Para las empresas que realmente han abrazado la transformación digital, su mayor activo, son los datos de calidad. Estos datos les permiten categorizar a sus clientes, sus comportamientos y tendencias para así tomar decisiones que les permitan mejorar su posicionamiento en el mercado y cumplir sus objetivos de ventas y rentabilidad.
“Será por datos…”, me comentó en una ocasión un director de sistemas. Y esa expresión no era precisamente de orgullo. En muchas ocasiones lo que necesitamos son datos de calidad, que nos permitan extraer conclusiones de los mismos.
Cada día, las empresas generan una cantidad astronómica de datos y éstas buscan cada vez más formas de recopilar, enriquecer y generar valor a partir de dichos datos. Sin embargo, esa recopilación, cribado y análisis no es fácil, y hacerlo manualmente puede ser un proceso largo y laborioso, incluso, inabarcable.
Muchas veces, se habla de datos, información y conocimiento como si tuvieran el mismo significado. Veremos que no es así y hay un proceso de agregación de valor en cada paso que damos para para pasar del dato al conocimiento.
Los datos son una representación simbólica de un evento o de un hecho concreto sin un significado semántico, es decir, sin transmitir un mensaje determinado. Un ejemplo podría ser una letra, una palabra o un hecho. También sabemos que este dato puede estar encriptado, y sigue siendo dato, aunque no sepamos el código para descifrarlo.
La información es cuando esos datos, debidamente procesados, nos proporcionan un mensaje que contribuye a la toma de decisiones. Ejemplo: Si transmito la información determinada, y no tengo criterio (el conocimiento adecuado) para interpretarla no tendré una idea clara de su significado.
¿Y el conocimiento? Podríamos decir que es una mezcla de experiencia, valores, información y “saber hacer” que sirve como marco para la incorporación de nuevas experiencias e información, y es útil para la acción (Davenport & Prusak 1999). En el ámbito empresarial ese conocimiento se almacena, no solo en los datos, sino en la organización, en los procesos, prácticas, y normas.
El conocimiento se deriva de la información, así como la información se deriva de los datos. Para que la información se convierta en conocimiento, las personas deben emplearse a fondo y requieren unos perfiles muy determinados que sean capaces de transformar esa información en un activo para la empresa. Últimamente, también se están empleando diversos algoritmos mediante técnicas de data analytics y inteligencia artificial en todas sus vertientes para la obtención de dicho conocimiento.
“En el camino desde el dato al conocimiento hay un conjunto de pasos que van incrementando el valor de ese activo, que es el dato»
En ese proceso de obtención del conocimiento, primero segmentamos y cribamos los datos para separar los correctos de los que no lo son, es decir, aquellos con calidad. Y es un paso importante. Un ejemplo: recopilo los datos de las transacciones de un portal de compras de un determinado cliente: sombrilla, bronceador, bañador, etc
Posteriormente necesitamos procesar esos datos para entender el mensaje que hay detrás de ellos. Ej.: ¿Qué tiene en común las compras de ese cliente? ¿Qué mensaje me transmite? ¿Probablemente está preparando las vacaciones?
¿Cómo interpreto ese mensaje y como mi empresa puede aprovechar esta información? ¿Podría ofrecerle ofertas de apartamentos, viajes a lugares de playa, incluso un seguro de viajes?
Dicho todo esto, ¿Cómo puede la automatización inteligente aportar valor a este proceso de transformar dato en conocimiento y en toma de decisiones?
En la primera etapa de recopilación y filtrado, la automatización permite recolectar e integrar los datos de cada transacción de manera relacional en procesos dispersos en varios sistemas y validarlos frente a los maestros de datos o datos contrastados.
Más específicamente, se pueden automatizar las siguientes tareas:
- Recogida de datos
- Entrada de datos
- Verificación de datos
- Gestión y ordenación de datos
- Análisis de datos
- Limpieza de datos
Las soluciones de automatización se complementan con soluciones de análisis (Kibana, Splunk, etc) que permiten extraer información analizada de los procesos transaccionales.
Otro paso importante es sacar conclusiones de estos datos. Aquí es donde el uso de soluciones de automatización con inteligencia artificial permite colegir que significan esos datos, mediante patrones, procesamiento de lenguaje natural, análisis de imagen, voz y video, etc.
Por último, identificando el patrón de comportamiento, de la necesidad o del problema que tiene un cliente se pueden ofrecer soluciones ofertas, soluciones, etc. Este el realmente el trabajo de los data scientists y sus algoritmos. Extraer conocimiento a partir de los datos y de la información para poder responder a las preguntas que nos formulamos, incluso predecir comportamientos futuros.
Sin estas tecnologías nos estamos enfrentando a los siguientes problemas:
- Complejidad e inconsistencias de los datos
- Datos fragmentados en diferentes sistemas
- Análisis basados en datos e información errónea generará resultados impredecibles.
- Inexactitudes en la interpretación de la información.
- Procesos de toma de decisión poco agile, incluso con resultados erróneos.
Sin embargo, el empleo de estas tecnologías combinadas nos permite:
- Identificar la información importante a de manera más rápida
- Cribar la información que interesa al negocio.
- Lograr a conclusiones más precisas y reducir el riesgo de análisis poco precisos
- Tomar decisiones relevantes para el negocio.
- Identificar deficiencias que podrían ocasionar problemas graves si no se atajan a tiempo.
De esta manera la automatización inteligente no solo permite la automatización no invasiva de tareas repetitivas, sino que se está focalizando en la innovación para simular, visualizar, reconocer tendencias y realizar predicciones mediante su integración con otras soluciones de analítica de datos e inteligencia artificial.
Marcos Navarro Alcaraz
Comparte este Post