Inteligencia artificial y análisis predictivo: ¿Qué nos depara el futuro?

Los avances en inteligencia artificial y análisis predictivo tendrán ramificaciones más allá de las capacidades tecnológicas de la empresa. Las organizaciones enfrentarán nuevos desafíos en términos de habilidades, implementación y más. ¿Cómo pueden prepararse los especialistas en marketing para el cambio?

En esta serie hemos visto cómo el progreso evolutivo de la industria de la analítica conduce naturalmente a la integración de la inteligencia artificial (IA) para crear modelos predictivos precisos.

En el primer artículo, exploramos el potencial de la inteligencia artificial y el análisis predictivo como herramientas de marketing , impulsados ​​por las mejoras tecnológicas que han pasado de la automatización basada en reglas a algo más cercano a la sensibilidad. Vemos ejemplos de esto en todas partes, desde aplicaciones como Waze de Google, hasta protección contra fraudes financieros y recomendaciones personalizadas en Amazon.

El segundo artículo de la serie se basó en casos de uso concretos para esta tecnología , mostrando una amplia variedad de empresas que han utilizado el aprendizaje automático y la inteligencia artificial para predecir los comportamientos de los consumidores y crear mejores resultados comerciales. Estas oportunidades están abiertas a todas las empresas ahora, pero aprovecharlas es una tarea más compleja que simplemente comprar un nuevo software.

El tercer y último artículo de nuestra serie se centrará en el futuro de la analítica predictiva y los desafíos que enfrenta la industria.

Desafíos de implementación

Aunque pueda parecer inevitable que una herramienta empresarial tan poderosa se adopte en masa, la realidad es más matizada que eso. Los ejecutivos quieren decisiones más inteligentes y rápidas, pero hay una especie de trapecio en el equilibrio de datos, personas y tecnología cuando se trata de transformar una empresa en un modelo de análisis predictivo impulsado por IA.

La implementación de esta tecnología requiere un cambio ideológico para las empresas, no solo una inversión de capital, y la capacitación del personal desde cero en análisis de datos es imperativa.

Esto llega en un momento en que la confianza de los ejecutivos en la experiencia digital de su organización parece estar disminuyendo. La encuesta más reciente de Digital IQ de PwC muestra una disminución en la confianza de los ejecutivos en las habilidades de su equipo:

El nivel de experiencia no está disminuyendo; la industria simplemente cambia tan rápido que el personal no se mantiene al día.

Por lo tanto, si la analítica predictiva impulsada por la IA debe asumir una posición central en la caja de herramientas del CIO / CMO, será necesario superar algunos obstáculos importantes.

En esta parte final de nuestra serie sobre análisis predictivo, describiremos algunos de los desafíos que enfrenta esta industria en el futuro, antes de discutir las soluciones que las empresas pueden comenzar a implementar hoy.

Calidad de los datos

En una encuesta reciente de Protoviti a altos ejecutivos , los datos se clasificaron como el mayor inhibidor de la adopción generalizada de análisis predictivos dentro de las empresas. La calidad fue uno de los modificadores más importantes utilizados para agregar especificidad a un término tan nebuloso como "datos".

Incluso la "calidad" requiere una definición más detallada antes de que podamos decidir cómo abordar un desafío tan gigantesco.

Los datos de alta calidad serán consistentes en su formato (incluso a una escala significativa), reflejarán el escenario del mundo real que describen y permitirán una investigación confiable y reproducible.

Podemos tomar como ejemplo un conjunto de datos de salidas de trenes desde Waterloo de 2010 a 2014 que contiene brechas en los períodos de tiempo y utiliza convenciones de nomenclatura inconsistentes. Los seres humanos luchan con lagunas en conjuntos de datos como este, pero podemos adaptarnos y tal vez incluso obtener los datos de otros lugares. La inteligencia artificial simplemente no puede funcionar con datos incompletos como este, ya que solo puede funcionar con lo que ingresa al sistema.

Las mejores tecnologías de IA del mundo solo pueden hacer uso de los datos que proporcionamos, por lo que es fundamental que las empresas sean conscientes de estos posibles obstáculos y sepan cómo evitarlos. Más datos generalmente significan mejores resultados de análisis predictivos impulsados ​​por IA, pero deben ser los datos correctos para responder al problema comercial que pretende resolver.

Tener el equipo adecuado en su lugar es una excelente manera de comenzar en ese camino.

Reclutamiento y formación para las habilidades adecuadas

La tecnología de análisis predictivo está creciendo en sofisticación, pero el nivel de conocimiento dentro de la industria no necesariamente avanza al mismo ritmo.

Un informe de Capgemini encontró que el 77% de las empresas ven la falta de las habilidades adecuadas como el mayor obstáculo para una transformación digital exitosa:

Un informe de ClickZ fue más profundo para identificar las áreas de habilidades que eran más deseables, en comparación con su nivel actual de sofisticación dentro de las organizaciones.

No fue una sorpresa ver la analítica clasificada como la habilidad más importante, dado su potencial de uso en todas las funciones de marketing. Quizás fue un poco más sorprendente ver la analítica como el área con la mayor brecha de habilidades.

Fuente: ClickZ

La analítica abarca una variedad de técnicas y tipos de investigación de datos. La mayor parte del trabajo analítico que se lleva a cabo en la actualidad cae bajo el lema de descriptivo (¿qué sucedió?) O exploratorio (¿por qué sucedió?).

Aunque el nivel de habilidad necesario para operar la tecnología detrás de los futuros sistemas de análisis predictivo probablemente disminuirá con el tiempo, las empresas aún deben asegurarse de que su personal tenga un conocimiento detallado del análisis de datos antes de invertir en algunos nuevos y emocionantes sistemas de inteligencia artificial.

Afortunadamente, existen abundantes recursos y calificaciones para ayudar con esta capacitación, siempre que las empresas estén dispuestas a invertir. Tanto la teoría como la práctica deben considerarse componentes fundamentales de esta formación.

En Análisis: cómo ganar con inteligencia , los autores postulan que se debe formar un Centro de excelencia de análisis en empresas más grandes, con el jefe de departamento reportando al CTO:

El objetivo de este enfoque es dar a la analítica una base claramente definida desde la cual sus expertos puedan enseñar a otros dentro de la organización.

Sin embargo, podemos mirar esto desde otra perspectiva. No todos los miembros de un equipo de marketing necesitan conocer el funcionamiento interno de una plataforma de análisis para poder beneficiarse de ella. Esto se vuelve cada vez más cierto a medida que estas plataformas se vuelven dependientes del aprendizaje automático para crear modelos predictivos.

Independientemente: una amplia base de conocimientos sigue siendo esencial . Sin tener la capacidad de hacer las preguntas correctas o de saber de qué es capaz la tecnología (y de qué no es capaz), los resultados no serán adecuados para su propósito.

Por lo tanto, existe una creciente escuela de pensamiento de que la formación en artes liberales será un complemento cada vez más importante para los estadísticos y los ingenieros. La capacidad de plantear las preguntas correctas como marco para una hipótesis y luego investigar los hallazgos será esencial, al igual que las habilidades más suaves requeridas para presentarlas a las partes interesadas de alto nivel.

En esencia, se necesita un pueblo para obtener análisis en la actualidad. Pero garantizar que la calidad de sus datos sea adecuada para su propósito y que tenga un equilibrio de habilidades en su equipo de análisis es un gran comienzo.

Gestión de datos

No hay escasez de datos en la era moderna, y las cantidades solo aumentarán a medida que los dispositivos de Internet de las cosas (IoT) continúen llegando a los hogares de todo el mundo.

Cada empresa tiene una fuente potencialmente lucrativa de datos patentados y de terceros a su alcance. Las soluciones basadas en la nube, que pueden almacenar datos de forma remota en grandes cantidades, responden de alguna manera a la pregunta de dónde se deben guardar los datos.

Sin embargo, incluso si una empresa utiliza un almacén de datos como Hadoop, la información aún debe transferirse a una plataforma de análisis y transformarse en conocimientos a través de modelos estadísticos.

La cuestión de cómo garantizar exactamente que las plataformas de análisis y los sistemas de inteligencia artificial se mantengan al día sigue siendo un rompecabezas para muchas empresas.

También existen otros desafíos con la gestión de datos, desde la minería de datos hasta el almacenamiento y, en última instancia, hasta la transformación de la información en conocimientos útiles.

Un artículo de 2013 de científicos de la Universidad George Washington y la Universidad Americana, titulado Big Data: Issues and Challenges Moving Forward, resumió estos problemas potenciales:

Con el próximo lanzamiento del reglamento GDPR de la UE , estas preguntas son más importantes que nunca. Es responsabilidad de la empresa asegurarse de que todos los datos cumplan con las leyes locales y eliminar de forma segura los datos que no cumplan.

Si una cosa es segura, no podemos dejar que la IA haga estas llamadas. Los modelos predictivos de inteligencia artificial evaluarán cualquier dato histórico que se les presente y, si una empresa nota más tarde que se introdujeron datos erróneos en su plataforma de análisis de inteligencia artificial, cualquier conclusión a la que llegue se considerará inválida.

Volver a seguir los pasos de cálculos tan complejos y depurar cualquier variable no deseada resultaría una tarea imposible. Como resultado, cualquier empresa que planee introducir macrodatos en un modelo predictivo basado en inteligencia artificial debe tener cuidado con sus fuentes de datos.

Imagen: Wikimedia

Responsabilidad

Esta categoría sirve como término general para una variedad de desafíos menores, pero aún importantes.

La inteligencia artificial y el análisis predictivo tienen roles claramente definidos e importantes en industrias como la atención médica. El 80% de los líderes hospitalarios ven este campo como "importante" y es fácil ver por qué. Cualquier herramienta que pueda detectar patrones históricos relacionados con enfermedades y predecir su comportamiento futuro resultará invaluable en este campo.

El caso no es tan claro cuando se aplica al marketing. Sin duda, todos podríamos beneficiarnos de predicciones precisas basadas en el pasado. Eso se aplica a toda la sociedad, de hecho.

Sin embargo, existe el argumento de que el modelado predictivo tiene algunas limitaciones en una industria que prospera con nuevas ideas. La tentación de los sofisticados sistemas de inteligencia artificial y los modelos predictivos es ceder el control y ceñirse a lo que sabemos que seguirá generando crecimiento.

Además, la analítica predictiva puede convertirse en una profecía autocumplida. Vemos que se prevé que un determinado mensaje, producto o segmento de audiencia se convierta a una tasa más alta, por lo que cambiamos el presupuesto para capitalizarlo. Si la predicción se cumple, ¿es porque la predicción fue precisa o porque actuamos para hacerla precisa?

Finalmente, debemos considerar el papel de la creatividad humana en este proceso. Como discutimos en nuestro artículo sobre la creación de contenido impulsada por la IA, la capacidad humana para innovar y diseñar nuevas soluciones creativas es algo que la IA todavía no puede dominar del todo. Como tal, necesitamos utilizar la tecnología para liberar a nuestros equipos y aprovechar al máximo su capacidad para elaborar estrategias a largo plazo.

Al igual que con cualquier tecnología de inteligencia artificial, uno de los factores más cruciales para el éxito es el papel que desempeñarán las personas para aprovechar al máximo las herramientas a su disposición. Mirando específicamente el análisis predictivo, esto significa garantizar el equilibrio adecuado entre datos de calidad, la mejor tecnología y personas con la capacidad de conocer las limitaciones de la tecnología.

Con esto concluye nuestra serie de tres partes sobre inteligencia artificial y análisis predictivo. Si se perdió las dos entregas anteriores, siga los enlaces a continuación para obtener un resumen:

• ¿Cómo puede la IA permitir a los especialistas en marketing predecir el futuro?
• 5 empresas que utilizan inteligencia artificial para predecir el futuro y las ganancias