Si su empresa no es buena en análisis, no está preparada para la IA

Los equipos directivos suelen dar por sentado que pueden saltarse las mejores prácticas de análisis de datos básicos al adoptar directamente la inteligencia artificial y otras tecnologías avanzadas. Pero las empresas que se apresuran a utilizar una inteligencia artificial sofisticada antes de alcanzar una masa crítica de procesos automatizados y análisis estructurados pueden acabar paralizadas. Pueden tener que cargar con costosas asociaciones de empresas emergentes, sistemas impenetrables de caja negra, engorrosos clústeres computacionales en la nube y kits de herramientas de código abierto sin programadores que escriban código para ellos.

Por el contrario, las empresas con un análisis básico sólido (como los datos de ventas y las tendencias del mercado) logran avances en áreas complejas y críticas tras incorporar la inteligencia artificial. Por ejemplo, una empresa de telecomunicaciones con la que trabajamos ahora puede predecir con 75 veces más precisión si sus clientes están a punto de huir mediante el aprendizaje automático. Pero la empresa solo pudo lograrlo porque ya había automatizado los procesos que permitían contactar con los clientes rápidamente y entender sus preferencias mediante el uso de técnicas analíticas más estándar.

Entonces, ¿cómo pueden las empresas saber si están realmente preparadas para la IA y otras tecnologías avanzadas?

Automatizar los procesos básicos

En primer lugar, los gerentes deberían preguntarse si tienen procesos automatizados en áreas problemáticas que cuestan mucho dinero y ralentizan las operaciones. Las empresas necesitan automatizar los procesos repetitivos que implican cantidades importantes de datos, especialmente en áreas en las que la inteligencia de la analítica o la velocidad sería una ventaja. Sin automatizar primero esas fuentes de datos, las empresas descubrirán que sus nuevos sistemas de IA están llegando a conclusiones equivocadas porque analizan datos anticuados. Por ejemplo, los minoristas en línea pueden ajustar los precios de los productos a diario porque han automatizado la recopilación de los precios de la competencia. Pero aquellos que aún comprueban manualmente lo que cobran sus rivales pueden necesitar hasta una semana para recopilar la misma información. Como resultado, como descubrió un minorista, pueden acabar con los ajustes de precios quedándose a la zaga de la competencia, incluso si introducen la IA, porque sus datos están obsoletos.

Centro de información

• Poner los datos a trabajar

  Patrocinado por Accenture

  La analítica es fundamental para el rendimiento de las empresas.

Sin la automatización básica, las visiones estratégicas de resolver problemas complejos con solo tocar un botón siguen siendo esquivas. Tomemos como ejemplo a los gestores de fondos. Si bien la profesión es una buena candidata para la inteligencia artificial, muchos directivos dedican varias semanas a recopilar datos de forma manual y a comprobar si hay errores humanos introducidos a través de montones de hojas de cálculo de Excel. Esto hace que estén lejos de estar preparados para que la inteligencia artificial prediga el próximo riesgo para las carteras de inversión de los clientes o para modelar escenarios alternativos en tiempo real.

Mientras tanto, las empresas que automatizan los procesos básicos de manipulación de datos pueden ser proactivas. Con los motores de precios automatizados, las aseguradoras y los bancos pueden lanzar nuevas ofertas tan rápido como la competencia en línea. Una aseguradora tradicional, por ejemplo, pasó de actualizar sus cotizaciones cada varios días a cada 15 minutos, simplemente automatizando los procesos que recopilan los datos de precios de referencia. Una empresa de servicios públicos hizo que su servicio fuera más competitivo al ofrecer precios personalizados y en tiempo real y ofertas especiales basadas en lecturas automatizadas de contadores inteligentes en lugar de visitas presenciales semestrales a los hogares.

Análisis de datos estructurados

Una vez que se automatizan los procesos fundamentales para lograr una eficiencia o un objetivo, los gerentes necesitan desarrollar análisis estructurados y centralizar los procesos de datos para que la forma en que se recopilan los datos esté estandarizada y solo se puedan introducir una vez.

Con arquitecturas de información más centralizadas, todos los sistemas hacen referencia a la «fuente de verdad» principal, las actualizaciones se propagan a todo el sistema y las decisiones reflejan una visión única de un cliente o problema. Un conjunto de análisis estructurados proporciona a los gestores de categorías minoristas, por ejemplo, una imagen completa de los datos históricos de los clientes; les muestra qué productos eran populares entre qué clientes, qué se vendieron y dónde; qué productos cambiaron los clientes y a cuáles se mantuvieron fieles.

Con esta información, los gerentes pueden asignar mejor los productos y comprobar por qué se toman decisiones. Al entender los factores que impulsan las decisiones de los clientes, los gerentes también pueden mantener conversaciones mucho más enriquecedoras sobre la gestión de categorías con sus proveedores, por ejemplo, explicándoles que se eliminarán productos muy similares para dejar espacio a alternativas más exclusivas.

Probando la IA

Una vez que estos análisis estructurados estándar se integren con la inteligencia artificial, es posible predecir, explicar y prescribir de forma exhaustiva el comportamiento de los clientes. En el ejemplo anterior de una empresa de telecomunicaciones, los gerentes entendían las características de los clientes. Pero necesitaban inteligencia artificial para analizar el amplio conjunto de datos recopilados y predecir si los clientes corrían el riesgo de marcharse. Después de que las técnicas de aprendizaje automático identificaran a los clientes que presentaban un «riesgo de abandono», los gerentes volvieron a su análisis estructurado para determinar la mejor manera de conservarlos y a utilizar procesos automatizados para obtener rápidamente una oferta de retención adecuada.

Los sistemas de inteligencia artificial marcan una gran diferencia cuando también se necesitan datos no estructurados, como redes sociales, notas de centros de llamadas, imágenes o encuestas abiertas, para emitir una sentencia. La razón por la que Amazon, por ejemplo, puede recomendar productos a las personas incluso antes de que sepan que los quieren es porque, mediante técnicas de aprendizaje automático, ahora puede incluir datos no estructurados además de su sólida y centralizada recopilación de análisis estructurados, como los detalles de pago, las direcciones y el historial de productos de los clientes.

La IA también ayuda a tomar decisiones que no se basan en el desempeño histórico. Los minoristas que cuentan con un análisis estructurado sólido pueden averiguar la mejor manera de distribuir los productos en función de su venta. Pero se necesitan técnicas de aprendizaje automático para predecir cómo funcionarán los productos que aún no están disponibles para la venta, en parte porque no hay datos estructurados disponibles.

Por último, los sistemas de inteligencia artificial pueden hacer previsiones más precisas basándose en conjuntos de datos dispares. Los gestores de fondos con una base sólida de análisis de datos automatizados y estructurados predicen con mayor precisión el rendimiento de las acciones mediante la aplicación de la IA a los conjuntos de datos que incluyen desde datos meteorológicos hasta el recuento de coches en diferentes ubicaciones y el análisis de las cadenas de suministro. Algunos pioneros de los datos incluso están empezando a averiguar si las empresas ganarán o perderán terreno mediante los análisis de los sistemas de inteligencia artificial de los datos de opinión de los consumidores de redes sociales no relacionadas.

Las empresas están empezando a descubrir las diferentes formas en que las tecnologías de la IA pueden reinventar las empresas. Pero una cosa ya está clara: deben invertir tiempo y dinero para prepararse con un análisis de datos suficientemente automatizado y estructurado para aprovechar al máximo las nuevas tecnologías. Le guste o no, no puede darse el lujo de saltarse lo básico.