iProfesional

¿Tu empresa no "exprime" los datos de sus clientes?: este especialista te cuenta cómo hacerlo

Una combinación de mayor uso de Internet, capacidad de almacenamiento y el incremento de dispositivos conectados provocaron una explosión de datos
25/07/2021 - 08:48hs
¿Tu empresa no "exprime" los datos de sus clientes?: este especialista te cuenta cómo hacerlo

Las empresas tienen a su disposición mucha información sobre transacciones, encuestas, reseñas, chats, correos electrónicos. Sin embargo, ¿conocen cómo tratar este material para mejorar el servicio que proporcionan o los productos que fabrican y distribuyen?

Fredi Vivas, director general ejecutivo de RockingData, una compañía especializada en Big Data, inteligencia artificial y ciencia de datos explica en la siguiente entrevista de iProfesional la importancia de los datos en las empresas y cómo los pueden aprovechar.

-¿Cómo aprenden las organizaciones de los datos?

-La ciencia de datos es una disciplina que emplea los datos para extraer conocimiento e ideas. Es usar los datos para responder preguntas. Pero esas preguntas no son nuevas, sino que son las clásicas preguntas que se hacen siempre los distintos tipos de organizaciones. ¿Cuánto dinero ganamos el año pasado? ¿Cuánto ganaremos el próximo año? ¿Cuánto debería costar esta casa? o ¿Qué contenido le gustará a este usuario?, entre muchas otras.

Todas estas preguntas podrían responderse con distintas técnicas que forman parte de la ciencia de datos: análisis descriptivo, predicción de demanda o motor de recomendación con machine learning. Es un campo multidisciplinario en desarrollo continuo que involucra conocimientos de negocios, estadística y ciencias de la computación.

En los últimos 10 años, una combinación explosiva de mayor uso de Internet, capacidad de almacenamiento más barato y el incremento de dispositivos conectados provocaron que el volumen de datos crezca exponencialmente. Pero el desafío no es tener los datos, sino encontrar nuevos conocimientos en ellos.

Es ahí donde aparecen las técnicas de ciencia de datos, específicamente el machine learning (aprendizaje automático) para aprovechar la experiencia de las organizaciones, generando modelos predictivos para no solo mirar el pasado para generar informes, sino tener la posibilidad de predecir lo que sucederá en el futuro en base a la historia, descubriendo patrones que nunca habíamos visto. De a poco las empresas comenzaron a convertir los datos sin procesar en información sobre la que pueden actuar, de la manera más rápida y sin fricción posible.

Las organizaciones data driven (que toman decisiones basadas en datos) saben que los datos son su principal activo estratégico, y que reflejan toda la experiencia de la organización; cada transacción, incumplimiento de crédito, reclamo de un cliente, cada venta, contenido reproducido o medicamento recetado, todo eso genera un registro en los sistemas a cada segundo en todo el mundo. Y todo sirve para aprender.

Por ejemplo, para la generación de ofertas personalizadas uno a uno, a partir de entender en mayor profundidad hábitos y preferencias de consumo. En lugar de enviar 20 mensajes con ofertas, mandar uno solo, pero que es el más relevante para cada usuario. O que tu newsletter se adapte a los contenidos que busca cada lector. En el siglo XXI, no importa el tamaño de la compañía, o si es pública o privada. Todas podrán innovar y crecer a partir del uso inteligente y búsqueda de valor en los datos.

Fredie Vivas:
Fredie Vivas: "Por momentos parece que,estamos parados sobre una mina de oro y no nos damos cuenta":

-Las empresas tienen a su disposición mucha información sobre transacciones, encuestas, reseñas, chats, correos electrónicos. Sin embargo, ¿las empresas saben cómo tratar este material para mejorar el servicio que proporcionan o los productos que fabrican y distribuyen?

-Por momentos parece que, en relación con los datos, estamos parados sobre una mina de oro y no nos damos cuenta. Distintos estudios demuestran que las organizaciones impulsadas por datos logran unos ingresos por empleado un 70% más altos, y un 22% más de beneficios que las que no (Capgemini, 2020).

La capacidad de una organización para competir e innovar se ve relacionada al éxito con el que puedan analizar volúmenes grandes de datos, estructurados y no estructurados, de todo tipo de origen, ya sean internos o externos. Podríamos decir que la ciencia de datos se convierte en una herramienta para traducir las necesidades de las empresas en algoritmos.

Muchas empresas están dando sus primeros pasos y creando su propio camino para incorporar ciencia de datos, lo cual implica definir una estrategia. Esto es clave para que no sea un proyecto aislado o una iniciativa de algunos en el sector de la tecnología, sino que sea parte del corazón del negocio. Podríamos resumir este proceso en estos 5 pasos:

  • Partir de la estrategia de negocios: Debemos considerar las prioridades estratégicas de la organización y las preguntas claves de negocio.
  • Definir prioridades de adopción rápida: Seleccionar los casos para un tiempo de ejecución corto y relativamente económicos, para agregar valor y demostrar el retorno de la inversión de estos proyectos.
  • Desarrollar los requerimientos de datos: Pensarlos datos que necesitamos para lograr los objetivos y de dónde vendrán esos datos.
  • Tomar las decisiones del gobierno del dato: Se busca poner foco en la calidad de los datos, la seguridad de los datos, las cuestiones de privacidad y propiedad, para apalancar la transparencia y el uso ético de los datos.
  • Impulsar el desarrollo de las habilidades necesarias: Esto implica desarrollar lo que se conoce como "alfabetización de datos" o "data literacy" que la podemos definir como la capacidad de acceder, analizar, interpretar y mostrar datos como información…. de manera útil para un propósito específico."

-¿Cómo las empresas pueden aprovechar la oportunidad que abre el aumento de datos sin estructurar en Internet?

-Un miedo o un prejuicio que muchas organizaciones tienen cuando empiezan a trabajar con datos es la falsa idea de que no tienen, o no van a poder conseguir los datos necesarios para transformarse en una organización data driven. Pero la realidad es que en el 90% de los casos, esos datos existen, pueden construirse, o conseguirse en fuentes externas.

Sin dudas existen esas oportunidades, aunque también quiero resaltar que es clave conocer en profundidad el potencial de los datos internos de las empresas, es data muy valiosa y la mayor fuente de conocimiento de nuestros clientes, por lo tanto, se debe asegurar la privacidad de esos datos, la seguridad y el desarrollo de esos datos internos.

Cuando hablamos de datos externos, pueden ser datos abiertos por ejemplo los de datos.gob.ar o que provengan de fuentes como Google, las redes sociales y otras. Y además podríamos trabajar con datos más tradicionales, que pueden tener una estructura bien definida, como archivos de planilla de cálculo Excel, un CRM u otros sistemas, o de formatos no estructurados como videos, audios, fotos, archivos JSON y muchos otros más.

El uso de los smartphones genera datos útiles a las empresas.
El uso de los smartphones genera datos útiles a las empresas.

-¿Cuáles son las tecnologías y métodos de investigación que propician la minería de datos?

-La minería de datos refiere a que obtener valor de los datos muchas veces suele ser un trabajo difícil, pero que permite encontrar nuevos conocimientos que pueden ser claves para tomar decisiones.

El Data Mining es un proceso que busca explorar y analizar datos, ya sea en forma automática o no, en busca de encontrar patrones que muchas veces escapan al ojo humano, para transformar esos datos en conocimiento nuevo, que sea útil y accionable .

-¿Cómo los directivos de las empresas pueden entender las historias que hay detrás de los datos de sus organizaciones?

-Pienso que es mucho más importante un análisis de datos simple con una buena historia que explique y permita "vender" tus ideas, conceptos o proyectos que un análisis complejo que casi nadie entienda y que no consiga lo que buscamos, qué es cambio y acción.

El Data Storytelling es la herramienta clave para impactar con ideas claramente, conseguir dejar un mensaje claro y recordable, provocar reflexión en la audiencia y mantener el interés durante toda la exposición. Es una buena mezcla entre usar bien los datos, usar buenas visualizaciones y contar una historia contundente.

-¿Cuáles son condicionantes para el éxito de las estrategias basadas en el big data?

Según un estudio de la revista Forbes en 2020, sólo el 13% de las empresas del mundo usan eficientemente los datos que poseen. Para revertir esos números, primero debemos entender el fenómeno del mundo de los datos y los beneficios concretos que su análisis aporta a las empresas.

Creo que en este punto la clave es responder la pregunta: ¿Cómo acelerar la adopción de estas tecnologías? una buena forma de responder esto es pensar las claves para obtener beneficios concretos de IA / ML.

Lo primero que debemos tener en cuenta es que para que estos proyectos se traduzcan en beneficios concretos para las compañías es necesario alguien que los lidere. El liderazgo es fundamental para llevar adelante este proceso de transformación y manejar las expectativas de los miembros de la organización al respecto.

La incorporación de tecnología de inteligencia artificial o ML no siempre es lo que solemos llamar plug and play (conectar y funcionar). Además, el retorno a la inversión puede que no sea inmediato.

Antes de comenzar a trabajar, es clave la realización de un buen balance entre viabilidad, presupuesto, tiempo y valor al negocio. Muchas veces sabemos que queremos comenzar en el uso de estas tecnologías, pero no tenemos bien claro qué es lo que queremos hacer con ellas, o cómo van a mejorar nuestro negocio. Es clave la inversión de tiempo en eso, o pedir ayuda a expertos en esas definiciones.

-¿Qué sucede con los casos donde no haya mucha claridad de dónde arrancar?

-Es recomendable que el comienzo sea con un piloto o prueba de concepto. Además de la generación de ganancias en las organizaciones, actúan como un golpe de impacto que ayuda a romper la barrera de desconfianza o escepticismo.

Para implementarlas, es recomendable hacerlo en ambientes controlados que nos permitan medir impacto y ajustar expectativas y procesos. El aprendizaje basado en la prueba y el error es lo que nos va a ayudar a construir bases muy sólidas para nuestro proyecto. Y por supuesto también hacer que más personas en la organización conozca cómo funcionan estas herramientas.

Una cuarta sugerencia o recomendación a la hora de implementar por primera vez un proyecto de esta magnitud, es no poner demasiado foco en tecnicismos, del estilo: ¿Es mejor un algoritmo u otro? o ¿Vamos a desarrollar en Python o en R?

No estamos diciendo que esas discusiones no sean importantes, pero en el periodo de adopción, lo fundamental es alinear la cultura, las diferentes áreas involucradas y sus objetivos comunes para el inicio del trabajo con inteligencia artificial en nuestra organización.

Para hacer esto, es fundamental poder implementar herramientas de colaboración y trabajo en equipo. La inteligencia artificial suele tener mayor impacto cuando es desarrollada por equipos multidisciplinarios, que mezclan habilidades y perspectivas para sacar el mejor provecho de estas herramientas.

-¿Cuál es el gran desafío que tiene una empresa por delante para transformarse en data driven?

-El gran desafío es el desarrollo de un mindset ágil, flexible y colaborativo en nuestros equipos de trabajo. Y eso solo puede hacerse si estamos todos subidos al mismo barco. En este sentido, mi sugerencia es invertir en entrenamiento y planes de adopción.

Las organizaciones que tienen éxito implementando inteligencia artificial son aquellas que elaboran planes de adopción, estrategias de inversión en capacitación, rediseños de flujos de trabajo y comunicación. La adquisición de talento con conocimiento específico en inteligencia artificial es muy compleja, por eso tener aceitados los mecanismos de capacitación y por supuesto para "enamorar todos los días" a nuestro talento serán muy importantes.

Identificar los factores de riesgo, como toda gran innovación, la adopción de IA/ML en los procesos de toma de decisión puede generar cierta resistencia en algunos sectores de la organización. Y eso es algo por completo normal, porque la mayoría de las empresas no nacieron digitales.

-¿Cuáles son esos factores de riesgo que pueden demorar la confianza en la puesta en producción de estas tecnologías?

-Para encarar este camino de la mejor forma, es importante prestar atención a estos factores de riesgo Algunos de los más comunes son:

  • Sesgos en el desarrollo de los modelos.
  • Datos faltantes o de mala calidad.
  • Barreras culturales.
  • Falta de involucramiento de las distintas áreas.

Estos desafíos requieren de líderes decididos, que entrenen, motiven y entreguen las herramientas adecuadas a los equipos. Los líderes que tomen medidas más rápido para derribar estas barreras son quienes podrán capitalizar más eficazmente las oportunidades que genera la inteligencia artificial. Consiguiendo que sus organizaciones sean pioneras en sus industrias.