Acepto

COOKIES

Esta web utiliza cookies técnicas, de personalización y de análisis, propias y de terceros, para anónimamente facilitarle la navegación y analizar estadísticas del uso de la web. Obtener más información

4 consejos para desarrollar mejores algoritmos de datos

  • Predictive Analytics

pyme digitalizacion datos

Las empresas están gestionadas, cada vez más, en datos. La calidad del algoritmo puede afectar si su empresa toma las decisiones correctas o incorrectas. Aquí hay algunas maneras de hacer que su negocio sea más inteligente.

En 2013, Google que equivocó cuando intentó predecir los brotes de gripe y no alcanzó su predicción en un 140%. Su algoritmo buscaba palabras como "frío" y fiebre ", suponiendo que estas búsquedas apuntaran a la gripe, pero el algoritmo adivinó mal.

En 2017, los informáticos de Stanford desarrollaron un nuevo algoritmo de aprendizaje profundo que podía diagnosticar 14 tipos de defectos del ritmo cardíaco con resultados precisos. El algoritmo se probó en más de 30.000 pacientes con una amplia variedad de anomalías del ritmo cardíaco. Luego fue sometido a revisiones rigurosas por cardiólogos para confirmar la precisión del diagnóstico. Solo entonces se desplegó el algoritmo. Funcionó.

El contraste entre estos dos casos de uso demuestra cuán importante es para las empresas obtener los algoritmos y consultas que operan con sus datos de Big Data. Si enfrenta desafíos similares, aquí hay cuatro consejos:

1. Si está tratando con datos repetibles, descubra el patrón

Las máquinas y los sistemas a menudo son las mejores áreas para estudiar la repetibilidad y los patrones de datos predecibles que un algoritmo puede usar como "normas" en el análisis de datos, porque las máquinas y los sistemas generalmente ejecutan procesos y operaciones repetibles. Por ejemplo, si un sensor automatizado informa de la presión del agua cada hora y de repente comienza a recibir lecturas cada segundo, su algoritmo debería alertarlo sobre un desempeño inusual que requiere intervención.

2. Si está modelando el comportamiento humano para probar un algoritmo, asegúrese de que su muestra sea precisa

En algunos casos, la calidad de los datos es el problema, pero en otros, las organizaciones son demasiado apresuradas y presuntuosas cuando agregan sus datos y fuentes de datos y analizan a los seres humanos. Por ejemplo, si usted es un minorista global y su objetivo es modelar los hábitos del consumidor, y encuentra que a los consumidores estadounidenses les gusta la idea del autoservicio, no se detengan allí. Es posible que encuentre que en otros mercados a los que sirve, como China, a las personas les gusta que les sirvan, y no les gusta el autoservicio. Si sus fuentes de datos iniciales para su algoritmo fueron lo suficientemente incluyentes, no se lo perderá.

3. Itere y afina tus algoritmos

Los algoritmos son hipótesis. Una hipótesis tal como la define Merriam-Webster es una "suposición tentativa hecha para extraer y probar sus consecuencias lógicas o empíricas". En otras palabras, no podemos saber al inicio de un algoritmo si nos dirá lo que creemos que será.

En los ensayos del algoritmo del ritmo cardíaco de Stanford, los algoritmos se ejecutaron continuamente y los resultados fueron evaluados por una batería de cardiólogos y expertos. El algoritmo se ejecutó iterativamente hasta que se diagnosticó con un alto grado de precisión cada caso cardíaco arrojado sobre él. Solo entonces se desplegó el algoritmo.

4. Haga las preguntas correctas

Lo más difícil de hacer es hacer las preguntas correctas con sus algoritmos. Aquí es donde es importante obtener expertos en la materia de su empresa junto con sus analistas de datos y científicos. Un experto en negocios puede hacer una pregunta como: "¿Es la batería o la primavera de nuestro aparato lo que falla más a menudo?" en lugar de una pregunta general como "¿Por qué falla este truco?". El experto puede hacer esta pregunta porque ya sabe lo suficiente sobre el producto y el problema, por lo que puede limitar la pregunta para obtener una respuesta más directa y procesable. Una vez hecho esto, un analista de datos o un científico entrenado puede transformar la pregunta en un algoritmo efectivo.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.