Blogs universales

Las 5 mejores estrategias para inversiones a largo plazo en analítica, ciencia de datos y aprendizaje automático

Cuando se propagó la COVID-19 a principios del 2020, se rompieron todos los modelos de ciencia de datos y aprendizaje automático. La pandemia cambió fundamentalmente la naturaleza del trabajo e hizo que las actividades pasaran de forma rápida a basarse en datos.

¡Vaya! ¡Los tiempos realmente han cambiado!

Pero algunas cosas se mantienen iguales.

En el mundo de la analítica, la ciencia de datos y el aprendizaje automático (ML), la tecnología evoluciona rápidamente, pero algunos principios fundamentales se mantienen firmes. Desde avances en preparación, limpieza y perfilado de datos automatizados hasta aprendizaje automático (AutoML) e ingeniería de características también automatizados, existen muchas capacidades innovadoras que se deben considerar al evaluar las plataformas DSML.

Sin embargo, cuando se hacen inversiones en analítica e IA, los líderes de negocios deben mirar más allá de la tecnología. La tecnología cambia, pero algunos de los principios fundamentales para que tu estrategia perdure en el futuro se mantienen iguales. Después de todo, si has estado en el mercado de la tecnología, probablemente has visto algunas tendencias tecnológicas alcanzar el éxito y luego desplomarse. Además, probablemente ya has visto suficientes proyectos analíticos fracasar y otros que se han vuelto muy exitosos. ¿Por qué algunos proyectos tienen éxito y otros nunca logran concretar sus metas?
Cuando se hacen inversiones en analítica e IA, los líderes de negocios deben mirar más allá de la tecnología.

Según una encuesta de NVP Big Data and AI Executive Survey 2021, el 92,2 % de las empresas “señala a la cultura (personas, procesos, organización y gestión de cambios) como el mayor impedimento para convertirse en organizaciones basadas en datos”.

Estos resultados no son anormales. Todos los años, la cultura estanca las aspiraciones de trabajar con analítica. Sin embargo, algunas empresas encontraron el elixir mágico para transformar su cultura de una que se basa en intuición y procesos obsoletos a otra con un entorno digital potenciado por analítica, ciencia de datos y aprendizaje automático. La magia ocurre a través de cinco estrategias que los líderes usan para proteger sus inversiones a largo plazo.

Para las empresas que pueden transformarse, los resultados pueden ser impresionantes. Según el Instituto Internacional de Analítica (IIA), cuando se compararon empresas con diferentes niveles de desarrollo analítico (es decir, analítica localizada frente a empresas analíticas), se encontraron las siguientes diferencias en materia de crecimiento financiero:

Como líder de datos y analítica, debes considerar las siguientes recomendaciones para que tu estrategia de ciencia de datos y analítica perdure en el futuro.

1. Coordinar la analítica y la ciencia de datos con la estrategia comercial

Sí, esto suena un poco cliché, pero una de las mayores causas por las que los proyectos fracasan se debe a la falta de coordinación entre los profesionales de analítica y ciencia de datos, las diferentes áreas funcionales de la empresa y la estrategia comercial general.

Las organizaciones deben tener una estrategia comercial bien definida con objetivos empresariales y OKR (objetivos y resultados clave, por sus siglas en inglés). Luego, se debe definir un conjunto de iniciativas (proyectos) que se asignarán a esos OKR. A continuación, se deben crear y asignar KPI (indicadores clave de rendimiento) a esas iniciativas. Luego, y solo entonces, las organizaciones deben establecer proyectos de analítica para lograr esas iniciativas clave.

2. Comenzar con la decisión digital y trabajar retrospectivamente

Después de que se hayan conformado las iniciativas clave y los equipos de proyecto, las organizaciones deben trabajar retrospectivamente, desde las decisiones comerciales clave que se deben tomar. Los líderes deben prestar mucha atención a los procesos comerciales asociados que se ven afectados. El objetivo completo de los proyectos analíticos y de datos es crear valor para la empresa. ¿Qué sentido tiene si la organización no puede cambiar su comportamiento como resultado de incluir analítica en una decisión digital? En demasiados casos, esto se pasa por alto y es perjudicial para los proyectos y desmoralizante para quienes trabajan en estos.

Si asumimos que las organizaciones pueden tomar medidas prescriptivas basadas en analítica, estas deben comenzar a incluir flujos de trabajo analíticos en los sistemas empresariales. Para hacerlo de manera eficaz, deben implementar un sólido proceso de gestión de cambios en la organización, así como una estrategia de operaciones de aprendizaje automático.

3. No te olvides de las personas

Las personas son el activo más importante de una organización, y hay muchas dimensiones que analizar. En primer lugar, aún no hay suficientes científicos de datos capacitados para que las empresas los contraten y conserven. Afortunadamente, esta brecha disminuye rápidamente gracias a las oportunidades de formación continua, como el programa ADAPT.

Muchas organizaciones grandes desean seguir aprovechando a sus trabajadores actuales. Para ello, les proporcionan más conocimientos en datos y las oportunidades de capacitación necesarias para que se conviertan en ciudadanos científicos de datos. Ya sea que te guste o no el término "ciudadano científico de datos", actualmente, hay muchos profesionales que utilizan datos y analítica, y están atascados en las hojas de cálculo, haciendo lo mismo todos los días.

Además, una organización basada en analítica obtiene su fuerza de la comunidad que la respalda. Cuando observes tecnología analítica, presta mucha atención a la solidez de la comunidad. ¿Proporciona una experiencia colaborativa para que los empleados conozcan las prácticas recomendadas y solucionen problemas sin ayuda del equipo de TI o costosas capacitaciones?

4. No lo hagas de nuevo: automatiza.

En relación con el punto n.º 3, la automatización es fundamental para las organizaciones. En la historia del mundo, las organizaciones se automatizan a medida que los sistemas y procesos se vuelven más complejos. Debemos asumirlo: los trabajadores cualificados están cansados de los procesos de trabajo desactualizados. Odian hacer lo mismo una y otra vez. Anhelan utilizar sus habilidades para hacer cosas innovadoras, es decir, ir más allá de generar informes descriptivos sobre “lo sucedido” cada semana y crear modelos de ciencia de datos con funciones de arrastrar y soltar, así como explorar “lo que podría suceder” y “lo que deberíamos hacer”.

Muchas organizaciones ven la automatización como una competencia fundamental. Desde la automatización de procesos robóticos hasta bots de chat, interfaces de usuario sin código o código simple, e IA y ML, si tienes que hacer algo más de una vez, existe la oportunidad de automatizar el proceso. La Automatización de Procesos Analíticos es ciertamente una pieza del rompecabezas de la transformación digital que puede ayudar a las empresas a permitir que sus empleados creen innovaciones y resuelvan problemas de formas nuevas.

5. Consideraciones tecnológicas

Como se indicó anteriormente, la tecnología es ciertamente un facilitador para mejorar el bienestar de los empleados y el rendimiento empresarial, pero se debe considerar después de comprender las recomendaciones anteriores. En primer lugar, la tecnología debe ser intuitiva, accesible y fácil de usar. Sí, sé que todos los proveedores de tecnología afirman que su tecnología es fácil de usar, razón por la que animo a las personas a que prueben antes de comprar.

Además, la tecnología debe tener un sólido conjunto de bloques de construcción para crear pipelines de datos y analítica que resuelvan problemas comerciales reales y lleven a un crecimiento de ingresos y beneficios netos.

La tecnología debe contar con automatización incrustada y una sólida red de socios que puedan facilitar la transformación digital. Por último, debe tener algunas capacidades de AutoML que cuenten con el respaldo de proyectos de código abierto como EvalML (este video de YouTube es para los seguidores de Python que estén leyendo este blog).

El despegue de la analítica de una aerolínea

Como ejemplo, veamos rápidamente a un equipo de marketing de una aerolínea. Este equipo pasó de utilizar una agencia de marketing de tiempo completo a hacer el trabajo de forma interna. Con el uso de una plataforma de analítica intuitiva y fácil de usar, lograron analizar correos electrónicos de marketing y comprender realmente las necesidades de sus clientes. Después de algunas pruebas A/B y reducción de copias en sus campañas por correo electrónico, pudieron lograr un 50 % más de clics y un 15 % más de conversiones.

Pero el éxito no se detuvo ahí. Debido a que tenían una plataforma que era escalable y podía crecer con ellos a medida que tenían más información, pudieron agregar analítica geoespacial al análisis, lo que les brindó un 10 % más de interacción. Tenían más de una decena de flujos de trabajo que se automatizaron, lo que les dio más tiempo para dedicarse a trabajos más innovadores. También agregaron capacidades predictivas y fueron capaces de identificar un segmento de marketing que ofrecía 3 veces más de probabilidad de conversión. En total, ¡las conversiones fueron un 20 % más altas!

Resumen

La tecnología, junto con las personas y los procesos, es solo un componente en la analogía del banquillo de tres patas. A medida que los líderes de negocios comienzan su recorrido en analítica, tener una comprensión clara de la estrategia comercial y la forma en que se asigna a las decisiones digitales de una organización es importante. Es fundamental entender cómo cambiará el proceso comercial.

A continuación, involucra a toda tu organización en los diversos proyectos e iniciativas. Asegúrate de que los empleados tengan una ruta clara de formación continua. Después de todo, conocen mejor tu negocio y pueden hacer mejoras significativas si les das la oportunidad.

Luego, automatiza. Automatiza. Automatiza. Por último, considera una plataforma tecnológica fácil de usar, flexible y que tenga cientos de bloques de construcción que se puedan utilizar para crear flujos de trabajo innovadores. La tecnología debe contar con el respaldo de una comunidad sólida.

Lee esto a continuación.

¿Te preguntas qué puede hacer por ti una plataforma DSML?

Leer más

Escrito por
david sweenor
Sr. Director de Marketing de Productos, Alteryx
Wavy colorful lines intersecting
Entrada de blog
3 min to read

2021 Alteryx Podcast Wrap-up

In this special crossover podcast episode, hosts Maddie Johannsen and Susan Currie Sivek relive some of their favorite standout moments and special guests.

Analista
Líder de analítica
Científico de datos
Leer ahora
People interacting in front of glass windows with building in the background. Black and white image.
Entrada de blog
5 min to read

How Chief Data Officers can Improve Supply Chain Performance with Analytics Automation

As supply chain disruption continues, company leaders should tap Chief Data Officers who are uniquely positioned to shore up critical decisions.

Cadena de suministro
Líder comercial
Líder de analítica
Leer ahora
Ships and sunset
Entrada de blog
5 min to read

What Does the Democratization of Analytics Look Like for Government?

For organizations like the US Navy and others, the ability to better leverage data will be built on the capability to upskill the domain experts in the use of analytics.

Sector público: DOD
Sector público: FED
Sector público: Inteligencia
Leer ahora