Los equipos de gestión a menudo asumen que pueden saltarse las mejores prácticas para el análisis de datos básicos, pasando directamente a la adopción de inteligencia artificial y otras tecnologías avanzadas. Pero las empresas que se apresuran en inteligencia artificial sofisticada antes de alcanzar una masa crítica de procesos automatizados y analítica estructurada pueden terminar paralizadas. Pueden ensillarse con costosas asociaciones de puesta en marcha, sistemas de caja negra impenetrables, conglomerados computacionales de nube complicados y conjuntos de herramientas de código abierto sin programadores para escribir código para ellos.
Por el contrario, las empresas con un sólido análisis básico -como los datos de ventas y las tendencias del mercado- logran avances en áreas complejas y críticas después de superponer la Inteligencia Artificial. Por ejemplo, una compañía de telecomunicaciones con la que trabajamos ahora puede predecir con 75 veces más precisión si sus clientes están a punto de usar el aprendizaje de máquina. Pero la empresa sólo pudo lograrlo porque ya había automatizado los procesos que permitían ponerse en contacto con los clientes rápidamente y entender sus preferencias mediante el uso de técnicas analíticas más estándar.
Entonces, ¿cómo pueden las empresas decir si están realmente listos para la IA y otras tecnologías avanzadas?Automatización de procesos básicos
En primer lugar, los gerentes deben preguntarse si tienen procesos automatizados en áreas problemáticas que cuestan dinero significativo y ralentizan las operaciones. Las empresas necesitan automatizar los procesos repetitivos que implican cantidades sustanciales de datos - especialmente en áreas donde la inteligencia de análisis o la velocidad sería una ventaja. Sin automatizar primero estos datos, las empresas descubrirán que sus nuevos sistemas de AI están llegando a conclusiones equivocadas porque están analizando datos obsoletos. Por ejemplo, los minoristas en línea pueden ajustar los precios de los productos diariamente porque han automatizado la recopilación de los precios de los competidores. Sin embargo, aquellos que todavía controlan manualmente lo que los rivales están cobrando pueden requerir hasta una semana para recopilar la misma información. Como resultado, como descubrió un minorista, pueden terminar con ajustes de precios perpetuamente detrás de la competencia, incluso si introducen AI porque sus datos están obsoletos.
Sin la automatización básica, las visiones estratégicas de resolver problemas complejos con el toque de un botón permanecen esquivas. Tomar los gestores de fondos. Mientras que la profesión es un gran candidato para la inteligencia artificial, muchos gerentes pasan varias semanas manualmente juntando datos y comprobando errores humanos introducidos a través de resmas de hojas de cálculo Excel. Esto los hace lejos de estar preparados para la inteligencia artificial para predecir el próximo riesgo para las carteras de inversión de los clientes o para modelar escenarios alternativos en tiempo real.
Mientras tanto, las empresas que automatizan los procesos básicos de manipulación de datos pueden ser proactivas. Con los motores de precios automatizados, los aseguradores y los bancos pueden lanzar nuevas ofertas tan rápido como los competidores en línea. Una aseguradora tradicional, por ejemplo, pasó de actualizar sus cotizaciones cada varios días a cada 15 minutos simplemente automatizando los procesos que recogen datos de precios de referencia. Una empresa de servicios públicos hizo que su servicio fuera más competitivo al ofrecer precios personalizados y en tiempo real y ofertas especiales basadas en lecturas automáticas de contadores inteligentes en lugar de visitas semestrales en persona a los hogares.
Análisis de datos estructurados
Una vez automatizados los procesos críticos para lograr una eficiencia o un objetivo, los gerentes deben desarrollar análisis estructurados así como centralizar los procesos de datos de manera que la forma en que se recopilan los datos esté estandarizada y se pueda introducir una sola vez.
Con arquitecturas de información más centralizadas, todos los sistemas se refieren a la "fuente de verdad" principal, las actualizaciones se propagan a todo el sistema y las decisiones reflejan una única vista de un cliente o problema. Un conjunto de análisis estructurado proporciona a los directores de categorías minoristas, por ejemplo, una imagen completa de los datos históricos de los clientes; Muestra qué productos eran populares con los que los clientes; Lo que vendió donde; Que los clientes de los productos intercambiaron entre; Y al cual permanecieron leales.
Armados con esta información, los administradores pueden entonces asignar mejor los productos, y, ver por qué se hacen las elecciones. Al comprender los factores detrás de las decisiones de los clientes, los administradores también pueden tener conversaciones mucho más enriquecedoras sobre la gestión de categorías con sus proveedores, como explicar que se eliminarán productos muy similares para dejar espacio a alternativas más exclusivas.
Prueba AI
Después de que estas analíticas estructuradas estén integradas con la inteligencia artificial, es posible predecir, explicar y prescribir el comportamiento del cliente. En el ejemplo anterior de la compañía de telecomunicaciones, los gerentes entendían las características del cliente. Pero necesitaban inteligencia artificial para analizar el amplio conjunto de datos recopilados para predecir si los clientes estaban en riesgo de salir. Después de que las técnicas de aprendizaje de la máquina identificaran a los clientes que presentaban un "riesgo de rotura", los gerentes volvían a su análisis estructurado para determinar la mejor manera de mantenerlos y usar procesos automatizados para obtener una oferta de retención adecuada rápidamente.
Los sistemas de inteligencia artificial hacen una gran diferencia cuando se requieren datos no estructurados como medios sociales, notas de centro de llamadas, imágenes o encuestas abiertas para llegar a un juicio. La razón por la que Amazon, por ejemplo, puede recomendar productos a las personas antes de que incluso sepan que lo quieren es porque, utilizando técnicas de aprendizaje automático, ahora puede acumular datos no estructurados sobre su colección fuerte y centralizada de análisis estructurados como detalles de pago de los clientes , Direcciones e historiales de productos.
AI también ayuda con las decisiones no basadas en el rendimiento histórico. Los minoristas con sólida estructura analítica en el lugar puede averiguar la mejor manera de distribuir los productos en función de cómo se están vendiendo. Pero se necesitan técnicas de aprendizaje automático para predecir cómo los productos que aún no están disponibles para la venta, en parte porque no hay datos estructurados disponibles.
Por último, los sistemas de inteligencia artificial pueden hacer pronósticos más precisos basados en conjuntos de datos dispares. Los gestores de fondos con una base sólida de análisis de datos automatizados y estructurados están prediciendo con mayor exactitud cómo las existencias se llevará a cabo mediante la aplicación de AI a conjuntos de datos que abarcan desde datos meteorológicos hasta el recuento de automóviles en diferentes ubicaciones y el análisis de cadenas de suministro. Algunos pioneros de los datos están incluso comenzando a averiguar si las empresas ganan o pierden terreno utilizando análisis de los sistemas de inteligencia artificial de los datos de los sentimientos de los consumidores de fuentes de medios sociales no relacionados.
Las empresas están comenzando a descubrir las muchas maneras diferentes que las tecnologías de AI pueden potencialmente reinventar negocios. Pero una cosa ya está clara: deben invertir tiempo y dinero para prepararse con análisis de datos suficientemente automatizados y estructurados para aprovechar al máximo las nuevas tecnologías. Quiera o no, no puede permitirse el lujo de omitir los conceptos básicos.
ARTICULO ESCRITO POR:
Nick Harrison, Deborah O'Neill
FUENTE:
Harvard Bussines Review
ARTÍCULO ORIGINAL:
https://hbr.org/2017/06/if-your-company-isnt-good-at-analytics-its-not-ready-for-ai
Comentarios
Publicar un comentario
¿Deseas Comentar? Hazlo con toda libertad.