banner

Al contrario de lo que uno puede pensar, la dificultad más importante a la que se enfrenta todo director de Analytics en una empresa, NO está relacionada con la tecnología. 

Este problema no se soluciona invirtiendo más horas en programación. Ni dedicando más recursos a la transformación de los datos. Ni contratando al último gurú de Linkedin en Inteligencia Artificial.

Porque el problema para poner en marcha estos proyectos de forma exitosa está fuera del área de datos. El problema (y la solución) reside en las áreas de negocio que tienen que utilizar esta tecnología. 

Si rompemos un proyecto de datos en 3 fases muy básicas (identificar qué problema vamos a resolver, desarrollar el algoritmo que va a solucionar el problema y hacer que el área de negocio lo use), el punto menos relevante es el de hacer el algoritmo.

Primero, porque con el avance de las herramientas de IA puedes programar un algoritmo con unas pocas líneas de código. En Internet hay muchísimos tutoriales de cómo construir tu primer modelo. Si Pablo Motos ha sido capaz de mostrar un sistema de reconocimiento facial en su programa, cualquiera puede hacerlo.

Lo que no es tan fácil es identificar un caso de uso que sea útil para tu empresa. Para eso es necesario tener un profundo conocimiento del sector y de tu empresa. Y, además, saber qué puede aportar la Inteligencia Artificial para resolverlo. 

El conocimiento de negocio no es un problema. Si el equipo no supiera hacer lo que hace, tu empresa ya estaría fuera del mercado. Es el segundo punto el que no está tan claro. 

Tendemos a pedirle a negocio que nos diga qué necesita cuando no le hemos explicado qué es la Inteligencia Artificial.

Y como estamos todo el día bombardeados de noticias sobre IA, cada uno entiende lo que buenamente puede. Así que muchas veces el área de Analytics y las áreas de negocio se quedan “lost in transalation”

Segundo, porque una vez definido el problema hay que involucrar desde el principio al equipo que va a tener que usarlo. Que sientan el proyecto como propio y que se responsabilicen de sus resultados. 

Porque estos proyectos nunca salen bien a la primera y, o consigues involucrar a negocio, o el proyecto fracasará ante la primera dificultad.

Y tercero porque el uso de algoritmos requiere cambiar la forma en la que se hacen las cosas. Y el cambio solo funciona si el que tiene que cambiar está convencido de que tiene que hacerlo. 

Así que tienes dos opciones. Llamar a DECIDATA para que te ayudemos a resolver estos problemas y asegurarte de que tu siguiente proyecto de datos sea un éxito. O dejar que el equipo de datos se busque la vida para acabar haciendo una prueba de concepto con los datos disponibles, y sentarte a esperar que el efecto demostración convenza a negocio de que este es el camino.

Con nuestra ayuda te asegurarás que el modelo está en producción en 6 meses. Con un resultado medible en euros y con el equipo de negocio pidiéndote que, por favor, les ayudes a resolver el siguiente problema de negocio.

O puedes jugar la opción interna. Asumiendo el riesgo de que no funcione. Aunque quién sabe, Nadal fue capaz de remontar un partido en el que un modelo de Inteligencia Artificial le daba una probabilidad de ganar del 4% 

La épica del sufrimiento. 

Encantado de tener una conversación.


Iñaki Pertusa
Socio en DECIDATA