Cabecera personalizada

El blog de Mikel Niño
Industria 4.0, Big Data Analytics, emprendimiento digital y nuevos modelos de negocio

¿Qué puede hacer (y qué no) la analítica predictiva?

Como hemos comentado anteriormente en el blog, gran parte del interés actual por la aplicación de las tecnologías Big Data y la analítica de datos en los negocios viene por el mayor valor y retorno potenciales a obtener de la aplicación de la analítica predictiva. Esto a su vez implica una mayor complejidad en estos proyectos que muchas veces se pasa por alto o no se termina de comprender totalmente al plantearse iniciar un proyecto en este campo. En otras ocasiones se tiene una cierta “percepción distorsionada” de lo que este tipo de técnicas pueden lograr realmente, otorgándoles capacidades que están bastante lejos de lo que en realidad se puede esperar de ellas hoy en día. En esta línea, Andrew Ng (uno de los mayores expertos en el área del aprendizaje automático, y parte implicada en los proyectos más importantes en este campo a nivel global) publicó hace escasos días un interesante artículo bajo el título “What Artificial Intelligence can and can’t do right now”, cuyas claves principales quiero repasar en esta entrada.

En el citado artículo, Andrew Ng destaca la capacidad de estos sistemas como herramienta transformadora de muchos negocios y sectores, pero también puntualiza que mucho de lo que se publica en los medios de comunicación sobre este tipo de sistemas proporciona una imagen poco realista de sus capacidades reales. En ese sentido, el artículo proporciona un resumen muy simple y certero de en qué consiste la clasificación supervisada y el tipo de aplicaciones para el que se está utilizando hoy en día.

Los modelos predictivos que generan los sistemas de aprendizaje automático son capaces de interpretar al instante un caso de entrada (A) y generar una respuesta (B) -una clasificación o predicción- asociada a A. El artículo cita varios ejemplos de qué supone este A → B en sectores concretos y el valor transformador que esto puede tener, pero también destaca qué hace falta recopilar una gran cantidad de datos sobre casos A → B resueltos para que el algoritmo empleado extraiga el aprendizaje que plasmará en el modelo a emplear con nuevos casos.

Partiendo de esa base, el artículo destaca las claves a las que un directivo debe atender para incorporar estos sistemas en sus estrategias de negocio:

- Comprender y elegir cuidadosamente qué A y B son las que se quieren modelar en nuestro negocio, con vistas a conseguir el mayor impacto y valor diferenciador.

- Hacerse fuerte con los datos, como activo estratégico y barrera defensiva ante competidores mucho más solida que el software en sí.

- Hacer acopio de talento capaz no sólo de aplicar esos sistemas, sino de entenderlos y adaptarlos al contexto de negocio y a los datos clave para tener las mayores garantías posibles de obtener el valor esperado de ellos.

No hay comentarios:

Publicar un comentario