¿Qué es la analítica aumentada?

En la última década, la inteligencia empresarial se ha centrado en recopilar datos de diversas fuentes para luego procesarlos y visualizarlos de forma clara en cuadros de mando e informes. Esto ha permitido tomar decisiones mucho más estratégicas y rápidas basadas en datos. Sin embargo, para llegar hasta ahí fue necesaria una preparación manual previa significativa por parte de varios departamentos. Con los avances en AI y ML, gran parte de esto se puede automatizar, y el resultado será el próximo gran avance en la tecnología empresarial.

Cómo funciona la Inteligencia empresarial

Los sistemas de Business Intelligence surgieron en la década de 2000. Desde herramientas de base de datos independientes instaladas localmente en escritorios individuales, hasta sistemas modernos que se conectan con múltiples fuentes de datos y se enfocan en la manipulación de estos. La clave es la ingesta de datos; sin datos, todo el concepto de inteligencia empresarial no tiene sentido. Estos sistemas evolucionaron a medida que aumentaba la capacidad de procesamiento y la conectividad de la red, ampliando el alcance de las capacidades y permitiendo pasar de la máquina local del analista a una plataforma más grande e interconectada.

Actualmente, los sistemas de Inteligencia empresarial se destacan en la ingesta de datos macro desde múltiples fuentes, lo que permite a los expertos analizar en profundidad la actividad realizada. Esto da como resultado una gran cantidad de información y conocimientos empresariales que explican cómo y por qué han sucedido las cosas y que, gracias a una serie de herramientas que generan visualizaciones y gráficos, cuentan la historia que rodea a dichos datos, permitiendo la toma de decisiones.

Cómo funcionan la inteligencia artificial y el aprendizaje automático

La inteligencia artificial y el aprendizaje automático a menudo se usan indistintamente o incluso se confunden entre sí, y eso no es totalmente exacto. La inteligencia artificial se refiere a un conjunto de tecnologías que permiten que los sistemas tomen decisiones como los humanos, es decir, tomar decisiones inteligentes basadas en el contexto y la información disponible en lugar de una simple programación lógica IF-THEN.

Para llegar a ese punto, el aprendizaje automático es un componente clave; examina datos y busca patrones que luego pueden proporcionar el contexto para decisiones basadas en inteligencia artificial. Por ejemplo, podría revisar el procesamiento de transacciones de datos para una compañía de tarjetas de crédito y buscar rápidamente patrones anómalos en los datos del usuario. En base a esto, la inteligencia artificial podría llegar a determinar si esa transacción es potencialmente fraudulenta que valdría la pena investigar por parte del servicio al cliente.

Cómo la analítica aumentada une la inteligencia empresarial, la inteligencia artificial y el aprendizaje automático

La inteligencia empresarial trata de la creación de conocimientos de datos. La inteligencia artificial y el aprendizaje automático tratan de el aprendizaje de grandes conjuntos de datos para que sean las máquinas las que tomen las decisiones. Por tanto, la analítica aumentada, utiliza como base la inteligencia empresarial y luego le agrega ML / AI encima.

Una buena forma de plasmar esto es considerando el proceso actual involucrado en el uso de BI. Tal como está ahora, una plataforma de inteligencia empresarial ingiere datos de múltiples fuentes antes de que los técnicos preparen los datos y los científicos de datos los procesen para su análisis. En un sistema de análisis aumentado esos últimos pasos (preparación de datos y análisis inicial) se automatizan utilizando ML e AI.

Una explicación simplificada es que el ML maneja la preparación de datos (procesando los datos ingeridos, preparando los datos relevantes, buscando patrones) y la AI maneja el análisis inicial (usando modelos y algoritmos construidos por científicos de datos). Tiene más detalles que eso, pero es una buena forma superficial de comprender cómo funciona la analítica aumentada.

Consideremos el trabajo manual utilizado en un sistema tradicional:

• La preparación de datos por parte de los técnicos implica la exportación de los conjuntos de datos, y luego combinarlos, estructurarlos y organizarlos para su posterior análisis. Si un conjunto de datos incluye miles o millones de registros, esto podría requerir muchas horas de preparación por solicitud.
• El análisis inicial realizado por científicos de datos puede ser un proceso manual que implique el examen de innumerables registros para buscar patrones y buscar información. Muchos conjuntos de datos requieren un primer nivel de análisis, que se ocupa de las conclusiones generales antes de entrar más en profundidad. Estas tareas podrían ser realizadas automáticamente usando ML e IA, reservando el tiempo del científico de datos para otras tareas más importantes.

Con la AI y el ML trabajando en segundo plano 24/7, este proceso está constantemente activo. Eso significa que el algoritmo ML está constantemente refinando patrones mientras busca nuevos. Al mismo tiempo, el modelo general de IA mejora gracias al gran volumen de datos; cuantos más datos se consuman, más preciso será el modelo. Esta automatización agiliza los procesos, eliminando los pasos manuales para profundizar en los datos relevantes más rápido. Además, el uso del procesamiento del lenguaje natural (NLP), la misma tecnología que impulsa a los asistentes virtuales de inteligencia artificial como Alexa o Siri, hace que las tareas pasen de la preparación de datos al descubrimiento.

Beneficios de la analítica aumentada

La analítica aumentada proporciona muchos de los mismos beneficios que el BI, pero también ofrece un nivel de eficiencia y precisión que solo está disponible a través del procesamiento con máquinas. Por lo tanto, el verdadero alcance de la analítica aumentada va más allá de las capacidades nativas del BI:

• • Mayor precisión: Cuando los científicos de datos manipulan múltiples conjuntos de datos para prepararse para el análisis, es estadísticamente probable que ocurra un error durante ese proceso. Cuanto mayor sea el volumen de datos, mayor será la posibilidad de que se produzca un error y más tiempo llevará ejecutar las comprobaciones de errores. Cuando se utiliza el aprendizaje automático para este tipo de procesos, se eliminan dichos errores.

 

• • Mayor velocidad: Hay dos puntos débiles que pueden suceder al iniciarse un proyecto con plataformas de BI estándar: el tiempo necesario para preparar manualmente los datos y el tiempo de espera para que las partes asociadas respondan a las solicitudes. Con la analítica aumentada, el procesamiento de solicitudes comienza inmediatamente una vez que se envía la solicitud, dedicándose la AI interna a seleccionar los datos apropiados y a profundizar en la salida específica del proyecto, todo a la velocidad de una máquina, no de un humano.

 

• • Sesgo reducido: Los seres humanos tienen la tendencia de trabajar con patrones conocidos. Por lo tanto, un científico de datos podría pasar por alto involuntariamente algún aspecto potencial desconocido para él debido a la aplicación de hábitos y rutinas personales. Ese tipo de sesgo, aunque no es malicioso, puede llevar a que se pasen por alto conocimientos. En este caso, las máquinas funcionarán de manera más completa y eficiente sin este sesgo inherente.

 

• • Aumento de recursos: La analítica aumentada incrementa el valor tanto de los científicos de datos como de los técnicos porque los libera del trabajo manual para que puedan concentrarse en tareas más importantes. Para los técnicos, eso significa centrarse en las crecientes demandas de hardware y conectividad, y para los científicos de datos, significa dedicar mucho más tiempo a crear conocimientos más profundos. En resumen, todos ganan con la analítica aumentada.

 

En conclusión, la aplicación de técnicas tanto de IA como de ML y de procesamiento del lenguaje natural, permite a la analítica aumentada ofrecer un nivel completamente nuevo de inteligencia empresarial, creando un sistema de análisis automatizado más inteligente y potente, al cambiarse el modo en que se genera el contenido analítico. De este modo, las empresas que adopten la analítica aumentada en sus plataformas de BI en una etapa temprana podrán obtener una mayor velocidad en la generación de conocimiento empresarial y, en consecuencia, una gran ventaja competitiva.