. Estos datos podrían brindarles puntos de datos adicionales para ayudar a una máquina a tomar esta decisión.

A veces, esto implica pensar de una manera creativa cómo se realiza esto ahora y también implica detenerse en nuevas fuentes de datos que ayudarían a la máquina a entender y resolver el problema de una manera que quizás los humanos ni siquiera utilizan en este preciso momento.

Repetir el Proceso

Consiga reunir expertos en el tema y científicos de datos en la misma sala, con una pizarra a disposición. Si el líder de un negocio decide que quiere aplicar la IA en un área específica y está comprometido con ello, debiera traer a un científico de datos. Cuando una empresa o negocio toma en serio la adopción de la IA, es muy importante transitar exhaustivamente el primer paso de reunir expertos en la materia y científicos de datos, juntos, en una misma sala.

Y luego, preguntar: “Qué información usan los seres humanos para tomar esta decisión o hacer este juicio, ahora?” Una vez que se analice esto, hay que determinar cómo puede transformarse la información en datos cuantificables. Hecho esto, los científicos de datos pueden descifrar cuántos de esos datos pueden ser monitoreados y almacenados de manera confiable de tal modo que permitan ser incorporados a un sistema de aprendizaje automatizado. Después, también podría ayudar si se detienen a pensar en si hay algún dato que provenga de fuentes no-humanas, que el negocio puede recopilar para mejorar el aporte de información al sistema.

Si el líder de un negocio atraviesa estos pasos y descubre que el proceso de toma decisiones realizado por humanos no es fácilmente cuantificable y transformable en datos, entonces está ante una situación en la que tiene bajas probabilidades de aplicar el aprendizaje automatizado, es decir, realizado por una máquina.  

Sólo mediante la consecución de este juicio acerca de si la IA puede o no funcionar para un problema particular de un negocio, se permitirá que un líder pueda huir del espacio que lleva a pensar que todo o bien nada podría utilizar IA.

* Daniel Faggella es el fundador y CEO de Emerj. Ha sido convocado por la Organización de las Naciones Unidas (ONU), el Banco Mundial (BM), INTERPOL y muchas otras organizaciones y empresas globales. Daniel es un experto muy solicitado por los líderes de gobierno y empresarios en todos los temas referidos a las repercusiones de la estrategia competitiva de la IA.

Header Image Credit: monitorulcj

Las Nuevas Tecnologías para la administración de Recursos Humanos
Ver más
Informes de gestión de Recursos Humanos: los KPI's
Ver más
Cómo gestionar la Plantilla de Personal a mediano y largo plazo
Ver más
¿Cómo funciona un software de reclutamiento de personal?
Ver más
¿Cómo optimizar una publicación de vacantes de empleo con SEO?
Ver más
Reclutamiento de Personal 2.0
Ver más
Canales y métodos de reclutamiento de personal
Ver más
Acciones conjuntas: compromiso de los empleados con la RSE
Ver más
Claves para seleccionar personal de RRHH
Ver más
Contratación del personal: outsourcing vs. contratación tradicional
Ver más
Procesos de Capacitación en Sistemas Integrados SAP
Ver más
Claves para seleccionar personal de Ventas
Ver más
Reclutamiento de Personal en las Redes Sociales
Ver más
Descripción de Puesto: Lineamientos Estratégicos
Ver más
Administración de Recursos Humanos en la Era Digital
Ver más
Estrategias de Selección de Personal
Ver más
12 Fuentes de Reclutamiento de Personal
Ver más
Contratación de Personal en México
Ver más