Claves para crear valor a través de los datos y la inteligencia artificial
diciembre 31, 2024
Richard Benjamins Doctor en Ciencias Cognitivas es responsable de la estrategia de Inteligencia Artificial y Datos de Telefónica y fundador de su área Big Data. Fue Group Chief Data Officer en Axa y miembro del grupo de expertos de la Comisión Europea sobre la compartición de datos B2G. Es autor de 150 artículos científicos y de los libros El mito del algoritmo: cuentos y cuentas de la Inteligencia Artificial y El Algoritmo y yo: guía de convivencia entre seres humanos y artificiales.
CLAVE 1. LA MADUREZ DE LOS DATOS
Aunque en una pyme no aplican todos los aspectos de la madurez de datos relevantes para empresas grandes, sigue siendo importante monitorizar algunos aspectos. ¿Cómo está evolucionando la plata forma de datos para coleccionar, almacenar y provisionarlos para los casos de uso? En caso de datos personales ¿en qué medida está garantizado la protección de datos? ¿Cómo mejora la gobernanza y la 137 gestión de los datos como un activo? ¿Cuánto valor incremental se está generando basado en los datos? Cuantos más conjuntos de datos tengan una gobernanza clara con un propietario y data steward, mejor calidad tendrán y podrán usarse para la creación de valor sin correr en riesgos de privacidad.
CLAVE 2. LA SELECCIÓN DE CASOS DE USO
Las pymes aplican los mismos criterios que para las grandes em presas en cuanto a su selección, aunque tengan menos posibles casos de uso. Es decir, ¿para qué oportunidades de negocio se pueden usar los datos y la inteligencia artificial? Es importante empezar siempre con un caso de uso que impacte al negocio y que, al mismo tiempo, sea factible en un tiempo razonable. Un ejemplo de un caso de uso no tan interesante podría ser la optimización de la conversión de las ventas en internet si representan menos del 5 % de las ventas totales. Aunque sea el resultado muy exitoso (por ejemplo, un incremento de un 50 %), el impacto en los negocios no sería significativo. Por otro lado, un caso de uso que tarda más de un año en obtener resultados, muchas veces sobrepasa el presupuesto disponible (y la paciencia). Uno de los factores de terminantes en la factibilidad de un caso de uso es la disponibilidad de datos con calidad que veremos más adelante. Otro factor importante es la complejidad; es recomendable empezar con algo sencillo. En este sentido no es mala práctica empezar con una analítica descriptiva (¿qué ha pasado?) y más tarde con una analítica predictiva (¿qué pasará?) o una analítica prescriptiva (¿qué hacer para alcanzar un objetivo concreto?). Según una encuesta interna de DigitalxBorder, los casos de uso más populares para las pymes se centran entre otros, en: Clientes. Chatbots, conocer mejor al cliente, anticiparse a sus necesidades, análisis de riesgo de clientes y proveedores y análisis de prospección de clientes. Ventas. Predicción de pedidos, previsión de demanda, mejorar la conversión y marketing inteligente. Automatización de procesos. Control de calidad con visión artificial, procesos de compra, fabricación y gestión de facturas. Mantenimiento predictivo. Anticipar fallos de componentes y maquinaria. Optimización de logística y operaciones. Optimización de rutas tanto internas de una fábrica como externas de una flota, optimización de carga de mercancía, análisis de datos de producción, visión artificial en procesos de inspección y gestión de stocks.
CLAVE 3. MEDIR EL IMPACTO ECONÓMICO
Igual que para las empresas grandes, para las pymes es muy importante medir el impacto económico de la aplicación de la inteligencia artificial o los datos. Como hemos visto en un capítulo anterior, hay varias maneras para atribuir el impacto económico a la inteligencia artificial. La primera es hacer casos de uso que antes no se hacían. Todo el impacto económico que se puede medir se puede atribuir a la inteligencia artificial o los datos. Por ejemplo, si a través del mantenimiento predictivo de un componente es posible ahorrar una cantidad determinada, se puede atribuir esa cantidad al uso de la IA. La segunda manera es mejorar un proceso existente, por ejemplo, el marketing de productos. Si a través de la inteligente artificial y los datos se consigue incrementar la conversión en un porcentaje determinado, el importe asociado a este porcentaje se pueda atribuir al caso de uso. Medir el impacto económico en las pymes es más sencillo que en empresas grandes. La complejidad en empresas grandes se debe en parte a la implicación de varios departamentos como marketing, canales, inteligencia artificial, retención, etc. En las pymes, hay menos departamentos involucrados, entonces es más fácil atribuir el valor.
CLAVE 4. FINANCIACIÓN DEL USO DE LA INTELIGENCIA ARTIFICIAL Y LOS DATOS
Mientras que en las empresas grandes la financiación del uso de la inteligencia artificial y los datos, muchas veces, es una discusión sobre si lo paga la corporación o las unidades de negocio, en las pymes la pregunta más importante es encontrar el presupuesto. Además, en las empresas grandes, la discusión va sobre la inversión necesaria para montar una unidad de inteligencia artificial o 139 datos, mientras que en una pyme se trata sobre todo de financiar un caso de uso concreto. Para una pyme básicamente hay dos posibles fuentes de financiación: fondos internos o fondos externos como subvenciones. Existen cada vez más subvenciones para la transformación digital de las pymes. Por ejemplo, el Kit Digital es una subvención del gobierno en el contexto de los fondos de recuperación y resiliencia de la Comisión Europea. Dentro de este programa existe un paquete para inteligencia de negocio y analítica, que es una posibilidad interesante para empezar con esa tecnología. Otra posibilidad es que la pyme dedica un presupuesto para explorar las posibilidades de estas tecnologías. Este caso requiere que el CEO crea en la posibilidad y esté dispuesto a invertir algo. En el caso de que este sea menos receptivo, una subvención es más adecuada ya que no requiere una inversión propia. La posible desventaja de una subvención es que puede tener ciertas condiciones que reducen la flexibilidad del proyecto. Obviamente también es posible usar las dos posibilidades para que el presupuesto sea mayor.
CLAVE 5. UNA ESTRATEGIA PARA LA COLECCIÓN DE DATOS
Para el primer caso de uso no es raro buscar los datos bajo demanda. Como hemos visto antes, la disponibilidad de datos con calidad es uno de los factores determinantes para que un caso de uso sea factible. Pero, una vez ejecutado y conseguido los resultados del primer caso de uso, es importante definir una estrategia para la colección de datos. En el capítulo 14, explicamos esta estrategia para empresas grandes. Aunque la situación para una pyme sea mas sencilla, sigue siendo importante definir, planificar y presupuestar esta estrategia. Para decidir qué datos coleccionar es importante entender que datos se guardan por la operación (por ejemplo, datos de la web, CRM, ERP, sensores de máquinas, etc.) y qué datos se necesitarían para los casos de usos identificados (por ejemplo, el mantenimiento predictivo necesita datos de sensores de máquinas mientras que incrementar las ventas por Internet, requiere datos de la web y de facturación). Los aspectos que hay que cubrir en una estrategia de colección de datos incluyen: ¿Qué datos hay que coleccionar y cuándo? Esto depende de los casos de uso priorizados. Identificar dónde están los datos requeridos y quién tiene la pro piedad. En una pyme, muchos datos estarán en la nube o con un proveedor de servicios. Es importante aclarar cómo tener acceso a estos datos. Definir cómo verificar la calidad de los datos. Estimar el coste para acceder y almacenar a los datos, así como el tiempo necesario. Por ejemplo, muchos servicios en la nube (web hosting, CRM) tienen la posibilidad de exportar datos, pero no siempre es tan fácil (por ejemplo, los sensores de maquinaria industrial podrían ser propiedad del fabricante).
CLAVE 6. TRABAJAR CON TERCEROS
Una de las principales razones para trabajar con terceros es subsanar la falta de perfiles técnicos. Especialmente en las pymes es uno de los retos principales: la falta de perfiles con conocimiento y experiencia en inteligencia artificial y datos. Además, las pymes tienen un reto adicional que está relacionado con el presupuesto limitado del que disponen: mientras que una empresa grande puede contratar a consultoras especialistas, una pyme suele carecer del presupuesto necesario y para solventar este problema tiene que ser creativa. Po dría pensar en las siguientes opciones: z Contactar con asociaciones relacionados con IA, datos o IT en general que pueden dar consejos, dar acceso a proveedores re levantes o compartir experiencias. Algunos ejemplos en España incluyen: ○ IndesIA: asociación industrial para el impulso de la economía del dato y de la inteligencia artificial4. ○ AEC: Asociación Española de Empresas de Consultoría5 ○ AEMETIC: Asociación Multisectorial de Empresas de Tecnologías de la Información, Comunicaciones y Electrónica ○ Digitales: Asociación Española para la Digitalización. Buscar una empresa local de IT con precios asequibles. Pedir ayuda a un conocido con conocimientos técnicos, aunque no sea especialista en inteligencia artificial o datos. Buscar un becario de TI o algo similar de una universidad cercana para que haga su proyecto final de grado o master en la pyme. Usar herramientas de autoservicio para aprendizaje automático / inteligencia artificial. La empresa BigML provee de un conjunto de herramientas de inteligencia artificial en la nube bajo un esquema de pago por uso (ver capítulo sobre la democratización de los datos). Estas opciones no son mutuamente exclusivas. De hecho, es buena estrategia combinarlas. Por ejemplo, buscar ayuda externa para conseguir acceso a datos de calidad es una buena opción. Ac ceder a datos y verificar su calidad suele ser un trabajo duro y difícil donde se gasta una parte significativa del esfuerzo total. Una vez se consiguen estos datos con calidad, herramientas tipo BigML ayudan a explorar distintos casos de uso con un coste asequible. Una vez exploradas y probadas distintas aplicaciones es más factible dedicar un presupuesto ya que hay menos incertidumbre sobre el posible éxito e impacto.
CLAVE 7. TRATAR CON PERSONAS ESCÉPTICAS
Como veremos más adelante en el capítulo 16, es mejor no tratar con personas escépticas y buscar personas con un verdadero interés en innovación tecnológica. Uno de los problemas con que nos podemos encontrar en las pymes es que no suelen ser pioneras en el uso de tecnología nueva, y por eso puede faltar el apetito para embarcar en un experimento piloto con la inteligencia artificial. La mejor manera entonces que tenemos es convencer a las personas responsables. Algunas opciones para considerar son: Buscar la persona más innovadora con capacidad de decisión. Apuntar a la persona responsable a un curso de transformación digital y que también dedique tiempo a la creación de valor con datos. Demostrar casos de uso de éxito en el sector, y, si existe, en la competencia. Hay que explicar que no requiere una inversión grande, y que se puede hacer bajo el concepto pago por uso.
CLAVE 8. EVITAR UN IMPACTO SOCIAL Y ÉTICO NEGATIVO
Como veremos en la última parte de este libro, el uso masivo de la inteligencia artificial requiere pensar de antemano en posibles efectos negativos éticos o impactos no deseados en la sociedad. Dado que un posible impacto negativo causado por una pyme es mucho menor que causado por empresas grandes, el aspecto ético no tiene igual de relevancia que en las grandes. Además, gran parte de las pymes en España son del sector industrial donde la inteligencia artificial afecta sobre todo a máquinas o componentes, y, en menor medida, a pe5sonas. Uno de los impactos a considerar es la seguridad física para las personas en las aplicaciones de la inteligencia artificial. Imagina un caso de uso donde aplicamos la visión artificial para el control de calidad de un componente de un motor de un coche. Si un fallo en este componente puede implicar un riesgo de seguridad para las personas es importante contar con suficiente supervisión humana para que cuando la máquina se equivoque, siempre haya una persona que tome la última decisión. En este caso, la seguridad física y la intervención humana son aspectos éticos claves a considerar en la implementación del caso de uso.
31
Resumiendo, los pasos que puede seguir una pyme para empezar a crear valor con la inteligencia artificial y los datos incluyen: 1. Seleccionar un caso de uso que sea factible en cuestión de semanas o pocos meses y con impacto en el negocio. 2. Convencer al responsable de explorar el caso de uso concreto con un presupuesto reducido. 3. Obtener los datos necesarios y validar su calidad. 4. El punto 3 podría requerir de un perfil técnico. Si es necesario, según disponibilidad de presupuesto, explora la posibilidad de contratar a un autónomo o pedir ayuda a un conocido con pe fil técnico. 5. Ejecución del proyecto piloto. 6. Reportar periódicamente el progreso. 7. Una vez terminado, estimar el impacto económico. 8. Presentar los resultados acompañados por un plan con nuevos casos de uso incluyendo los recursos necesarios para conseguir los datos y su ejecución.
Extracto de la obra A Data-Driven Company. 21 claves para crear valor a través de los datos y la inteligencia artificial de Richard Benjamins
LID Editorial Empresarial, 2023
A Data-Driven Company. 21 claves para crear valor a través de los datos y la inteligencia artificial
Más información:
