Convierte los Datos en Oro: Estrategias Comprobadas para Aprovechar el Activo Más Valioso de tu Organización

Convertir los datos en un activo debe ser una prioridad empresarial.

¡Muéstrame los datos!

Las organizaciones, en general, tienen acceso a enormes cantidades de datos. Y obtener el «nuevo petróleo» no es necesariamente el problema. La dificultad radica en aprovechar esos datos; ya sean datos directos de clientes o de dispositivos IoT. ¿Cómo puedo utilizar mejor este activo precioso y ponerlo a trabajar?

Lo más importante que puede hacer cualquier organización es idear una estrategia de gestión de datos eficaz e integral: ¡priorízala!

Primero, necesitas entender qué datos tienes; segundo, debes ser capaz de analizar esos datos; y tercero, necesitas aplicar inteligencia sobre los datos «para impulsar otros tipos de experiencias, computaciones o flujos de trabajo», afirma Simha Sadasiva, cofundador y CEO de Ushur.

Para lograr esta estrategia integral de gestión de datos, se necesita un socio. Este aliado debe permitir a las empresas no solo examinar los datos que poseen, sino también impulsar la automatización, mediante técnicas de inteligencia artificial y aprendizaje automático, para analizar y completar datos faltantes; «ya sea interactuando con diferentes partes interesadas o mostrándoles información sobre qué tan cerca está el cliente basándose en los datos que actualmente tienen en su back office», continúa Sadasiva.

Fuentes de datos

Las fuentes tradicionales de datos son aquellas que existen en las empresas desde hace tiempo. Esto puede incluir bases de datos de gestión de datos o SQL, que pueden ser estructuradas*, o bases de datos de documentos no estructurados**, como «cosas como Mongo», explica Sadasiva. Estos son los datos que residen en el back-end de la empresa.

Pero, en el entorno conectado de hoy, existen fuentes de datos que provienen de las partes interesadas que interactúan con las empresas.

«Piensa en los usuarios finales, en los agentes, en los socios comerciales, incluso en los empleados hasta cierto punto. Ellos contribuyen a la fuente de datos en forma de fotos, imágenes y videos, etcétera», dice Sadasiva.

Estas fuentes de datos más nuevas —como un recibo de cliente/empleado— requieren técnicas de inteligencia artificial para darles sentido. Por ejemplo, usando reconocimiento óptico de caracteres (OCR) para examinar un recibo, las organizaciones pueden extraer automáticamente la información y devolverla a un almacén de datos en el back-end de la empresa. «Eso requiere tremendas capacidades y también la capacidad de transferir esa información de forma segura a la oficina central», dice Sadasiva.

El tipo correcto de datos

Desde una perspectiva de automatización e inteligencia de máquina, las técnicas de aprendizaje profundo utilizadas pueden analizar todos estos tipos de datos que las empresas poseen actualmente —fuentes humanas o históricas. Las organizaciones necesitan combinar este conjunto de datos subyacente con aprendizaje supervisado y no supervisado.

Ushur, por ejemplo, ha creado herramientas que aprovechan los datos que existen en el núcleo de la empresa y actúan sobre ese aprendizaje supervisado y no supervisado mediante el conjunto de datos que las empresas ya tienen.

Hay muchos tipos diferentes de datos que se pueden analizar, provenientes de un número aún mayor de fuentes. Pero existe un problema que ocurre, aunque quizás no sea tan relevante para el back-end empresarial.

Alimentar los sistemas con el tipo incorrecto de datos, o datos sesgados, puede generar resultados negativos que dañen un negocio o institución. No hay que buscar más allá de la herramienta de reclutamiento con IA sexista de Amazon que el gigante tecnológico descartó el año pasado. O que en 2016 se descubrió que los algoritmos de evaluación de riesgo en EE. UU. —utilizados en juzgados de todo el país para decidir el destino y la libertad de los acusados— presentan sesgos raciales, condenando con mayor frecuencia a afroamericanos que a caucásicos por delitos similares.

La investigadora de IA, profesora Joanna Bryson, señaló en su momento: «Si los datos subyacentes reflejan estereotipos, o si entrenas la IA a partir de la cultura humana, encontrarás sesgos».

La solución consiste en eliminar estereotipos y sesgos, y asegurar que los datos reflejen esta limpieza.

Datos no estructurados** vs estructurados*

Los datos estructurados se refieren típicamente a bases de datos, como SQL. Esta información estructurada puede organizarse, ya sea basándose en información de clientes o en tipos específicos de información sobre un problema empresarial concreto.

En cambio, los datos no estructurados pueden ser un «gran bloque» de información textual. «Podría ser la descripción de un problema que un cliente ha relatado, a través de un email o un documento PDF, por ejemplo», dice Sadasiva. «Dentro de eso pueden haber pepitas de información estructurada, como nombre del cliente, número de teléfono, número de reclamación, número de póliza o número de tarjeta de crédito».

Este tipo de información se conoce como datos semiestructurados, que pueden estar ocultos en información no estructurada. Tener la capacidad de extraer esta información semiestructurada de datos no estructurados requiere técnicas de «inteligencia artificial» bastante avanzadas.

Un caso de negocio para los datos

La mejor manera de demostrar el caso de negocio para una buena gestión de datos es con un ejemplo: la sobrecarga de emails.

Las grandes empresas reciben decenas de miles de emails de clientes. «Revisar manualmente esos emails para segregarlos, triarlos y enviarlos al departamento y persona adecuados antes de responder al cliente es ridículo», dice Sadasiva. «Es un problema de primer nivel que requiere una cantidad significativa de trabajo manual.

Resolver este problema requiere la capacidad de extraer y separar los datos semiestructurados presentes en la información no estructurada de un email. «Un amplio conjunto de herramientas de datos puede usarse para extraer esta información del cliente y automáticamente se puede triar hacia la persona adecuada y tomar medidas sobre ese texto. Ese es un ejemplo simple de cómo se puede aplicar automatización sobre datos que una empresa ya tiene», continúa Sadasiva.

«La mayoría de las empresas tienen millones de bytes de información no estructurada, en forma de emails, descripciones de problemas, artículos o fuentes de información en las que pueden aprovechar.

«Esta es información heredada que ya tienen. Y al aplicar ciencia de datos, las empresas pueden hacerla útil para entrenar modelos computacionales, reduciendo así la cantidad de trabajo manual para el futuro».

Aprovechar los datos del cliente: una nueva forma de pensar

Todo se trata de micro-compromiso, según Sadasiva, que son breves fragmentos de interacción de ida y vuelta entre consumidores y empresas. Cuando las empresas empiezan a ver cada interacción con un consumidor o cliente como un micro-compromiso, les lleva a repensar todo el viaje del cliente y segmentarlo entre prospección, incorporación del cliente, soporte, venta cruzada, venta adicional y mantenimiento de la relación con el usuario final.

Existen varias interacciones de compromiso que pueden ocurrir durante el viaje del cliente. Al aplicar ciencia de datos para interactuar y recopilar esa información del cliente, se pueden obtener insights reales.

«Esto es algo así como una nueva era, una nueva forma de evaluar qué tan cerca está una marca de su cliente, y qué tan cerca se siente el cliente hacia la marca», dice Sadasiva.

Aplicar una combinación de inteligencia artificial, análisis de datos y aprendizaje automático (entre otros) a nivel de micro-compromiso con los datos del consumidor puede transformar el compromiso del cliente.