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

Los datos 'suficientemente buenos' nunca serán lo suficientemente buenos

  • Predictive Analytics

Inteligencia artificial Robot.jpg

Para ofrecer a los consumidores los productos correctos en el momento adecuado, las empresas necesitan curar millones de puntos de datos e impulsar ideas para informar los esfuerzos de marketing y ventas.

Añada IA, que utiliza estas entradas de datos para comprender mejor cómo compran los consumidores, por qué compran y, lo que es más importante, predecir qué comprarán los consumidores en el futuro. Sobre esta base, las empresas están cambiando fundamentalmente la forma en que exploran los ciclos de desarrollo de productos, los modelos de precios y la comprensión de cómo cambiar las mentes de los consumidores inconstantes.

Pero hay una trampa. IA no opera en el vacío. Requiere entradas de datos limpias para lograr salidas valiosas. Desafortunadamente, la IA no siempre puede distinguir datos buenos de datos malos, que tienen sesgos inherentes. Los llamados datos "suficientemente buenos" requieren aportes humanos para hacer correcciones, y eso introduce la posibilidad de más problemas e ineficiencias.

Muchas empresas creen que pueden operar con datos "suficientemente buenos", pero pocas se dan cuenta de los altos costos de ignorarlos. De hecho, corregir los datos después de que se hayan creado puede ser 10 veces más costoso que implementar controles ascendentes en el punto de entrada de datos.

¿Solución? Haga exactamente eso: sea proactivo priorizando la calidad de los datos.

Identificar resultados de datos, métricas de calidad y consecuencias

Primero, identifique qué resultados se requerirán de los datos básicos y qué decisiones se tomarán sobre esos productos. Por ejemplo, ¿estás comercializando huevos sin jaula a los millennials? ¿Probando un ajuste de precios para una aplicación de software? Antes de implementar cada iniciativa, las empresas deben tener una visión más específica de sus datos masivos, convirtiéndolos en conjuntos de datos locales, manejables y personales que puedan activarse fácilmente.

A continuación, debe tener métricas concretas para lo que califica como datos limpios, por ejemplo. La exactitud, integridad y agregación de los datos. Los datos deben ser precisos, pero más allá de eso, deben ser exhaustivos: deben tenerse en cuenta las muchas variables que reflejan las compras de los consumidores.

Y si hay problemas con los datos, ¿cuáles son los atributos más importantes que deberán corregirse? ¿Cuáles son las consecuencias y los riesgos inherentes, por ejemplo? ¿Cuánto podrían modificarse las proyecciones de ventas y crecimiento? Todas estas son preguntas que un equipo técnico necesita para poder responder, especialmente si estas entradas de datos impulsan una infraestructura basada en IA que ayuda a rastrear las tendencias de compra y predecir el crecimiento futuro. Idealmente, comienzan con datos limpios y 100% de confianza en la forma en que se expresan.

IA solo trabaja con datos, por lo que es crucial contar con conjuntos de datos grandes, diversos e inclusivos. Si los datos son incorrectos, toda la IA que sigue es incorrecta.

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.