Cómo la inteligencia de decisiones puede impulsar seriamente su juego de BI
Publicado: 2022-01-29Para la mayoría de nosotros, tomar decisiones comerciales basadas en datos es un proceso de cuatro pasos. Primero, recopilas los datos. A continuación, lo "mina", lo que solo significa una combinación de herramientas y los científicos de datos buscan patrones y correlaciones entre diferentes tipos de datos. En tercer lugar, esos descubrimientos se incorporan a los tableros y visualizaciones que los gerentes pueden ver. A partir de ahí, depende del gerente interpretar lo que le dice el tablero y tomar su decisión.
El problema es que los datos que ha recopilado y los patrones que han descubierto sus herramientas y los científicos de datos ahora definen las decisiones que puede tomar. Un ejemplo simplificado: digamos que PCMag recopila una gran cantidad de datos sobre qué artículos han tenido el mejor rendimiento en términos de cuántos clics ha recibido un artículo en particular o un grupo de artículos. Luego, nuestros motores de base de datos cobran vida, agrupan los mejores artículos y crean bonitas visualizaciones para que podamos entender lo que se encontró. Lo que estamos viendo nos permite ver los artículos más exitosos hasta ese momento. Luego podemos trabajar para replicar ese éxito en el futuro escribiendo más artículos de este tipo en un pivote de datos determinado, como el tema, el tipo de artículo o incluso el autor. Entonces, lo que estamos haciendo es usar nuestros datos para replicar nuestros éxitos pasados. Sin duda, una práctica eficaz.
Pero, ¿y si le damos la vuelta a eso?
En lugar de limitarnos a los datos que hemos recopilado, ¿qué pasaría si simplemente empezáramos haciendo la pregunta que realmente queremos que se responda: qué tipo de artículos nos serán mejores en el futuro? Si comenzamos por ahí, necesitamos un proceso no solo para descubrir las preguntas que debemos hacer para obtener la respuesta, sino también los datos que necesitaremos recopilar para respaldar esas consultas. Pero lo que obtendríamos es un conjunto de respuestas mucho más valioso con el que tomar nuestras decisiones editoriales.
Esa es una de las nuevas metodologías más emocionantes que emergen en la próxima generación de herramientas de análisis de negocios, y se llama "inteligencia de decisiones" (DI). A continuación, describimos DI con más detalle y discutimos lo que necesitará saber para que funcione para su organización.
¿Qué es la inteligencia de decisión?
Cassie Kozyrkov, directora científica de decisiones de Google, describe DI como una forma de aumentar la ciencia de datos con las ciencias sociales, la teoría de decisiones y la ciencia administrativa. Esta combinación es más efectiva para ayudar a las personas a usar los datos de BI para tomar mejores decisiones. Ella describe la diferencia entre la ciencia de datos y la DI como la diferencia entre quienes fabrican hornos de microondas y los cocineros que los usan.
DI surgió de los esfuerzos de ingeniería de software para crear mejores decisiones de mejores prácticas y hacerlo a gran escala. Y según los expertos, ha madurado lo suficiente como para comenzar a impactar incluso a las pequeñas y medianas empresas (PYMES) en la próxima iteración de las herramientas populares de BI en la nube, como Microsoft PowerBI o Tableau.
“La inteligencia de decisiones conecta la IA y la toma de decisiones humana para formar conclusiones más inteligentes, que conducen a resultados más favorables”, dice Jack Zmudzinski, asociado sénior de Future Processing, una empresa de desarrollo de software personalizado. “Entonces, en lugar de una decisión tomada por un humano o una decisión tomada por una computadora, es lo mejor de ambos mundos”.
La inteligencia de decisiones cambia lo que las empresas suelen hacer con sus datos. En un enfoque de big data, las herramientas de análisis y las consultas generalmente se eligen para ajustarse a los datos. Con DI, es la decisión que se busca la que tiene la primera prioridad; luego se construye la consulta y se seleccionan los datos por su relevancia para la pregunta. Por lo tanto, los datos tienen un papel de apoyo en lugar de un papel protagónico cuando se toman decisiones basadas en datos.
Los expertos definen la inteligencia de decisiones como una metodología, pero no es una que tenga un único proceso general. La forma en que realice DI dependerá de su negocio, los datos que esté recopilando y también las capacidades de su conjunto de herramientas de análisis. Sin embargo, la idea básica siempre será la misma: usar un enfoque visual que comience con la decisión requerida y luego retroceda para determinar qué datos se requieren y cómo obtenerlos.
Por qué necesita DI
Si cree que todo esto suena como un gran negocio o un problema empresarial, piénselo de nuevo. Incluso las pequeñas empresas y los "emprendedores independientes" pronto utilizarán estas tecnologías y podrán administrarlas con muy poco esfuerzo, a un costo razonable y con éxito en función de sus propios conocimientos y talentos. En pocas palabras: incluso los líderes de pequeñas empresas en estos días usan bases de datos en la nube sofisticadas que contienen una gran cantidad de datos y análisis sólidos. Lo que les falta es una guía real sobre cómo usar esa información para tomar decisiones en el mundo real. Eso es especialmente cierto para las pequeñas empresas, y es precisamente lo que DI está abordando.
“Los algoritmos y los datos son buenos para decirnos 'Aquí están las observaciones o datos y lo que se puede concluir'. No son buenos para decirnos qué decisión debe tomarse”, dijo Gopi Vikranth, director asociado de ZS Associates, una firma global de consultoría y servicios profesionales. Antes de unirse a ZS en 2019, ocupó los cargos de vicepresidente de big data y análisis de marketing para Melco Resorts and Entertainment, y vicepresidente de análisis de marketing en Caesars Entertainment.
“La inteligencia de decisiones, por otro lado, responde [a la pregunta] 'Si tomara la acción X, ¿cuál sería el resultado en el mundo real?' Esto es fundamental para las empresas, ya que rara vez hay una situación con información perfecta”, dijo Vikranth.
Describe una empresa mediana como un ejemplo típico. Digamos que esta empresa tiene un programa de fidelización de clientes. Una IA tiene la tarea de mejorar las ganancias comerciales, por lo que matemáticamente podría encontrar formas de cambiar o eliminar las ventajas para los clientes o aumentar los precios para optimizar esas ganancias. Pero si bien esas conclusiones son objetivamente "correctas", tal decisión bien podría causar una reacción negativa costosa con los clientes y personas influyentes, lo que en última instancia crearía una pérdida de lealtad a largo plazo y, por lo tanto, de ingresos.
Jason Cotrell, director ejecutivo del estudio de software Myplanet, cita los siguientes casos de uso potencial para la inteligencia de decisiones:
Personalización de los componentes front-end del software (interfaz de usuario adaptativa).
Recomendaciones de productos.
Prevención de abandono de clientes.
Optimización de precios para negocios con muchas transacciones, como aerolíneas o productos farmacéuticos.
“En lugar de decir '¿Qué datos necesito para tomar esta decisión?' decir '¿Cómo tomo esta decisión? ¿Qué piezas requieren análisis de datos y qué piezas puedo automatizar?' De esa manera, aprovechará mejor su análisis y automatización”, explica James Taylor, autor del libro " Decisión digital: uso de la gestión de decisiones para lograr un impacto empresarial a partir de la IA" y director ejecutivo de Decision Management Solutions.
Próximamente: herramientas de inteligencia de decisiones
Si es una empresa más pequeña que se está metiendo en big data, es posible que su plataforma actual ya tenga las herramientas que necesita para comenzar con DI. Los expertos dicen que es posible que ni siquiera necesites eso.
“Puede usar una metodología DI con solo lápiz y papel, o últimamente uso la aplicación Lucidspark para dibujar en colaboración diagramas de acción a resultado (CDD)”, dice Lorien Pratt, inventora del aprendizaje de transferencia para máquinas, pionera en inteligencia de decisiones. , y científico jefe y cofundador de Quantellia, una empresa de aprendizaje automático e inteligencia de decisiones. Ella cree que DI está madurando rápidamente y que pronto este tipo de modelado de datos estará disponible para empresas de cualquier tamaño.
Según Pratt, las próximas iteraciones de las plataformas comunes de inteligencia comercial admitirán DI. “En el siguiente nivel de sofisticación, podrá incorporar modelos DI dentro de las herramientas existentes, como [Microsoft] Excel o PowerBI”, dice. Sin embargo, para herramientas menos sofisticadas, este proceso probablemente será limitado, ya que esos usuarios no podrán cambiar sus modelos sobre la marcha.
Pero mientras que las pequeñas empresas pueden esperar plataformas DI simplificadas en la nube, las empresas necesitarán mucha más potencia de fuego.
"El mayor problema es el enfoque de inversión", dice Pratt, lo que significa que las grandes empresas deben tomar decisiones al frente y al centro. Eso puede complicarse en las grandes organizaciones. Deberá averiguar no solo qué tipo de decisiones se deben tomar , sino también cómo capturar esos requisitos.
"Para algunas decisiones, la pila de BI existente será suficiente", dice Taylor. "Pero para otras, [las empresas] probablemente descubran que necesitan invertir en tecnologías más avanzadas, como análisis predictivo y herramientas de aprendizaje automático". Además, aconseja que para las decisiones que las empresas deben tomar con frecuencia o rapidez, implementar un sistema de gestión de reglas comerciales, como los de Agiloft o IBM, puede automatizar el proceso y aprovechar mejor sus algoritmos de aprendizaje automático.
Para las empresas más pequeñas, eso probablemente sea excesivo. Sobre todo porque los servicios de análisis en la nube de última generación deberían proporcionar toda la potencia de DI que necesitan las PYMES, solo que con menos dolores de cabeza de implementación y aprendizaje. Pero si todavía quiere hacer bricolaje en DI, esto es lo que Taylor dice que necesitará una empresa típica:
Recomendado por Nuestros Editores
Software de modelado de decisiones para realizar la recopilación de requisitos y el modelado de datos.
Software de gestión de reglas comerciales para desarrollar sus reglas de decisión (a menos que esté tomando relativamente pocas decisiones con concesiones para tiempos de resultados prolongados).
Algún tipo de pila de aprendizaje automático con la que desarrollar los algoritmos que necesitará.
Una plataforma de datos que le permitirá crear sus algoritmos y también administrar la entrega de datos transaccionales, preferiblemente en tiempo real.
Una herramienta de visualización de datos, especialmente si sus decisiones finales aún tendrán un elemento humano significativo.
Patrones vs Intuición
Las máquinas ven los problemas y los patrones claramente definidos: negro frente a blanco. Las personas, por otro lado, ven matices, posibles significados alternativos, opciones y puentes hacia otros pensamientos. La claridad sobre cualquier tema es a menudo una función de la inteligencia intuitiva más que de la formación académica. Los humanos pueden usar ambos, y DI tiene como objetivo escalar esas habilidades.
"La inteligencia de decisiones se basa en esta idea de tratar de incorporar enfoques realistas que imiten decisiones similares a las humanas", dice Ervin Sejdic, profesor asociado de ingeniería eléctrica e informática y sistemas inteligentes en la Escuela de Ingeniería Swanson de la Universidad de Pittsburgh. AI, básicamente configuras las reglas para el aprendizaje automático: si es rojo, es esto, y si es azul, es aquello”.
Sejdic cita la compra de un automóvil como ejemplo. “Si está comprando un automóvil y establece ciertos criterios como millas por galón o una determinada marca, un algoritmo encontrará un automóvil para usted. Pero probamos el auto y vemos cómo se siente y se conduce, y esas son las entradas suaves que son difíciles de codificar”, explica. “Por esas razones, la inteligencia de decisiones trata de codificar las decisiones más suaves que tomamos, y esas cosas son diferentes de la IA típica”.
Sejdic señala que si tiene éxito, DI se puede aplicar a cualquier cosa. La forma de decidir dónde usarlo es encontrar áreas en las que desee saber qué acción sería mejor para usted.
“La mayor parte de los análisis y la inteligencia empresarial son descriptivos. Registras lo que sucede y luego trazas los números en un gráfico. Te dice lo que acaba de pasar para que puedas tratar de entender. Otras formas son predictivas. Son como el pronóstico del tiempo. Te dicen lo que está por suceder”. explicó Chris Nicholson, director ejecutivo de Pathmind, una empresa de IA que se enfoca en operaciones industriales y cadenas de suministro.
“Hay un aspecto cuantitativo y cualitativo en la inteligencia de decisiones, y las empresas deben tener ambos en cuenta”, dice Vikranth de ZS Associates. En el lado cuantitativo, explica, está la recopilación de datos, la triangulación y la ingeniería, la infraestructura de ciencia de datos e inteligencia artificial y el talento en programación. La clave de este lado son los datos precisos. Las empresas de cualquier tamaño deberán invertir tiempo y esfuerzo para definir indicadores de rendimiento y asegurarse de que están recopilando los datos correctos y que se almacenan de una manera que su pila DI pueda utilizar.
En el aspecto cualitativo, Vikranth dice que las empresas necesitan el talento adecuado para convertir conocimientos, conclusiones o resultados en decisiones y acciones. Estos necesitan ser contextualizados para su negocio. Las herramientas hipotéticas y de prueba y aprendizaje pueden ser de gran ayuda en este proceso.
"Ambos lados combinados es inteligencia de decisiones", dice Vikranth. "De esta manera, la IA no elimina a los humanos de la ecuación". Vikranth cree que esto es importante ya que los algoritmos matemáticos, especialmente si están trabajando con datos imperfectos, no pueden llegar a cualquier tipo de decisión óptima.
La evolución del científico de datos
Los administradores de bases de datos de antaño dieron origen a los analistas de inteligencia comercial y la ciencia de datos tradicional. DI está ayudando a que esa disciplina evolucione hacia un rol nuevo y mucho más efectivo, a saber, el de traductores de ciencia de datos. Según expertos como Vikranth, estas personas usarán DI para tomar escenarios hipotéticos de una empresa y trabajarlos a través de una pila de IA para comprender qué acciones debe tomar la empresa y el tipo de resultados que esas acciones pueden proporcionar.
La inteligencia de decisiones permite que la tecnología y las personas hagan lo que mejor saben hacer. Las tecnologías, como el análisis y la inteligencia artificial, encuentran rápidamente las conexiones y los patrones en grandes conjuntos de datos, pero eso es solo la mitad del viaje. DI puede usar esa información y ayudarlo a aplicar los factores humanos más intangibles, como la inteligencia intuitiva, la creatividad, la experiencia y la capacidad de navegar con éxito a través de los matices. Eso convierte a DI en un nuevo y poderoso modelo de análisis híbrido, incluso para organizaciones pequeñas, y uno que es especialmente efectivo a escala.