La IA puede ayudar a las empresas a aprovechar nuevas fuentes de datos para realizar análisis

Las mejoras en la tecnología han cambiado drásticamente lo que puede hacer la analítica empresarial, pero la analítica predictiva y descriptiva sigue necesitando tiempo, experiencia y montones de datos y, a menudo, solo produce información limitada. Sin embargo, la IA permite que los análisis incorporen y procesen automáticamente el contexto importante de una amplia gama de fuentes, muchas de las cuales antes habían obligado a los analistas a navegar por silos y catálogos mal mantenidos. Ahora, por mucho que las aplicaciones de Google le digan según la dirección, las entradas del calendario y la información del mapa que es hora de partir hacia el aeropuerto si quiere tomar un vuelo, las empresas pueden aprovechar cada vez más la información contextual de sus sistemas empresariales.

••• Durante los últimos años, la tecnología ha cambiado rápidamente lo que puede hacer la analítica empresarial. Los enfoques analíticos que incorporan modelos predictivos han empezado a desplazar a los enfoques meramente descriptivos. El análisis descriptivo, que sigue siendo valioso para muchos usuarios, también ha evolucionado, haciendo un mayor uso del análisis visual y avanzando hacia un modelo de autoservicio en el que los usuarios sin conocimientos técnicos suelen desarrollar sus propios análisis. En general, los análisis son cada vez más fáciles de usar y más potentes. A pesar de este progreso, sigue siendo difícil utilizar los datos y los análisis para entender y predecir muchos de los fenómenos importantes de las organizaciones. Los modelos predictivos requieren una cantidad sustancial de datos pasados y una cantidad razonable de experiencia para crearlos y usarlos, lo que limita la forma y el momento en que se pueden implementar. Y si bien dar a los usuarios del análisis descriptivo más control es bueno, ese cambio suele requerir que los usuarios inviertan más tiempo. Además, los enfoques analíticos actuales, tanto descriptivos como predictivos, han sido históricamente un poco limitados y se han centrado en funciones o unidades determinadas, a pesar de que muchos problemas y problemas empresariales afectan a todas las funciones y unidades. Esta importante información contextual rara vez se incorpora a los modelos de análisis: los silos de sistemas y datos dificultan su tarea y los analistas de datos suelen desconocer o no pueden acceder fácilmente a los datos relevantes debido a una mala catalogación. La buena noticia es que está surgiendo una nueva generación de análisis empresarial que incorpora cierto grado de automatización e información contextual. Las innovaciones se basan en la IA y la automatización, las conexiones entre los sistemas de información existentes y las suposiciones basadas en las funciones sobre las decisiones que se tomarán en función de los datos y los análisis. Al final, pueden preparar información y recomendaciones que se pueden entregar directamente a los responsables de la toma de decisiones sin necesidad de que un analista las prepare con antelación. Del mismo modo que las aplicaciones de Google pueden decirle, basándose en la dirección de su casa, las entradas del calendario y la información del mapa, que es hora de partir hacia el aeropuerto si quiere tomar un vuelo, las empresas pueden aprovechar cada vez más la información contextual de sus sistemas empresariales. La automatización de la analítica, que a menudo se denomina «descubrimiento de datos inteligentes» o «análisis aumentado», reduce la dependencia de la experiencia y el juicio humanos al señalar automáticamente las relaciones y los patrones de los datos. En algunos casos, los sistemas incluso recomiendan lo que debe hacer el usuario para abordar la situación identificada en el análisis automatizado. En conjunto, estas capacidades pueden transformar la forma en que analizamos y consumimos los datos. ## El poder del contexto Históricamente, los datos y el análisis han sido recursos independientes que había que combinar para obtener valor. Si quería analizar los datos financieros, de recursos humanos o de la cadena de suministro, por ejemplo, tenía que buscar los datos (en un almacén de datos, un mercado o un lago) y apuntar su herramienta de análisis hacia ellos. Esto requería un conocimiento exhaustivo de qué datos eran adecuados para su análisis y dónde se podían encontrar, y muchos analistas no conocían el contexto más amplio. Sin embargo, los análisis e incluso las aplicaciones de IA pueden proporcionar cada vez más contexto. Y ahora los principales proveedores incluyen estas capacidades con regularidad en sus ofertas de sistemas transaccionales, como la planificación de recursos empresariales (ERP) y la gestión de las relaciones con los clientes (CRM). Hay muchos ejemplos de contextos emergentes que incluyen suposiciones sobre la decisión que se debe tomar y el flujo de trabajo para tomarla. En recursos humanos, por ejemplo, el sistema de gestión del capital humano puede optimizar automáticamente el proceso de selección de candidatos identificando a los candidatos más adecuados para una descripción de puesto determinada (mediante el procesamiento en lenguaje natural de los currículums y la coincidencia de términos) y clasificándolos por orden de idoneidad. Para ello, la solicitud necesita el conocimiento del contexto para conectar la información sobre antecedentes y habilidades con los requisitos del puesto. En las cadenas de suministro, los análisis contextuales pueden basarse en los datos de planificación de los recursos empresariales, que las empresas utilizan para optimizar los niveles de inventario, predecir las necesidades de gestión logística de los productos e identificar los posibles atrasos. El contexto implicado allí incluye los puntos de referencia de la cadena de suministro, la comprensión de las etapas que componen un proceso empresarial y el conocimiento de dónde pueden producirse los cuellos de botella en el proceso. A diferencia de los sistemas de análisis anteriores, estas nuevas herramientas normalmente no requieren que el usuario cree los enlaces contextuales. Los datos necesarios para realizar los análisis se utilizan automáticamente y la interfaz de usuario es coherente con la de otras actividades analíticas. Las aplicaciones contextuales un poco más avanzadas pueden acceder automáticamente a los datos de todas las áreas funcionales y analizarlos, relacionando, por ejemplo, los aumentos de contratación propuestos con las implicaciones para los presupuestos y el rendimiento financiero. La gigante de los seguros AXA XL implementó un[sistema de gestión del capital humano basado en la nube](https://questoraclecommunity.org/learn/blogs/axas-hr-transformation-process/) que proporciona una variedad de información contextual a los usuarios. Sin personalización, incluía los KPI de recursos humanos, los puntos de referencia de las mejores prácticas y la capacidad de supervisar las tendencias de los recursos humanos, como la diversidad y los niveles de deserción. En solo ocho semanas se introdujo en toda la empresa una nueva herramienta de informes empresariales con estas funciones. ## Automatización de los análisis Además de encontrar automáticamente los datos correctos y conectarlos para proporcionar contexto, la IA automatiza cada vez más el proceso analítico en sí mismo y cuenta con el apoyo de la IA. Los vendedores y los usuarios están optando por la analítica aumentada, en la que el software de análisis encuentra automáticamente los patrones en los datos y permite consultar y analizar los datos mediante interfaces de lenguaje natural. En resumen, la IA y la analítica tradicional se combinan para que el análisis de datos sea más fácil y eficaz. Las herramientas utilizadas son el análisis predictivo y el aprendizaje automático, el procesamiento y la generación del lenguaje natural (NLP) y las tecnologías más tradicionales, como los motores de reglas. El análisis predictivo y el aprendizaje automático pueden identificar las tendencias y anomalías en los datos y describir qué variables o características contribuyen más a los resultados. Los análisis mejorados con la PNL permiten analizar los datos mediante simples comandos hablados, y las funciones de la NLG proporcionan resúmenes automatizados de los análisis en lenguaje natural. Estas nuevas capacidades eliminan las barreras de experiencia y tiempo del proceso de preparación de los datos, el descubrimiento y el análisis de los datos, y permiten a los «analistas de datos ciudadanos» crear información y tomar medidas que mejoren sus negocios. También tienen implicaciones positivas para las organizaciones de apoyo a la analítica y la ciencia de datos. Los expertos en software analítico y de IA pueden centrarse en problemas y análisis realmente difíciles y no tienen que dedicar su valioso tiempo a dar instrucciones o apoyar a los analistas y usuarios empresariales menos expertos. Los modelos creados por expertos, junto con los creados por los proveedores, también se pueden incorporar cada vez más a los sistemas transaccionales mediante solicitudes automatizadas de datos o análisis. Estos análisis aumentados los acaban de lanzar los principales proveedores, como Oracle y Salesforce, pero algunas empresas ya han realizado experimentos exitosos con ellos. Una empresa de fabricación tenía una cultura orientada a los datos, pero carecía de científicos de datos profesionales. Había implementado un enfoque de precios con descuento para los clientes que se basaba en los niveles de volumen de sus compras. Un analista de negocios pidió al sistema de análisis aumentado que revisara y encontrara cualquier tendencia en los datos de precios. Descubrió que, si bien relativamente pocos clientes aprovechaban los descuentos por volumen, muchos recibían descuentos especiales de los vendedores. La empresa tomó medidas para acabar con los descuentos no autorizados y obtuvo cientos de miles de dólares en ingresos. ## Se avecinan grandes cambios Es pronto para esta nueva generación de análisis empresarial, pero el potencial de las herramientas es sorprendente. Prometen ofrecer más y mejor información a más personas de las organizaciones con mayor rapidez. Los analistas de inteligencia empresarial y los profesionales cuantitativos seguirán teniendo tareas importantes que realizar, pero muchos ya no tendrán que ofrecer apoyo ni formación a los usuarios de datos aficionados. Las pequeñas y medianas empresas que no hayan podido permitírselo a los científicos de datos podrán analizar sus propios datos con mayor precisión y una visión más clara. Lo único que importará para la destreza analítica de las organizaciones será el apetito cultural por los datos, un conjunto de sistemas transaccionales que generen datos para analizarlos y la voluntad de invertir en estas nuevas tecnologías y desplegarlas.