En las lecciones anteriores hemos definido el Machine Learning, recorrido su historia y clasificado sus tipos. Ahora toca responder una pregunta muy práctica: ¿para qué se usa realmente el ML en el mundo profesional? En esta lección haremos un recorrido por las aplicaciones más relevantes sector a sector —comercio, salud, finanzas, industria, transporte, lenguaje y visión—, aterrizaremos varios casos de uso concretos en MercaFresh, y terminaremos con algo que distingue a un buen profesional: los criterios para decidir cuándo tiene sentido usar ML y cuándo no. Saber cuándo no aplicar ML ahorra tanto dinero como saber aplicarlo bien.

1. El ML que ya usas sin saberlo
2. Aplicaciones por sector
3. Casos de uso concretos en MercaFresh
4. ¿Cuándo tiene sentido usar Machine Learning?
5. ¿Cuándo NO usar Machine Learning?
6. Una nota sobre responsabilidad

Antes de hablar de sectores, cae en la cuenta de que el ML ya media tu día a día:

• El filtro de spam de tu correo (clasificación, como vimos en la lección anterior).
• Las recomendaciones de series, música o productos que te muestran las plataformas.
• El desbloqueo facial del móvil y el autoetiquetado de tus fotos (visión por computador).
• El corrector y el teclado predictivo al escribir mensajes.
• La ruta "más rápida" que te propone el navegador, que predice el tráfico.
• La aprobación casi instantánea (o el bloqueo) de un pago con tarjeta dudoso.

La invisibilidad es la norma: el ML de mayor impacto económico no es el que sale en las noticias, sino el que funciona silenciosamente dentro de procesos cotidianos.

Es el sector de nuestro hilo conductor, y uno de los más maduros en adopción de ML:

• Sistemas de recomendación: "los clientes que compraron X también compraron Y". En grandes plataformas, un porcentaje sustancial de las ventas proviene de recomendaciones automáticas.
• Previsión de demanda: cuántas unidades de cada producto se venderán, para comprar y almacenar lo justo (regresión).
• Predicción de abandono (churn) y valor de vida del cliente (CLV): a quién dirigir campañas de retención (clasificación y regresión).
• Segmentación de clientes para marketing personalizado (clustering).
• Precios dinámicos y optimización de promociones.

• Apoyo al diagnóstico por imagen: detección de tumores en mamografías o retinopatías en fondos de ojo, con rendimiento comparable al de especialistas en tareas concretas (clasificación sobre imágenes).
• Predicción de riesgo: probabilidad de reingreso hospitalario o de complicación de un paciente.
• Descubrimiento de fármacos: cribado de millones de moléculas candidatas; el caso AlphaFold (predicción de la estructura 3D de proteínas) aceleró años de trabajo de laboratorio.
• Nota importante: en salud el modelo asiste, no sustituye, al profesional; la decisión clínica sigue siendo humana.

• Detección de fraude en tiempo real: decidir en milisegundos si un pago con tarjeta es legítimo (clasificación, con el reto añadido de que el fraude es rarísimo comparado con las operaciones normales).
• Scoring crediticio: estimar la probabilidad de impago antes de conceder un préstamo.
• Detección de blanqueo de capitales y anomalías en movimientos.
• Trading algorítmico y previsión de series financieras.

• Mantenimiento predictivo: anticipar la avería de una máquina a partir de sensores (vibración, temperatura), para repararla justo antes de que falle en lugar de con calendarios fijos.
• Control de calidad visual: cámaras que detectan piezas defectuosas en la línea de producción.
• Optimización de procesos y consumo energético: por ejemplo, reducir la energía de refrigeración de centros de datos.
• Previsión de generación renovable (eólica, solar) para equilibrar la red eléctrica.

• Optimización de rutas de reparto considerando tráfico, ventanas horarias y capacidad de los vehículos.
• Estimación del tiempo de llegada (ETA) que ves en apps de navegación y de reparto.
• Conducción autónoma: percepción del entorno (visión), predicción del comportamiento de otros vehículos y decisión (donde interviene el aprendizaje por refuerzo que presentamos en la lección anterior).
• Previsión de demanda de movilidad: cuántos vehículos harán falta y dónde.

Más que un sector, son capacidades que atraviesan todos los sectores:

• Procesamiento del lenguaje natural (NLP): traducción automática, análisis de sentimiento de reseñas, chatbots de atención al cliente, resumen de documentos, y los asistentes de IA generativa de la era actual (lección 01-02).
• Visión por computador: reconocimiento de objetos y caras, lectura automática de documentos (OCR), inspección visual, análisis de imágenes por satélite.

Bajemos ahora a nuestro supermercado online y conectemos sectores con realidades de negocio. Estos tres casos de uso son representativos de lo que un equipo de datos aborda en el comercio electrónico:

Situación: la página de inicio de MercaFresh muestra los mismos 20 productos destacados a todos los clientes. Con ML: cada cliente ve una selección personalizada ("tu compra habitual", "quizá te falte..."). Si un cliente compra pañales cada 3 semanas y hace 20 días de la última vez, el sistema se los sugiere.

• Datos necesarios: historial de compras por cliente, catálogo, cestas conjuntas.
• Valor de negocio: más ticket medio, menos olvidos, más fidelidad.

Situación: los productos frescos caducan; comprar de más genera merma (pérdidas por caducidad) y comprar de menos genera roturas de stock (clientes insatisfechos). Con ML: un modelo de regresión predice las unidades de cada fresco para los próximos días usando historial, festivos, promociones y meteorología.

• Un 2 % menos de merma en frescos puede suponer cientos de miles de euros anuales en una cadena mediana.
• Es el ejemplo canónico de regresión que seguiremos en los módulos 4 y 6.

Situación: MercaFresh promete franjas de entrega de 1 hora, y cumplirlas es caro. Con ML:

• Predecir el tiempo real de cada entrega (regresión) para no vender franjas imposibles.
• Prever la demanda de repartidores por zona y franja para dimensionar la plantilla.
• Detectar pedidos anómalos (direcciones extrañas, importes atípicos) antes de que salgan del almacén.

El fragmento resume la transición típica en las empresas: de una regla razonable pero rígida (media más un colchón fijo, que ignora festivos, promociones o el tiempo que hará) a una predicción específica para cada día y producto. No es que la regla fuera absurda; es que deja dinero sobre la mesa.

No toda pregunta de negocio merece un modelo. El ML compensa cuando se cumplen, a la vez, la mayoría de estas condiciones:

1. Existe un patrón plausible que aprender (la demanda de pan depende de algo: día, clima, promos...).
2. No podemos escribir las reglas a mano, porque son demasiadas, demasiado complejas o cambian con el tiempo (recuerda la comparación de la lección 01-01).
3. Hay datos suficientes, relevantes y accesibles sobre el fenómeno (y, para problemas supervisados, con la etiqueta registrada).
4. El problema se repite a escala: se toma la misma decisión miles de veces (un pedido de compra por producto y día, una predicción por cliente). Automatizar una decisión que se toma dos veces al año no compensa.
5. Un error tiene coste asumible o hay supervisión humana para los casos delicados.
6. Podemos medir el resultado (la P de Mitchell): sin métrica, no sabremos si el modelo aporta valor.

Igual de importante. Señales de que el ML no es el camino:

Regla práctica: empieza siempre por la solución más simple que funcione (una regla, una media histórica, una hoja de cálculo). Esa solución simple, además, se convertirá en tu baseline: la referencia mínima que cualquier modelo de ML deberá superar para justificar su existencia. Retomaremos esta idea al hablar de evaluación en el módulo 6.

En MercaFresh, dos ejemplos de "no ML":

• Calcular el descuento del club de fidelidad (5 % fijo en frescos los martes): regla de negocio pura; programación tradicional.
• Decidir si abrir operaciones en Portugal: decisión estratégica única; los datos ayudan al análisis, pero no es un problema de predicción repetitiva que automatizar.

Las aplicaciones vistas tocan vidas: conceder o no un crédito, priorizar un diagnóstico, mostrar u ocultar una oferta. Todo modelo aprende de datos históricos, y si esos datos contienen sesgos, el modelo puede perpetuarlos; además, los datos personales exigen un tratamiento legal y ético cuidadoso (en Europa, RGPD). De momento, quédate con el principio: que se pueda predecir algo no significa que se deba. Trataremos la ética y la privacidad en profundidad en la lección 08-04, cuando ya sepas construir modelos.

• Empezar por la tecnología en lugar del problema. "Hagamos algo con IA" es la antesala del fracaso; "reduzcamos la merma de frescos un 15 %" es un proyecto. Primero el problema, luego la herramienta.
• Saltarse la solución simple. Sin un baseline (media histórica, regla actual), nunca sabrás si tu modelo aporta valor o solo complejidad.
• Suponer que "hay datos" equivale a "hay datos útiles". Tener millones de filas no sirve si no registran la variable clave (p. ej., querer predecir churn sin haber guardado nunca las fechas de baja).
• Ignorar el coste total. Un modelo hay que construirlo, desplegarlo, monitorizarlo y mantenerlo (lo veremos en el módulo 8). Para decisiones de poco impacto, ese coste supera el beneficio.
• Consejo: ante cualquier propuesta de proyecto de ML, pásala por la lista de 6 condiciones de esta lección. Si falla en dos o más, replantea el proyecto antes de escribir una línea de código.

Relaciona cada aplicación con su sector y con el tipo de ML más probable (usa los tipos de la lección 01-03): (a) predecir la energía que producirá mañana un parque eólico; (b) agrupar tiendas físicas por patrones de venta similares para asignarles surtido; (c) detectar transacciones de blanqueo entre millones de movimientos bancarios; (d) chatbot que clasifica los mensajes de clientes en "pedido", "devolución" o "queja".

Aplica las 6 condiciones de "¿cuándo tiene sentido usar ML?" al siguiente encargo de MercaFresh: "Queremos predecir qué franja horaria de entrega elegirá cada cliente al hacer su pedido, para preasignar repartidores". Indica condición por condición si se cumple y concluye si el proyecto es razonable.

Un directivo de MercaFresh propone: "Usemos ML para decidir el eslogan de la campaña de Navidad de este año". Explica en 3-5 líneas por qué este encargo encaja mal con el ML, apoyándote en la tabla de señales de "cuándo NO usar ML", y propón un uso alternativo del ML que sí ayudaría a la campaña de Navidad.

Solución 1

• (a) Industria/energía — supervisado → regresión (la etiqueta es un número: kWh producidos).
• (b) Comercio — no supervisado → clustering (no hay grupos predefinidos de tiendas).
• (c) Finanzas — clasificación o detección de anomalías (el blanqueo es raro y a menudo sin etiquetas fiables, por lo que también encaja lo no supervisado/semisupervisado).
• (d) Transversal (NLP) aplicado a comercio — supervisado → clasificación multiclase (tres categorías).

Solución 2

1. ¿Patrón? Sí: los clientes tienden a repetir franjas (rutinas laborales). 2. ¿Reglas a mano inviables? Sí: cada cliente tiene hábitos distintos y cambiantes. 3. ¿Datos? Sí: el historial de pedidos registra la franja elegida (etiqueta incluida). 4. ¿Escala? Sí: miles de pedidos diarios. 5. ¿Coste de error asumible? Sí: preasignar mal un repartidor tiene coste pequeño y corregible. 6. ¿Medible? Sí: porcentaje de aciertos de franja. Conclusión: proyecto razonable; es un problema supervisado de clasificación (una clase por franja).

Solución 3

Es una decisión única (una vez al año), creativa y sin un patrón histórico del que aprender: no hay miles de "navidades etiquetadas" con eslóganes y resultados comparables, así que fallan las condiciones de datos, patrón y escala. Encaja en la fila "decisión única o rarísima" de la tabla: mejor juicio experto del equipo de marketing. Uso alternativo con sentido: predecir la demanda navideña por producto (regresión sobre historiales de diciembres anteriores) o segmentar clientes para personalizar a quién se envía cada versión de la campaña.

Hemos visto que el ML impregna todos los sectores —comercio, salud, finanzas, industria, transporte— y dos capacidades transversales, lenguaje y visión; hemos aterrizado tres casos de uso en MercaFresh (recomendación, previsión de demanda de frescos, logística) y, sobre todo, hemos aprendido a decidir con criterio: el ML compensa cuando hay patrón, datos, escala y métrica, y sobra cuando bastan reglas simples, no hay datos o la decisión es única. Con el qué, el de dónde viene, el qué tipos hay y el para qué ya cubiertos, solo falta el cómo se organiza: en la próxima lección estudiaremos el flujo de trabajo completo de un proyecto de Machine Learning, que además nos servirá de mapa para el resto del curso.