La Ciencia de Datos ofrece numerosas herramientas analíticas a empresas, administraciones públicas y grupos de investigación para analizar el creciente volumen de datos disponibles. Estas herramientas tradicionales se han visto superadas por la inteligencia artificial, cuyas aplicaciones de negocio se han incrementado notablemente. Surge así la “analítica avanzada”, capaz de examinar autónoma o semiautónomamente los datos para descubrir sus claves más profundas, realizar predicciones o generar recomendaciones para la toma de decisiones.
Muchos de estos procesos de análisis dependen, además, de la intervención de personas y, en consecuencia, son susceptibles de incorporar sesgos y subjetividad, sin olvidar que los actuales analistas dedican un 80% de su tiempo a preparar y modelar los datos, y solo el 20% restante al realizar análisis y formular resultados.
La escasez de perfiles especializados (McKinsey prevé, solo en EE.UU., una demanda de 250.000 científicos de datos para esta década), la necesidad de reducir la componente subjetiva y el ingente volumen de datos encuentran respuestas en la analítica aumentada. Los analistas más cualificados pueden así aportar más valor al final del proceso, dando mayor sentido a la toma de decisiones. Al mismo tiempo, estas herramientas se “democratizan” hacia perfiles menos expertos, mejorando la experiencia de uso y la propagación de aplicaciones en áreas muy diversas.
Una de ellas es la detección de singularidades. Por ejemplo, Millimetric ha desarrollado un software especializado en identificar cambios inesperados y anomalías en las métricas de las tiendas online, ahorrando recursos y tiempos de detección y resolución de incidencias. Destaca también Outlier para la detección de potencial actividad fraudulenta de usuarios a partir del análisis y seguimiento de patrones anormales de actividad, lo que permite corregir vulnerabilidades de los sistemas.
El producto Automated Machine Learning de DataRobot permite personalizar actuaciones automatizadas para definir las “siguientes mejores acciones” con cada cliente, determinando los puntos de contacto de mayor influencia o la oferta más apropiada para estimular la decisión de compra.
Desde la perspectiva de los procesos de fabricación, la plataforma DataStories es capaz de aportar claves para la reformulación de productos a partir del histórico de combinaciones utilizadas hasta el momento, identificando relaciones desconocidas entre componentes y generando modelos predictivos para conseguir soluciones de mayor relación valor/coste.
También en el sector público encontramos aplicaciones interesantes. Por ejemplo, Thoughtpot ayuda a las fuerzas de seguridad en la lucha contra el terrorismo, determinando riesgos en tiempo real para actuar con celeridad ante amenazas potenciales. Otro ejemplo es la colaboración de SAS Analytics con el Ministerio de Desarrollo Social de Nueva Zelanda, que estima el riesgo de dependencia de grupos vulnerables y predice los perfiles que podrían necesitar subsidios, permitiendo implementar políticas sociales específicas.
Artículo redactado por Javier Sánchez Lacuesta , director del IBV y publicado en el Suplemento Innovadores por el diario Levante el domingo 15/03/2020.
