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

Cómo implementar la analítica aumentada

  • Predictive Analytics

Analítica empresarial 2

El Big Data y la analítica han enfatizado la importancia de aprovechar los datos durante la última década. Lo que no se ha discutido con tanta frecuencia es la necesidad de aprovechar la capacidad de las personas para comprender los datos y aplicar esta comprensión al negocio.

La necesidad de democratizar el uso y la comprensión de los datos más allá de los paneles e informes tradicionales ha sido un importante impulsor de la analítica aumentada, que Gartner define como "el uso del aprendizaje automático (ML) y el procesamiento del lenguaje natural (PNL) para mejorar la analítica de datos, el intercambio de datos, e inteligencia de negocios".

Para propósitos de reconocimiento de patrones y tendencias, se emplea el aprendizaje automático. ML descubre patrones repetitivos, o anomalías en los patrones, en los datos, que a su vez conducen a ideas comerciales. Una vez que se descubre una tendencia o patrón, un motor de software predictivo realiza un análisis de causa raíz para identificar los factores más probables que causan la tendencia.

La promesa de la analítica aumentada es eliminar los plazos de entrega más largos para obtener información para el negocio final. Esto es posible porque los usuarios finales ahora pueden consultar datos en un idioma natural y un sistema puede trabajar con aprendizaje automático y algoritmos de desarrollo propio para proporcionar nuevas ideas. Utiliza patrones de datos que, según su discernimiento, pueden aumentar lo que los usuarios ya han solicitado.

El proceso no es perfecto, pero tampoco lo es el proceso de desarrollo de algoritmos y modelado de datos que usan los científicos de datos. Las empresas deberían considerar agregar análisis aumentados a sus estrategias de consulta de datos, pero con algunas advertencias.

Las analíticas aumentadas son tan buenas como las personas que las usan. Muchos usuarios finales no tienen conocimientos de datos. La alfabetización de datos es "comprender lo que significan los datos, incluido cómo leer gráficos y cuadros de manera apropiada, sacar conclusiones correctas de los datos y reconocer cuándo los datos se utilizan de manera engañosa o inapropiada". Estas habilidades generalmente no se solicitan en los requisitos de trabajo de los supervisores de producción, gerentes de servicio al cliente o ejecutivos de ventas.

La analítica aumentada debe ser una adición cuidadosamente orquestada a las aplicaciones existentes de ciencia de datos y analítica. Esto se debe a que es probable que la alfabetización de datos esté poco desarrollada en la mayoría de las organizaciones. Cuando se utiliza la analítica aumentada, los científicos de datos y los analistas de datos de TI deben participar activamente en el proceso de implementación.

El proveedor que elija para sus análisis aumentados es importante. Si el proveedor no tiene una hoja de ruta sobre cómo va a desarrollar aún más el producto, o si tiene un sistema de soporte y capacitación lo suficientemente robusto como para impartir conocimientos de datos y competencia de herramientas a los analistas de datos ciudadanos, probablemente se debe evitar.

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.