Las organizaciones que esperan hacer de la IA un elemento diferenciador necesitan recurrir a datos de calidad, pero sobre todo a  conjuntos de datos diferenciales que tenga significado de negocio.

La inteligencia artificial y la Analítica Avanzada, se están convirtiendo en un “topic” básico dentro las compañías, independientemente de su tamaño o actividad, según Pablo González Muñoz. En este sentido las compañías que han avanzado más en estos ámbitos están descubriendo, para su sorpresa en muchos casos, que acceder a  algoritmos para hacer que los sistemas  sean inteligentes es la parte fácil, que no sencilla, existiendo cada vez más soluciones o plataformas plug-and-play para lograr de una manera relativamente poco complejo levantar grandes librerías de algoritmos, sirva de ejemplo TensorFlow de Google, pasando  por Azure Machine Learning de Microsoft y terminando con ML de Amazon Web Services.

Sin embargo, los resultados que están obteniendo no parecen tan brillantes como algunos prometían y otros se prometían, llegando a la conclusión que el mundo de la transformación analítica es un reto de negocio y no tecnológico y por otro lado  que sin  datos de  calidad no hay resultado, y en caso de tener calidad si estos no están alineados a los retos de negocio lo que se obtiene no está moviendo la aguja del ingreso o el beneficio de las empresas.

Datos útiles: valiosos y diferenciales

Al igual que las personas, un sistema de aprendizaje automático no será inteligente en ningún tema hasta que no se le haya enseñado y este haya aprendido. Las máquinas necesitan muchos más datos que los humanos para ser inteligentes, aunque, sin embargo, los leen y aprenden mucho más rápido que nosotros. Por lo tanto, si bien parece que vivimos una carrera por incorporar al mundo empresarial cada vez más capacidades, tanto técnicas como humanas, también se observa cada vez más una carrera, en este caso  de pánico tras bambalinas,  para obtener datos nuevos y diferentes.

En este sentido, cada vez tengo más claro, que muchas veces estamos pidiendo a los nuevos y sofisticados sistemas de inteligencia artificial que apliquen nuevas técnicas al mismo material antiguo y esto nos lleva a generar sobre-expectativas para demostrar que podemos ganar la carrera, en muchas ocasiones sin haberse dado el pistoletazo de salida y tener los cordones de las zapatillas atados.

Una solución en muchas ocasiones es buscar sobre los datos ya conocidos nuevas “conexiones entre los mismos” pensando que así obtendremos nuevo “ material” para proporcionar a estos nuevos algoritmos, pero este camino, que no menor en esfuerzo,  no es el que llevará a aquellas  organizaciones que quieran usar la IA como un elementos de diferenciador, solo cabe trabajar en buscar nuevo material “datos “ para alimentar a estos nuevos super algoritmos, con esto no quiero decir que este material no este ya en nuestras organizaciones.

¿Qué quieres saber?

La obtención de nuevos  datos es más compleja que simplemente agregar información de puntos de venta o de clientes y volcarlos en una base de datos: la mayoría de las organizaciones creen erróneamente que un camino es recopilar cada fragmento de datos  posibles que generan y analizarlos minuciosamente, esperando encontrar un atisbo de información. insight: la característica esquiva que predice o clasifica algo que les importa.

En mi experiencia, el punto de partida debería ser que problema de negocio quieres batir o en palabras de un Director General “ para que lo queremos” y  a partir de hay empezar a obtener este nuevo material que alimentará a estos nuevos algoritmos y lograremos transformar nuestro negocio generando diferenciación y ventajas competitivos.

Por lo tanto

Las empresas que quieran ganar la carrera de la AI, en mi experiencia, tienen que pensar en:

• Los datos de “valor” son claves para  jugar de forma exitosa a la IA. No descubrirá nada transformacional trabajando con los mismos datos que tenías, y ojo que no sean los mismo que tienen tus competidores. Mirar internamente e identificar lo que su organización sabe y comprende de manera única, y crear un conjunto de datos distintivos utilizando esos conocimientos. Los algoritmos de AI o ML requieren una gran cantidad de datos, pero esto no significa que el modelo tenga que considerar una amplia “gama” de características. Enfoca tus esfuerzos de datos donde tu organización genera diferenciación y es una ventaja competitiva para el negocio
• Los datos “significativos” son mejores que los datos “completos” Es posible que posea muchos datos y detallados sobre un tema que no son útiles para su negocio, piense que si su empresa nos lo está utilizando ya a fecha de hoy para seguir su negocio  es probable que esos datos no sean valiosos como input de modelos futuros de AI, por muchos que tengamos o que sean muy completos, los datos que más aportan son aquellos que tiene mas significado de nuestros negocio.
• Lo que sabes debería ser el punto de partida. Las empresas que utilizan mejor AI comienzan preguntándose lo que las diferencias áreas de  negocio necesita para diferenciares. Esto les guía sobre qué datos acumular, así como qué tecnologías utilizar. Piensa en grande, empieza por lo pequeño y escala rápidamente, generarás  valor sostenible  para la organización.