Analítica cognitiva explicada: Guía clara y sencilla

Cada día, el mundo genera más de 402 millones de terabytes de datos. La cantidad total de datos producidos, capturados y consumidos mundialmente crece rápidamente y se espera que supere los 612.000 millones de terabytes para 2030.

Estos datos provienen de todas partes: registros de transacciones de compra, señales GPS de smartphones, sensores para recopilar información climática, contenido publicado en redes sociales, imágenes y vídeos capturados por satélites, y más.

Para dar sentido a estos datos y descubrir patrones e insights ocultos, es importante analizarlos eficientemente. Hoy, casi todas las empresas usan analítica de datos para reducir gastos, tomar decisiones basadas en evidencia, desarrollar y comercializar nuevos productos y servicios, e identificar nuevas oportunidades.

Con los años, la analítica de datos ha evolucionado desde Descriptiva (qué ocurrió en el pasado) a Diagnóstica (por qué ocurrió) a Predictiva (qué es más probable que ocurra en el futuro) a Prescriptiva (qué se puede hacer para afectar resultados futuros).

El próximo gran cambio de paradigma es más probable que sea hacia la Analítica Cognitiva, que aprovechará la potencia de procesadores de alto rendimiento y algoritmos de Inteligencia Artificial para descubrir patrones complejos ocultos en volúmenes masivos de datos.

A continuación, aprenderá por qué la Analítica Cognitiva es importante, cómo funciona, cuáles son las aplicaciones futuras y tamaño de mercado, y qué empresas invierten fuertemente en herramientas de analítica cognitiva. Empecemos con una pregunta básica.

¿Qué es exactamente la Analítica Cognitiva?

La Analítica Cognitiva es una tecnología inteligente que cubre diversos métodos analíticos para examinar datos estructurados y no estructurados. Puede buscar en conjuntos de datos complejos y encontrar respuestas que tengan sentido para las preguntas planteadas.

Piense en la analítica cognitiva como un sistema con inteligencia similar a la humana. En lugar de solo escanear los datos, entiende el contexto, interpreta el tono de una frase y reconoce objetos específicos en imágenes o vídeos.

La Analítica Cognitiva utiliza a menudo inteligencia artificial, machine learning, redes neuronales y semántica para descubrir patrones e insights intrincados (que la analítica convencional no puede). Se mejora a sí misma con el tiempo aprendiendo continuamente de datos e interacciones humano-máquina. Esto significa que cuantos más datos se le alimenten, más inteligente se vuelve la analítica.

La mayoría de empresas usan analítica cognitiva para rastrear patrones de comportamiento de clientes e identificar oportunidades potenciales. Así pueden estimar resultados futuros y tomar decisiones basadas en datos para mejorar el rendimiento.

Algunas partes de la analítica cognitiva se solapan con la analítica predictiva. Estas áreas implican principalmente usar datos de business intelligence para predecir eventos y tendencias futuras.

Nota: Analítica Cognitiva es también el nombre de una empresa privada, así como un nombre registrado para servicios empresariales. Aunque los analistas de mercado generalmente usan este término al hablar de big data e inteligencia de negocio.

¿Cómo funciona?

La analítica cognitiva es un enfoque data-forward que comienza y termina con lo que hay dentro de los datos. Usa técnicas avanzadas que procesan todos los datos (todos los tipos y a cualquier escala) para revelar insights sin precedentes e inesperados. Aunque los sistemas de analítica cognitiva pueden usar varios algoritmos para extraer insights accionables, su arquitectura fundamental permanece igual, y todos siguen una secuencia básica de procedimientos:

1. Buscar y recopilar datos

Busca en toda la "base de conocimiento" para identificar datos en tiempo real. Estos datos pueden venir directamente de sensores, dispositivos IoT, robots y equipos. Luego se organizan e integran con datos existentes o históricos de trimestres anteriores.

Algunos sistemas de analítica cognitiva muestran datos mediante dashboards intuitivos, interfaces de usuario de equipos y otras representaciones. Una herramienta de visualización de datos fácil de entender puede reducir significativamente el tiempo necesario para encontrar patrones comunes y realizar reparaciones.

2. Analizar datos

El siguiente paso es analizar cuidadosamente texto, audio y vídeo para entender lenguaje natural e interacciones humanas. Para ello, la analítica cognitiva combina técnicas de inteligencia artificial, machine learning, redes neuronales y semántica.

Se basa principalmente en la Red Neuronal de Deep Learning, un subconjunto del machine learning. Una red neuronal imita la forma en que opera el cerebro humano. Consiste en múltiples capas (capa de entrada, capa de salida y capas ocultas entre ellas) conectadas mediante nodos, y estas conexiones forman una 'red'.

Estos nodos interconectados funcionan muy parecido a las neuronas en el cerebro humano. Leen todos los datos entrantes y reconocen patrones complejos usando algoritmos. La red puede agrupar y clasificar datos en bruto, encontrar correlaciones, y aprender y mejorar continuamente con el tiempo.

3. Generar y evaluar hipótesis basadas en evidencia

Los patrones e insights identificados se evalúan para determinar si son hipótesis basadas en evidencia. Si hay evidencia concreta que apoya la hipótesis, el sistema la evalúa para determinar su valor potencial. Esto ayuda a identificar posibles amenazas futuras y oportunidades de mejora.

4. Adaptar y aprender de selecciones y respuestas del usuario

Dado que la analítica cognitiva utiliza inteligencia artificial, puede adaptar su comportamiento según las interacciones de los usuarios. Por ejemplo, si alguien busca constantemente un tipo específico de información, el sistema aprenderá gradualmente a proporcionar información similar sin desperdiciar muchos recursos de cómputo.

Beneficios

La analítica cognitiva se aplica en empresas y organizaciones para cerrar la brecha entre cantidades masivas de datos y la necesidad de tomar mejores decisiones. Los insights detallados del negocio ayudan a las compañías a mejorar sus productos, proporcionar servicios más personalizados a clientes y ver cómo están rindiendo sus competidores.

Para grandes empresas, la analítica cognitiva ha demostrado ser muy efectiva en tres áreas:

1. Compromiso del cliente (Customer Engagement)

La esquiva visión 360 grados del comportamiento del cliente permite a las empresas crear una experiencia de cliente fluida y sin fricción. También permite desarrollar una comprensión más profunda de las preferencias de compra de los usuarios, anticipar sus necesidades y asegurar mejor segmentación de usuarios.

2. Productividad y Eficiencia

Priorizar y resolver problemas más rápido, aprovechar información crucial de conversaciones de usuarios, automatizar acciones para peticiones comunes, reducir gasto en recursos menos importantes, y capacitar a miembros del equipo para responder rápida y dinámicamente. Y como la analítica cognitiva fusiona información pasada con datos actuales para mejorar continuamente los resultados, puedes adaptarte rápidamente a cambios externos y tendencias de mercado.

3. Crecimiento del negocio

La analítica cognitiva permite a las empresas expandir el negocio a nuevos mercados, encontrar oportunidades en ubicaciones específicas, explotar fuentes de datos sin explotar e innovar nuevos productos y servicios. También facilita a analistas e investigadores de mercado desbloquear el valor del big data y resolver problemas en sus instalaciones de negocio.

Adopción temprana

En la última década, varios gigantes tecnológicos y startups han invertido cientos de millones en el campo emergente de tecnología cognitiva. Google, Microsoft, IBM, Amazon, Cisco, HPE, SparkCognition y DataRobot están entre los principales contribuyentes.

Según el estudio realizado por IBM, los primeros adoptantes ya han visto resultados positivos de sus iniciativas cognitivas —desde mejor compromiso del cliente hasta innovación de producto y crecimiento empresarial.

Estos primeros adoptantes aprovechan diversas capacidades cognitivas, desde machine learning y procesamiento de lenguaje natural hasta desbloquear valor de diferentes fuentes de datos, tanto estructurados como no estructurados. Algunas empresas desarrollan plataformas personalizadas, mientras que otras utilizan APIs para desplegar tecnología cognitiva en sus sistemas.

IBM investigó a más de 600 primeros adoptantes que pusieron la tecnología cognitiva a trabajar. Su informe muestra que las capacidades cognitivas juegan un papel importante en el crecimiento de la empresa. Alrededor del 65% de los primeros adoptantes creen que la tecnología cognitiva es crucial para su estrategia y éxito empresarial, mientras que el 58% dice que es una parte esencial de la transformación digital de su empresa.

La nueva era de la analítica

A medida que nos movemos hacia un mundo donde casi todo está conectado, las empresas dependerán cada vez más de la analítica cognitiva y herramientas relacionadas para crecer y adaptarse a las cambiantes necesidades de los clientes.

Más específicamente, las herramientas cognitivas pueden ayudar a las empresas a entender verdaderamente los patrones de comportamiento del cliente, identificar causas raíz de insatisfacción del cliente y encontrar formas innovadoras de mejorar experiencias de cliente. La analítica cognitiva también puede ser muy adecuada para optimizar costes operativos, aumentar retención de clientes y disminuir significativamente el tiempo de resolución.

Ejemplos reales de Analítica Cognitiva

La analítica cognitiva se usa ahora en casi todas las industrias para identificar patrones, amenazas potenciales y oportunidades de mejora. Por ejemplo,

Banca y Finanzas

La computación cognitiva puede cambiar radicalmente el sector bancario y financiero. A diferencia de sistemas convencionales que modelan comportamiento de cliente basado en acciones pasadas y tratan a todos los clientes igual, los sistemas cognitivos hacen análisis más precisos y oportunos de individuos basados en su edad, ingresos y transacciones.

La analítica cognitiva puede ayudar a los bancos a personalizar productos y servicios para cada cliente, dirigir inteligentemente a individuos de alto patrimonio neto, ofrecer mejores planes de inversión y aplicar conocimiento experto para resolver problemas rápidamente.

En conjunto, este paradigma emergente de computación puede aplicarse en tres áreas:

• Servicio al cliente: Como un sistema cognitivo entiende el problema, puede proporcionar soluciones precisas sin derivar clientes a diferentes departamentos, ahorrando tiempo a todos.
• Toma de decisiones y asesoramiento: Puede mejorar el proceso de suscripción de préstamos, que requiere comprensión más profunda de negocios para tomar decisiones basadas en datos.
• Asesoramiento de inversión: Los sistemas cognitivos permiten a bancos y sectores financieros no bancarios revisar rápidamente fuentes de inversión para explorar últimas tendencias de mercado, evaluar riesgos y proporcionar asesoramiento actualizado a clientes.

Ciberseguridad

La inteligencia artificial y redes neuronales profundas facilitan a los sistemas cognitivos extraer continuamente datos de diversas fuentes y adquirir conocimiento a través de analítica avanzada. La red neuronal se mejora con cada iteración, permitiendo al sistema aprender a predecir amenazas y crear soluciones proactivas.

Con ciberataques crecientes y escasez de especialistas cualificados en ciberseguridad, una herramienta como la analítica cognitiva funciona de maravilla. Puede procesar y analizar cantidades masivas de datos estructurados y no estructurados (para identificar diversos tipos de amenazas y riesgos) que sería casi imposible para un sistema de analítica tradicional.

Sanidad

La información relacionada con sanidad (como imágenes radiológicas, resultados de laboratorio, informes de patología, historiales clínicos electrónicos, investigación clínica y más) es difícil de analizar y compartir porque está fragmentada. Aquí es donde los sistemas cognitivos resultan útiles. Pueden analizar inteligente y rápidamente diferentes tipos de información para ayudar a profesionales sanitarios.

Los insights ofrecidos por la analítica cognitiva facilitan a proveedores de sanidad entender la salud de pacientes individuales, tomar decisiones informadas y proporcionar atención más personalizada.

Hoy, la computación cognitiva se usa en numerosos centros oncológicos mundiales. Por ejemplo, en MD Anderson Cancer Center y Memorial Sloan Kettering Cancer Center, la analítica cognitiva ayuda a doctores a analizar petabytes de datos médicos (incluyendo estudios clínicos, resultados de ensayos y guías de mejores prácticas) para apoyar decisiones de diagnóstico y tratamiento.

Energía y Potencia

La industria del petróleo y gas enfrenta constantemente retos en localizar, refinar y distribuir crudo y sus subproductos. Con la ayuda de analítica cognitiva, ingenieros y expertos técnicos pueden tomar decisiones importantes, como dónde explorar petróleo, cómo asignar recursos, qué productos priorizar y cómo mejorar eficiencia de instalaciones existentes.

Plataformas cognitivas ya son usadas por muchas compañías de servicios públicos en EE. UU., incluyendo Mega Energy, Arizona Public Service Electric, Gexa Energy, Portland General Electric y Avangrid. Estos sistemas proporcionan varios beneficios, desde pronóstico de cargas hasta mapeo de estructuras de tarifas contra modelos de coste individuales.

Logística y Retail

La analítica cognitiva es útil en cada etapa de la Logística y Cadena de suministro, desde gestión de almacenes y automatización hasta empaquetado y paletización. Analiza datos de ecosistemas tanto internos (inventario, punto de venta) como externos (tendencias de mercado, clima). El objetivo es mejorar eficiencia de la cadena de suministro, minimizar costes y proporcionar insights valiosos a negocios para que puedan responder rápido a escenarios que cambian dinámicamente.

La analítica cognitiva también juega un papel crucial en la industria retail. Puede integrarse con plataformas e-commerce para extraer datos sobre clientes y su comportamiento de compra. Para tiendas físicas, los sistemas cognitivos pueden ayudar a minoristas a optimizar inventarios y proporcionar productos más personalizados a precios atractivos.

Educación y Aprendizaje

La computación cognitiva puede dar mejores resultados para estudiantes y educadores. Puede identificar escuelas y profesores con bajo rendimiento, predecir rendimiento estudiantil en disciplinas específicas y proporcionar material de estudio personalizado.

En 2003, las escuelas públicas del condado de Miami-Dade en Florida adoptaron un Software Tutor Cognitivo para proporcionar retroalimentación a estudiantes mientras trabajan en problemas. Se ha encontrado que este software es mucho más efectivo que el currículo convencional solo.

Herramientas conocidas de Analítica Cognitiva

Ahora que conoce las aplicaciones reales de la analítica cognitiva, exploremos diferentes tipos de herramientas cognitivas usadas en diversos campos.

1. OpenSMILE

OpenSMILE (Open-source Speech and Music Interpretation by Large-space Extraction) extrae automáticamente características de señales de audio y clasifica señales de voz y música. Se usa ampliamente para reconocimiento de voz, reconocimiento de emociones, identificación de locutor, detección de acordes y seguimiento de tempo. También puede detectar estados del locutor, como intoxicación, depresión o trastornos vocales patológicos.

Dado que el programa está escrito mayormente en C++, funciona fluidamente en todas las plataformas, incluyendo plataformas embebidas como macOS, iOS, Windows, Android, Linux y Raspberry Pi.

2. IBM Watson

IBM Watson usa más de 100 técnicas diferentes para analizar lenguaje natural, encontrar fuentes relevantes, generar hipótesis, evaluar evidencia y clasificar las mejores respuestas posibles. Básicamente, aplica procesamiento de lenguaje natural avanzado, razonamiento avanzado, representación de conocimiento y algoritmos de machine learning al campo de respuesta a preguntas en dominio abierto.

Con Watson, las empresas acceden a un portfolio completo de capacidades de IA, ya sean herramientas para detectar tendencias emergentes o desarrollar aplicaciones para clientes. Ahorra tiempo y automatiza más procesos, para que los empleados puedan centrarse en crecimiento y nuevas oportunidades.

3. NuPIC

NuPIC (Numenta Platform for Intelligent Computing) es una plataforma de IA de código abierto que implementa algoritmos de aprendizaje HTM (Hierarchical Temporal Memory). Es adecuada para una amplia gama de problemas, especialmente detección de anomalías y predicción de fuentes de datos en streaming.

4. Iris de Apixio

Estados Unidos produce más de 1.300 millones de documentos de atención clínica anualmente; alrededor del 80% de estos datos son no estructurados y difíciles de acceder. Ahí es donde Iris resulta útil. Es una plataforma de computación cognitiva que extrae insights valiosos de vastas cantidades de datos clínicos y otra información en el sistema de salud.

El motor de analítica de Iris utiliza tecnologías de machine learning y procesamiento de lenguaje natural para generar perfiles de pacientes y evaluar riesgos. Puede agrupar pacientes y casos similares para proporcionar datos de pacientes basados en evidencia. Y como los datos cambian con el tiempo, la plataforma monitoriza continuamente la información de los pacientes para decir a los profesionales sanitarios qué funciona y qué no.

5. Aila de Enterra Solutions

Aila combina matemáticas avanzadas e inteligencia artificial para razonar y resolver problemas de forma similar a los humanos. Puede analizar datos internos y externos de la empresa, extraer inferencias y producir insights valiosos bajo demanda. A diferencia de la analítica de negocio tradicional, Aila puede manejar el mundo de Big Data de alto volumen y multivariado.

Puede responder algunas de las preguntas más complejas —

• ¿Hay oportunidades para cambiar el gasto el próximo año dentro de segmentos de mercado para mejorar ROI?
• ¿Alguno de los objetivos de nivel de servicio de nuestros clientes está en riesgo? Si es así, ¿cómo puedo mitigar ese riesgo?

6. Ignio Cheetah de TCS

Ignio Cheetah es un conjunto de productos de automatización cognitiva para operaciones de TI y gestión de cargas de trabajo. Puede detectar y predecir instantáneamente condiciones anómalas de TI que necesitan atención, reducir falsas alertas, agrupar eventos similares o correlacionados, y priorizar alertas basándose en impacto empresarial. Y como el sistema aprende de su propia experiencia, mejora con el tiempo.

Ignio ya lo usan muchas grandes corporaciones, incluyendo empresas Fortune 500 y Global 2000, que son innovadoras y líderes en sus respectivos campos. La plataforma gestiona más de 1,5 millones de recursos tecnológicos de forma autónoma para 50+ clientes.

7. Cortex Certifai

Cortex Certifai asegura que los modelos de machine learning estén libres de sesgos algorítmicos para reducir toma de decisiones sesgada y razonamiento. Genera una puntuación de confianza compuesta, llamada AI Trust Index, que mide modelos automatizados basándose en calidad de datos, rendimiento, robustez, equidad, explicabilidad y cumplimiento.

Este Trust Index ayuda a las empresas a evaluar los tradeoffs y la contención habitual entre rendimiento y riesgo. Los stakeholders pueden profundizar en cada parámetro de evaluación para encontrar mejoras potenciales. Puede aplicarse a cualquier modelo de caja negra, incluyendo modelos estadísticos, predictivos y de machine learning.

8. SparkCognition EPP

SparkCognition EPP usa algoritmos propietarios de IA y machine learning para prevenir ciberataques nunca vistos que interrumpan operaciones de negocio e identificar amenazas de phishing desde PDFs, documentos y ataques PowerShell directos a memoria. Su agente cognitivo ligero aprende los patrones de comportamiento típicos de todos los endpoints en una empresa y alerta al equipo de seguridad sobre ataques potenciales.

El sistema se integra bien en arquitecturas de seguridad existentes, proporcionando operaciones fluidas en segundo plano para hasta 100.000 endpoints gestionados ejecutando macOS, Linux o Windows. Ha demostrado superar a proveedores convencionales y next-gen de protección de endpoints.

Estudios recientes

La computación cognitiva ha atraído a muchos científicos de datos e investigadores en la última década. Los estudios recientes incluyen:

Detección de parámetros psicofisiológicos para un conflicto cognitivo-emocional

Investigadores rusos han desarrollado una plataforma para identificar parámetros diagnosticados remotamente (usando herramientas de videomensajería como Skype), que pueden mostrar objetivamente la presencia de un conflicto cognitivo-emocional durante un diálogo. Esta plataforma usa redes neuronales para marcar automáticamente reacciones emocionales de personas en datos de vídeo.

Un modelo cognitivo computacional ACT-R

Aunque la capacidad de rotación mental es una habilidad crucial de razonamiento espacial en la cognición humana, se sabe muy poco sobre cómo funciona al jugar videojuegos. Investigadores italianos han modelado rotación mental (vía modelo cognitivo basado en ACT-R) para analizar si y bajo qué condiciones tal habilidad se usa en el juego Tetris™. Los resultados muestran insights significativos sobre la activación de rotación mental durante la dinámica del juego.

Analítica cognitiva para detección de anomalías

Científicos del Centro de Investigación y Tecnología Hellas, uno de los mayores centros de investigación en Grecia, han desarrollado una plataforma de analítica cognitiva que puede procesar, analizar y explotar datos de máquinas recursos para soportar los crecientes requisitos de la industria manufacturera. Es capaz de monitorizar anomalías complejas y manejar condiciones imprevistas. Además, su interfaz de usuario utiliza técnicas de visualización avanzadas para presentar información de manera efectiva.

¿Cuál es el futuro de la Analítica Cognitiva?

Según el informe de Research and Markets, el tamaño del mercado de analítica cognitiva alcanzará 40.800 millones de dólares para 2030, creciendo a una tasa compuesta anual (CAGR) del 38%.

Se espera que China alcance un tamaño de mercado de 6.000 millones de dólares para 2030. Otros mercados importantes incluyen Japón, Canadá y Alemania, que se proyecta crezcan al 33%, 32% y 25% respectivamente durante el período de pronóstico.

Los principales impulsores del crecimiento del mercado incluyen la adopción de tecnologías big data y cloud computing, así como la introducción de técnicas analíticas sofisticadas, que están impulsando la demanda de soluciones eficientes de analítica cognitiva.

Leer: Inteligencia Artificial vs Machine Learning vs Deep Learning | La Diferencia

Preguntas Frecuentes

¿Cuántos tipos de analítica hay?

La analítica de datos moderna puede dividirse en cinco categorías:

• Analítica descriptiva: es la forma más simple que describe qué ocurrió y qué está ocurriendo actualmente.
• Analítica diagnóstica: da un paso más respondiendo por qué ocurrió. Compara tendencias coexistentes y determina relaciones entre variables donde es posible.
• Analítica predictiva: pronostica tendencias futuras, respondiendo qué podría ocurrir en el futuro próximo. Analiza datos pasados y actuales para hacer predicciones sobre tendencias futuras.
• Analítica prescriptiva: tiene en cuenta varios factores y sugiere conclusiones accionables. Ayuda a usuarios a tomar decisiones basadas en datos.
• Analítica cognitiva: combina el poder de estadísticas, inteligencia artificial y machine learning para procesar cantidades masivas de datos y dar sentido al contexto. Presenta nuevas oportunidades para explotar fuentes de datos sin explotar, descubrir patrones intrincados y proporcionar servicios personalizados.

¿Por qué los analistas de mercado usarían analítica cognitiva?

A medida que más y más dispositivos generan datos cada segundo, se vuelve cada vez más difícil recopilar, procesar y analizar toda la información almacenada en servidores y más allá.

La analítica cognitiva aborda estos retos: Utiliza estadísticas avanzadas y modelos de IA para identificar patrones ocultos dentro de volúmenes masivos de datos diversos. A diferencia de la analítica convencional, que extrae información de datos estructurados en dominios específicos, la analítica cognitiva toma un enfoque más amplio y flexible al descubrimiento de datos. Opera de forma similar a los humanos para interpretar datos, entender su contexto y descubrir patrones y tendencias.

¿Cuál es la diferencia entre Computación Cognitiva e IA?

La Inteligencia Artificial consiste en algoritmos entrenados para producir resultados precisos. Estos algoritmos aprenden de datos que cambian continuamente y métodos de auto-corrección para tomar decisiones inteligentes.

La computación cognitiva imita el pensamiento humano y se adapta al razonamiento humano. Apunta a resolver problemas complejos de forma similar a como los humanos los abordan. En contraste, los modelos de IA se centran en encontrar formas nuevas y posiblemente más eficientes de resolver problemas, a veces incluso superando métodos humanos.

Leer más:

• 13 mejores empresas de Data Science en el mundo
• 13 mejores software de analítica predictiva
• 12 mejores herramientas de Machine Learning