Aprovechando IA para contextualizar analítica de datos para insight empresarial

Avances en IA y analítica aumentada significan que equipos empresariales pueden poner sus datos en contexto más efectivamente.

Hay un desafío que ha frustrado a líderes de negocio y profesionales de datos prácticamente desde antes de que big data fuera un buzzword. Es una falta de contexto en analítica.

Vean si este caso de uso suena familiar. Un líder de negocio originalmente pidió un análisis de por qué las ventas regionales estaban cayendo, y un analista de datos trabajó duro por un par de meses construyendo un modelo, extrayendo datos y desarrollando un informe para el lado del negocio.

El Problema

Cuando llegaron los resultados, estos fueron decepcionantemente unidimensionales, nunca confirmando el real «por qué» detrás de esa desaceleración de ventas. El informe pudo haber identificado caída para una línea de producto particular, o quizás un equipo de ventas específico. Pero no ambos.

Lo que faltaba era contexto. No había forma de detectar las causas reales subyacentes de la caída. ¿Era un problema de personal, compensación o rotación? ¿Era realmente un problema de cadena de suministro? ¿Podría haber sido un nuevo competidor? O, ¿era algo como un aumento de precio? ¿Eran todos esos? Esas preguntas serían seguimientos naturales a cualquier análisis de ventas.

Pero sin una visión profunda en las variadas causas potenciales, el líder de negocio y el profesional de datos a menudo se iban culpándose mutuamente por perder tiempo y recursos.

Evolución de la Analítica Aumentada

Para encontrar el contexto mencionado, algunas empresas hoy se vuelven a la IA. Reportan éxito gracias a la capacidad de la IA para detectar relaciones y dependencias entre miríadas de departamentos, aplicaciones y procesos. La existencia de esas relaciones aparece en nuevos tipos de datos no listados en hojas de cálculo o bases de datos tradicionales, y ciertamente no en organigramas corporativos.

El gurú de analítica y TI Tom Davenport de Babson College examinó esos nuevos tipos de datos en un reciente artículo de Harvard Business Review, co-escrito por Joey Fitts, Vicepresidente, Estrategia de Producto Analítico para Oracle.

«La IA está haciendo posible que la analítica incorpore y procese automáticamente contexto importante de una amplia gama de fuentes —muchas de las cuales habrían requerido anteriormente que analistas navegaran silos y catálogos mal mantenidos», escribieron.

«Las innovaciones dependen de IA y automatización, conexiones a través de sistemas de información existentes, y suposiciones basadas en roles sobre qué decisiones se tomarán sobre datos y analítica. Al final, pueden preparar insights y recomendaciones que pueden entregarse directamente a tomadores de decisiones sin requerir un analista para prepararlos por adelantado».

Encontrar los datos correctos para un proyecto analítico ha sido demasiado a menudo un ejercicio manual, según Davenport y Fitts.

«Esto requería conocimiento extensivo de qué datos eran apropiados para tu análisis y dónde podían encontrarse, y muchos analistas carecían de conocimiento del contexto más amplio. Sin embargo, analítica e incluso aplicaciones IA pueden cada vez más proporcionar contexto. Y estas capacidades ahora son regularmente incluidas por proveedores clave en sus ofertas de sistemas transaccionales, como planificación de recursos empresariales (ERP) y gestión de relaciones con clientes (CRM)».

Esta capacidad de añadir contexto se basa en parte en automatización a través de IA usando «descubrimiento inteligente de datos» y analítica aumentada.

En 2017 Gartner definió analítica aumentada como «el uso de tecnologías habilitadoras como machine learning e IA para asistir con preparación de datos, generación de insight y explicación de insight para aumentar cómo las personas exploran y analizan datos en plataformas de analítica y BI».

El futurista Bernard Marr añade: «Analítica aumentada describe el proceso donde datos son tomados automáticamente de fuentes crudas, limpiados y analizados de forma imparcial, y comunicados en un informe usando procesamiento de lenguaje natural que humanos pueden entender».

Entran los Científicos de Datos Ciudadanos

Davenport y Fitts citaron un ejemplo de cómo este nuevo enfoque a analítica ha sido implementado por una gran empresa de seguros. Dijeron que un nuevo sistema de capital humano «incluía KPIs de recursos humanos, benchmarks de mejores prácticas, y la capacidad de monitorizar tendencias de RRHH como diversidad y niveles de rotación. Una nueva herramienta de reporte empresarial con estas capacidades fue introducida por toda la empresa en solo ocho semanas».

Esta evolución de IA y analítica parece allanar el camino para una nueva generación de científicos de datos ciudadanos.

Si ese último término suena familiar es porque el concepto de dar a profesionales de negocio no técnicos capacidades analíticas avanzadas ha estado rondando por cinco años.

En ese tiempo, la ciencia de datos ciudadana ha encontrado resistencia de algunos profesionales de analítica que no confían en usuarios de negocio con sus herramientas, incluso si los usuarios de negocio han pasado por formación en ciencia de datos a media carrera. El concepto original también era poco probable que escalara a través de una empresa con miles de aplicaciones.

Pero esta nueva versión de ciencia de datos ciudadana parece aprovechar los «nuevos tipos de datos» que Davenport discute. El trabajo pesado de descubrir y utilizar relaciones entre departamentos, procesos y tipos de datos promete ser hecho en gran parte por modelos de IA. Esos modelos seguirían siendo construidos por científicos de datos. Los «ciudadanos» podrían entonces hacer lo que mejor hacen, hacer preguntas de negocio que la IA podría ser mejor respondiendo.