En los últimos años, la tecnología ha cambiado rápidamente lo que puede hacer el análisis empresarial. Los enfoques analíticos que incorporan modelos predictivos han comenzado a desplazar enfoques meramente descriptivos. La analítica descriptiva, que sigue siendo valiosa para muchos usuarios, también ha evolucionado, haciendo un mayor uso de la analítica visual y avanzando hacia un modelo de autoservicio en el que los usuarios no técnicos a menudo pueden desarrollar sus propios análisis. En general, los análisis son rápidamente más fáciles de usar y más potentes.
A pesar de este progreso, sigue siendo difícil usar datos y análisis para comprender y predecir muchos de los fenómenos importantes en las organizaciones. Los modelos predictivos requieren una cantidad sustancial de datos pasados y una cantidad razonable de experiencia para crear y utilizar, lo que limita cómo y cuándo se pueden implementar. Y si bien dar a los usuarios de análisis descriptivos un mayor control es bueno, ese cambio a menudo requiere que los usuarios inviertan más tiempo. Además, los enfoques analíticos existentes, tanto descriptivos como predictivos, han sido históricamente un poco estrechos, centrados en funciones o unidades particulares, a pesar de que muchos problemas y problemas empresariales afectan a funciones y unidades. Esta importante información contextual rara vez se incorpora a los modelos analíticos; los silos de sistemas y datos dificultan su trabajo, y los analistas de datos a menudo desconocen o no pueden acceder fácilmente a los datos relevantes debido a la mala catalogación.
La buena noticia es que está surgiendo una nueva generación de análisis empresariales e incorpora cierto grado de automatización e información contextual. Las innovaciones se basan en la IA y la automatización, las conexiones a través de los sistemas de información existentes y las suposiciones basadas en roles acerca de las decisiones que se tomarán en materia de datos y análisis. Al final, pueden preparar ideas y recomendaciones que se pueden entregar directamente a los responsables de la toma de decisiones sin requerir que un analista las prepare con antelación.
Al igual que las aplicaciones de Google le pueden decir, sobre la base de su domicilio, entradas de calendario e información de mapas, que es hora de salir al aeropuerto si desea tomar su vuelo, las empresas pueden aprovechar cada vez más la información contextual en sus sistemas empresariales. La automatización de la analítica, a menudo denominada «descubrimiento inteligente de datos» o «analítica aumentada», está reduciendo la dependencia de la experiencia humana y el juicio al señalar automáticamente las relaciones y patrones en los datos. En algunos casos los sistemas incluso recomiendan lo que el usuario debe hacer para abordar la situación identificada en el análisis automatizado. Juntas, estas capacidades pueden transformar la forma en que analizamos y consumimos datos.
El poder del contexto
Históricamente, los datos y los análisis han sido recursos separados que debían combinarse para obtener valor. Si quería analizar datos financieros o de recursos humanos o de la cadena de suministro, por ejemplo, tenía que encontrar los datos (en un almacén de datos, un mercado o un lago) y apuntar su herramienta de análisis hacia ellos.
Esto requería un amplio conocimiento de qué datos eran apropiados para su análisis y dónde se podía encontrar, y muchos analistas carecían de conocimiento del contexto más amplio. Sin embargo, los análisis e incluso las aplicaciones de IA pueden proporcionar cada vez más contexto. Y estas capacidades ahora son incluidas regularmente por los proveedores clave en sus ofertas de sistemas transaccionales, como la planificación de recursos empresariales (ERP) y la gestión de relaciones con el cliente (CRM).
Hay muchos ejemplos de contexto emergente que implican suposiciones sobre la decisión a tomar y el flujo de trabajo para tomarla. En el ámbito de los recursos humanos, por ejemplo, el sistema de gestión del capital humano puede optimizar automáticamente el proceso de selección de candidatos identificando a los candidatos más adecuados para una determinada descripción de puestos (utilizando el procesamiento de currículos en lenguaje natural y la correspondencia de términos) y clasificándolos en orden de ajuste. Para ello, la aplicación necesita los conocimientos contextuales para conectar la información de antecedentes y habilidades con los requisitos del trabajo. En las cadenas de suministro, los análisis contextuales pueden basarse en datos de planificación de recursos empresariales, que las empresas utilizan para optimizar los niveles de inventario, predecir las necesidades de cumplimiento de productos e identificar posibles atrasos. El contexto involucrado incluye parámetros de referencia de la cadena de suministro, una comprensión de las etapas componentes de un proceso de negocio y el conocimiento de dónde pueden producirse cuellos de botella en los procesos.
A diferencia de los sistemas de análisis anteriores, estas nuevas herramientas normalmente no requieren que el usuario realice los vínculos contextuales. Los datos necesarios para realizar los análisis se emplean automáticamente, y la interfaz de usuario es coherente con la de otras actividades analíticas. Las aplicaciones contextuales algo más avanzadas pueden acceder y analizar automáticamente datos en todas las esferas funcionales, por ejemplo, en relación con los aumentos de contratación propuestos con las consecuencias para los presupuestos y el rendimiento financiero.
El gigante de seguros AXA XL implementó un sistema de gestión de capital humano basado en la nube que proporciona una variedad de información contextual a los usuarios. Sin personalización, incluía indicadores de rendimiento de recursos humanos, parámetros de referencia de mejores prácticas y la capacidad de monitorear tendencias de recursos humanos, como la diversidad y los niveles de eliminación de recursos humanos. Una nueva herramienta de generación de informes empresariales con estas capacidades se introdujo en toda la empresa en tan solo ocho semanas.
Automatización de análisis
Además de encontrar automáticamente los datos correctos y conectarlos para proporcionar contexto, el proceso analítico en sí está siendo cada vez más automatizado y respaldado por la IA. Los proveedores y usuarios están avanzando hacia estos análisis aumentados, en los que el software de análisis encuentra automáticamente patrones en los datos y permite consultar y analizar datos utilizando interfaces de lenguaje natural. En resumen, la IA y el análisis tradicional se están combinando para facilitar y hacer más eficaz el análisis de datos.
Las herramientas involucradas son el análisis predictivo y el aprendizaje automático, el procesamiento del lenguaje natural (PNL) y la generación (NLG), y tecnologías más tradicionales, como los motores de reglas. El análisis predictivo y el aprendizaje automático pueden identificar tendencias y anomalías en los datos y describir qué variables o características están contribuyendo más a los resultados. Los análisis mejorados de NLP permiten analizar datos a través de comandos hablados simples, y las capacidades de NLG proporcionan resúmenes automatizados de análisis en lenguaje natural.
Estas nuevas capacidades eliminan las barreras de experiencia y tiempo del proceso de preparación de datos, descubrimiento de conocimientos y análisis, y hacen posible que los «analistas de datos ciudadanos» creen ideas y tomen medidas que mejoren sus negocios. También tienen consecuencias positivas para las organizaciones de apoyo analítico y de ciencia de datos. Los expertos en software analítico y de IA pueden centrarse en problemas y análisis realmente difíciles y no tienen que dedicar su valioso tiempo instruyendo o apoyando a analistas menos expertos y usuarios empresariales. Los modelos creados por expertos, junto con los creados por los proveedores, también pueden incorporarse cada vez más a los sistemas transaccionales a través de solicitudes automatizadas de datos o análisis.
Estos análisis aumentados están siendo implementados por proveedores líderes como Oracle y Salesforce, pero algunas empresas ya han realizado experimentos exitosos con ellos. Una empresa manufacturera tenía una cultura orientada a los datos, pero carecía de científicos de datos profesionales. Se había puesto en marcha un enfoque de precios con descuento para los clientes basado en los niveles de volumen de sus compras. Un analista de negocios pidió al sistema de análisis aumentado que revisara y encontrara las tendencias en los datos de precios. Descubrió que, aunque relativamente pocos clientes estaban aprovechando los descuentos por niveles de volumen, muchos estaban recibiendo descuentos especiales de los vendedores. La compañía tomó medidas para poner fin a los descuentos no autorizados y ganó cientos de miles de dólares en ingresos.
Grandes cambios están llegando
Son los primeros días para esta nueva generación de análisis de negocios, pero el potencial de las herramientas es sorprendente. Prometen ofrecer más y mejores perspectivas a más personas dentro de las organizaciones con mayor rapidez. Los analistas de inteligencia empresarial y los profesionales cuantitativos seguirán teniendo tareas importantes que realizar, pero muchos ya no tendrán que proporcionar apoyo y capacitación a los usuarios de datos aficionados. Las pequeñas y medianas empresas que no hayan podido permitirse el lujo de los científicos de datos podrán analizar sus propios datos con mayor precisión y conocimientos más claros. Todo lo que importará para la destreza analítica de las organizaciones será un apetito cultural por los datos, un conjunto de sistemas transaccionales que generan datos para ser analizados, y la voluntad de invertir y desplegar estas nuevas tecnologías.
JF
Joey Fitts is Vice President, Analytics Product Strategy for Oracle