IA después del hype, primero los datos
"¿Y si hacemos un proyecto de Inteligencia Artificial?"
Así suelen empezar muchas iniciativas de analítica avanzada o lo que entraría dentro del gran saco de la Transformación Digital. Ahora "es lo que toca" para estar en la cresta de la ola tecnológica.
Detrás del hype en proyectos de Inteligencia Artificial, Big Data, IoT siempre hay un denominador común. Los DATOS. Estos son el ingrediente principal de la receta de la digitalización y conceptos a priori tan poco novedosos (década de los 70's) como DataWarehouse, Data Mart o Data Lake cobran ahora más sentido que nunca.
"Se trata de tener datos estructurados y homogéneos para poder explotarlos"
Aquellas empresas, independientemente de su tamaño, capaces de tener una integración y governance de sus datos que les permita tomar decisiones en base a estos serán las que obtengan una importante ventaja competitiva.
IA en la empresa privada
Si bien la inteligencia artificial tiene aplicaciones en infinidad de sectores económicos y sociales, las aplicaciones más habituales en nuestra experiencia dentro de la empresa privada serían:
- Previsión de la demanda
- Evaluación de riesgos
- Segmentación y recomendaciones personalizadas
- Estrategias de pricing
- Reducción de costes
Simplificación de la realidad donde cada uno de estos puntos se desglosaría un otros según el sector o negocio a considerar.
Para llevar a cabo dichos proyectos nos alimentamos de datos, típicamente ERP, CRM, bases de datos locales, sistemas operacionales, APIs, excels, etc
La primera pregunta a plantearnos sería:
¿Los datos disponibles son suficientes para el objetivo que se persigue?
La segunda y no por ello menos importante:
¿Existe una consistencia e integración entre los diferentes entornos de datos?
La respuesta a estas preguntas debería ser siempre SI antes de plantearse iniciar un proyecto de IA o Machine Learning.
Se valoraría tanto la tipología de la información disponible, como su calidad para evitar el conocido efecto "garbage-in, garbage-out"
Disponer de este entorno centralizado y homogéneo será el punto de partida para dar respuesta a las diferentes y cambiantes necesidades de negocio.
IA si, pero a su debido tiempo
Si a nadie se le ocurriría empezar a construir una casa por el tejado.... Lo mismo debería suceder respecto a proyectos de datos. Es fundamental asegurar asegurar la disponibilidad y calidad del dato antes de abordar iniciativas más ambiciosas.
En todo proyecto de analítica avanzada los ingenieros y científicos de datos van a dedicar la mayor parte de su tiempo en recolectar, organizar y limpiar la información:
Souce: Forbes
Si hemos sido capaces de generar DATALAKES que garanticen la calidad del DATO.
El proyecto de IA se convierte "sólo" en una traducción al objetivo de negocio.
Ejemplo 1:
Ante el objetivo estratégico de ajustar la producción mejorando la previsión de la demanda. Una vez se disponía de todos los datos necesarios con una calidad óptima, el proyecto se limitó "únicamente" a entrenar el algoritmo que afinase esta previsión.
Ejemplo 2:
Si esta misma empresa un año más tarde pretende mejorar el pricing de sus productos / servicios. Puede hacerse uso de este datalake ya estandarizado y aplicar los modelos necesarios que den respuesta al nuevo reto.
Os podeis imaginar que abordar los problemas de esta manera es mucho más eficiente que hacerlo como iniciativas aisladas.
IA con los pies en el suelo:
Situaciones o expectativas a evitar (por poco realistas) sobre proyectos de IA.
No se pueden esperar milagros. No porque la IA no pueda dar resultados con ROI extraordinario, pero el proyecto está inevitablemente abocado al fracaso si:
- No hay una definición clara del objetivo de negocio
- Se plantean proyectos sin disponer de los datos necesarios (incompletos, sesgados, falta de consistencia...)
- Proyectos están integramente gestionados por el departamento IT. No son proyectos únicamente de tecnología, por lo tanto el input de negocio es fundamental
- Se pretende transformar toda la organización de golpe. Al fin y al cabo las organizaciones las forman personas y las personas somos animales de costumbres. Una gestión incremental de los cambios suele dar mucho mejor resultado y permite al equipo adaptarse progresivamente.
4 claves para poner en acción la IA en tu empresa con éxito
Sin dar lecciones, me gustaría compartir las mejores prácticas en base a la experiencia que hemos ido contrastando a lo largo de los años
1. Iniciativas alineadas con la estrategia de la compañía
No lanzar proyectos como pollo sin cabeza. Las iniciativas de Transformación digital deben estar alineadas con los objetivos estratégicos de la compañía.
Iniciar proyectos no vinculados con la estrategia están destinados al fracaso ya que no contarán con el soporte e implicación necesario de la dirección
2. Madurez Digital
Antes de correr hay que caminar. Teniendo inconsistencias, datos desorganizados, o más grave aún sin haber recopilado los datos con anterioridad no tiene sentido iniciar un proyecto IA.
Esto de la transformación digital como una carrera por etapas y empieces pronto o tarde hay unos puntos de control que son obligatorios y no se pueden saltar.
Es importante ser consciente del grado de madurez digital de la organización, no sólo respecto a tecnología, sino a COMPETENCIAS DIGITALES de las personas que la componen para plantar proyectos acordes.
3. Proyecto end-to-end
La mejor manera para garantizar el delivery de un proyecto es realizar una gestión end-to-end. Siguiendo con la analogía de la casa hay un único promotor responsable de lo plazos, asegurar calidades, etc. Esto no quiere decir que no se puede delegar a especialistas en cada una de las áreas:
- Data gathering
- Data cleaning
- Data modeling and training
- Infrastructure and production deployment
- Integration other organization systems
Responsabilidades y objetivos claros. Con una metodología ágil y flexible que permita introducir los ajustes necesarios al alcance inicial pero sin perder foco del objetivo de negocio que se persigue.
Los proyectos de digitalización son siempre un camino compartido entre la empresa y el partner. Recorrer este camino de forma conjunta suele dar mucho mejor resultado que delegar por completo la responsabilidad en el partner y esperar proyectos llave en mano.
4. Dejarse acompañar
Sólo se va más rápido, acompañado se llega más lejos. Para esto es fundamental contar con un partner de confianza que no "coloque" productos sino que acompañe en el reto de transformar la organización acorde a las necesidades de cada empresa.
Empezar por un datalake no sería mala idea...
Si has llegado hasta aquí es porque te interesa este contenido. No olvides suscribirte para recibir más información sobre digitalización, nuevas tecnologías y datos, muchos datos!
Comments
Post a Comment