El equipo de planificación de la red de transporte de Red Eléctrica se relaciona constantemente con gran diversidad de grupos de interés como instituciones públicas, asociaciones, o plataformas en el desarrollo de sus actividades. Coordinar la conversación con los diferentes agentes es de gran complejidad porque se realizan también por parte de distintos interlocutores. Con todo, el posicionamiento de estos grupos es de gran importancia para la compañía, por lo que para abordar la comunicación con los mismos es necesario obtener un perfil de cada grupo.
Para ello se realizó una prueba de concepto con la startup madrileña Argilla, empresa especializada en el procesamiento y organización de datos no estructurados a partir de soluciones de inteligencia artificial y procesamiento del lenguaje para ayudar a las grandes empresas a analizar el ingente flujo de información que generan diariamente, automatizando el análisis de textos y transformando los datos masivos en información accesible y de fácil comprensión.
En este proyecto, que nace gracias al programa de venture client de Elewit, se trabajó en la creación automática de perfiles de los grupos de interés del equipo de planificación del transporte de Red Eléctrica a partir del análisis de comunicaciones en formato texto, aprovechando la herramienta de Argilla, Biome. El objetivo principal era obtener una idea clara sobre cómo conecta la empresa con cada grupo de interés, para asegurar que la comunicación sea lo más eficaz y personalizada posible. Para ello, se realizó un análisis mediante procesamiento de lenguaje natural (PLN) del contenido de diversas comunicaciones de texto. Los principales motores del proyecto fueron los siguientes.
- Conocer lo que los grupos de interés perciben y observan de Red Eléctrica.
- Conseguir una visión global por parte de la empresa de los diferentes grupos de interés.
- Obtener datos objetivos que permitan una relación más personalizada con cada grupo.
Para el entrenamiento se construyeron un conjunto de datos para que los modelos pudieran aprender a clasificar y detectar patrones que identificasen tanto la percepción de los grupos de interés, como las propias categorías temáticas. En este sentido, durante el proyecto se generaron diversas versiones del modelo, entrenados en cada interacción con una mayor cantidad de datos.