Por eso muchas empresas suelen enfrentar problemas al momento de saber utilizar y administrar los datos que disponen. Y un correcto análisis predictivo puede poner a esos datos a trabajar a favor de la misma. Así, al aplicar un conjunto de algoritmos matemáticos a los datos del pasado se pueden determinar las puntuaciones que indican resultados probables en el futuro.
Estos puntajes predictivos se utilizan para monitorear actividades o eventos, proporcionando información sobre lo que está o podrá suceder.
Hace solo cuatro o cinco años era importante aprovechar el análisis predictivo a pesar de que muchas organizaciones creían que estaba fuera de su alcance. Para respaldarlo se requerían especialistas en matemáticas y estadísticas junto con sistemas tecnológicos muy costosos. Hoy los sistemas de análisis de datos predictivos y de gestión de datos son más accesibles. Existen muchos servicios y aplicaciones analíticas en el mercado que, si se desea, se pueden personalizar o integrar con los que se han desarrollado internamente. La tecnología habilitadora y las personas expertas en la interpretación de datos han tenido una convergencia donde el análisis predictivo puede y debe ser una parte integral de las operaciones comerciales.
Prepararse
Las empresas saben que los datos y su análisis pueden ayudarlas a identificar oportunidades y hacia dónde debe dirigirse la organización en su plan de desarrollo. Sin embargo, cuando se les presenta un conjunto disruptivo de información nueva, muchas suelen no estar estructuradas ni equipadas para tomar esa información fácilmente y aplicarla de manera efectiva. Obligadas por varias funciones de datos existentes, procesos y roles construidos alrededor de sistemas heredados a menudo dispares y complejos, carecen de la capacidad de ser flexibles y reaccionar rápidamente ante los cambios.
Algo para preocuparse: una encuesta de 2016 realizada por Forrester Consulting detectó que menos de 40 % de los equipos de análisis no trabajan con socios comerciales para establecer objetivos por adelantado. Esto significa que muchos grupos de análisis pueden estar operando sin vincular realmente sus actividades a resultados comerciales.
Si bien hay muchas personas que pueden analizar datos y proporcionar respuestas sobre lo que sucedió, la cantidad de profesionales que pueden extraer datos y predecir lo que es probable que ocurra, es un universo de recursos mucho más pequeño. Solo 47 % de los encuestados de esa muestra cree que sus analistas tienen las habilidades adecuadas para impulsar continuamente las aplicaciones de datos y análisis.
A medida que se implementan técnicas analíticas nuevas y más sofisticadas, es muy probable que esta brecha de habilidades crezca. Otros desafíos potenciales más comunes en las empresas incluyen la falta de capacidad organizativa para asumir nuevas iniciativas como también la ausencia de financiación. Además, algunas organizaciones pueden no poseer el espíritu innovador que a menudo se encuentra entre la tecnología y las empresas de nueva creación, muchas de las cuales ven el análisis predictivo como algo que tiene el potencial de cambiar fundamentalmente su negocio.
Sucede que una organización basada en el análisis de datos incorpora la capacidad de aprovechar el poder que esa información proporciona en todos los aspectos del negocio, incluyendo cómo se toman decisiones y se operan procesos. El análisis predictivo de los datos no puede simplemente ser insertado en los procesos comerciales existentes.
Una decisión útil es formar un nuevo departamento que sea esencialmente un “servicio compartido” en torno a la recopilación, el gobierno y el análisis de la información que tiene la organización. Ese nuevo sector proporcionaría capacidades y servicios de análisis predictivo a varias funciones y grupos como, por ejemplo, ingeniería, servicio al cliente y distribución. Y para ello se requiere un fuerte involucramiento de los mandos superiores de la organización para garantizar la alineación con los objetivos estratégicos de la firma. Y ese liderazgo necesita tomar decisiones e invertir para impulsar esa transformación.
Beneficio
Una vez que una empresa comienza a usar análisis predictivos para tomar decisiones, puede cambiar la forma en que opera. Sin embargo, para tener éxito a largo plazo, el análisis predictivo debe ser un proceso interactivo y sostenible. Se requiere mantenimiento continuo ya que los factores internos y externos cambian constantemente, y los modelos deben revisarse para acomodar esos cambios. Las empresas tienen que mirar continuamente lo que está ocurriendo en el mercado y qué nueva información está disponible.
Es probable que las empresas que pueden dar un paso atrás y pensar cómo van a aprovechar para su beneficio los datos de que disponen y el análisis predictivo de los mismos para transformar la forma en que manejan mejor y más rápido su negocio, terminen beneficiándose. Sucede que, lo que estarían haciendo en la práctica sería reducir costos, aumentar eficiencia, y volverse más ágiles en cómo se reacciona ante las oportunidades del mercado. Por el contrario, las organizaciones que no aprovechen estas capacidades enfrentan riesgos y el principal es el que plantean sus competidores que han demostrado tener una mejor manera de administrar sus empresas desde las posibilidades que brindan las nuevas tecnologías.
El problema y el desafío no están centrados en poseer una gran cantidad de datos sino en cómo obtener la mayor información posible de ellos. En otras palabras, se trata de convertir los datos en ideas y a su vez las ideas en ventajas comerciales reales para la organización.
Entender para tomar decisiones
¿Por qué es importante comprender y ser capaces de interpretar las decisiones tomadas por los modelos de analítica avanzada que utilizan Inteligencia Artificial (Machine Learning)?
Todos los días se confía a ciegas en una gran cantidad de tecnología de la que apenas se puede intuir sus bases de funcionamiento. Entonces, ¿qué tienen de diferente los modelos de IA para que sea tan importante entender y explicar su funcionamiento interno?
En 2015 el prestigioso hospital Monte Sinaí de Nueva York, desarrolló un modelo de Inteligencia Artificial llamado Deep Patient que, aprendiendo de los datos de un millón de pacientes era capaz de predecir enfermedades. En concreto, resultó ser casi infalible en la detección de la esquizofrenia, aunque nunca se utilizó con este objetivo.
Si funcionaba tan bien, ¿cuál era el problema para que no se aplicara? La esquizofrenia es una enfermedad cuyas causas son especialmente difíciles de explicar por la ciencia médica y nadie fue capaz de entender cómo Deep Patient realizaba sus predicciones. De este modo, los médicos no podían ofrecer argumentos a sus pacientes que explicasen esta conclusión y recetarles el tratamiento adecuado. En resumen, sin entender las predicciones no confiaban en el modelo.
Lo más sencillo sería responsabilizar a los prejuicios humanos de no utilizar un gran avance de tecnología médica, pero antes de emitir este juicio conviene analizar completa la situación. Si en una revisión médica un algoritmo recomienda que su hijo sea operado de corazón para evitar un grave problema indetectable, pero nadie puede explicarte cómo ha llegado un algoritmo a esta conclusión: ¿aceptaría operarlo sin una explicación de un médico calificado? Seguramente que no.
Con el crecimiento imparable de la analítica avanzada, se hace cada vez más patente la necesidad de disponer de modelos de IA comprensibles y explicables, que permitan mejorar la confianza en el empleo de esta tecnología. El objetivo sería evitar ejemplos como algunos modelos de selección de personal con inexplicables sesgos de género o etnia; otros de predicción de fraude con falsos positivos aleatorios, o de detección de vídeos violentos en internet que no diferencian acciones de terrorismo real de escenas de videojuegos de guerra.
Redes neuronales
El debate ha adquirido tal relevancia que el departamento de Defensa de EE.UU. ha lanzado un gran programa de proyectos en colaboración con las principales universidades y centros de investigación del país, entre ellas el MIT, para dotar de explicabilidad a los modelos Machine Learning que posteriormente podrán aplicarse en los vehículos autónomos y sistemas de inteligencia militar.
Adicionalmente, la Unión Europea estudia regular la obligatoriedad de que las empresas sean capaces de explicar a sus clientes las decisiones tomadas por todos sus sistemas basados en IA.
¿Por qué estos modelos son tan difíciles de interpretar? Básicamente, porque la mayoría se basan en deep learning, principal responsable de la explosión de la IA, que utiliza las ya famosas redes neuronales que son un conjunto de miles y miles de neuronas simuladas interconectadas entre sí y en capas. Cada neurona toma una pequeña decisión y pasa el resultado a otras adyacentes para que a su vez tomen su decisión y la pasen a las siguientes en un procedimiento de aprendizaje iterativo que produce un resultado global. Este mecanismo hace prácticamente imposible observar una red neuronal de gran tamaño en funcionamiento y comprender qué ha ocurrido dentro.
Pero al igual que no es necesario conocer en detalle lo que ha ocurrido en el cerebro de una persona para comprender los motivos de su decisión de comprarse un coche nuevo, se está trabajando con buenos resultados en obtener argumentos para explicar en forma sencilla la complejidad de estas redes neuronales.
