Presentamos la Ciencia de Negocios de Tableau

Los proyectos de inteligencia artificial requieren experiencia en datos y en el campo para tener éxito

Muchos creen erróneamente que la inteligencia artificial reemplazará a las personas, o temen que esto ocurra. Sin embargo, hay demasiados problemas empresariales en los que las máquinas más inteligentes no pueden competir con el criterio humano. Por ejemplo, una organización de ventas puede utilizar un modelo predictivo para identificar las oportunidades de ventas cruzadas y adicionales más rentables. Un algoritmo puede ofrecer predicciones sobre la probabilidad de que un cliente compre, pero no tendría el conocimiento crítico de la persona que administra la relación comercial. Un ejecutivo de cuentas comprendería los objetivos del cliente y qué productos podrían ayudarlo a cumplirlos. También podría haber aprendido, a través de experiencias pasadas, que es poco probable que el cliente compre una determinada solución.

Para este tipo de situaciones, se requiere el criterio humano, ya que un algoritmo no es capaz de comprender los matices. Con la experiencia humana, el criterio humano y el conocimiento del contexto, combinados con el rigor, la automatización y la capacidad de adaptarse de la información generada por máquinas, se logran mejores resultados comerciales. Otro ejemplo podría ser un comercio minorista que quiere saber qué productos agregar en sus tiendas para aumentar los beneficios en una región determinada. Un profesional de negocios comprende cómo ciertos factores como las relaciones con los proveedores, las tendencias regionales y otras implicaciones cualitativas relevantes podrían afectar la decisión. Una máquina es incapaz de entender estos detalles o usarlos de manera eficaz.

Las organizaciones trabajan arduamente para incorporar talentos perfectos, con experiencia tanto en ciencia de datos como en el campo. Sin embargo, no muy a menudo es posible encontrar candidatos que se ajusten a esta descripción. Hay muchos problemas críticos donde las técnicas de la ciencia de datos son más importantes. Sin embargo, dado que la Ciencia de Negocios pone muchas de estas técnicas a disposición de más personas, ellas también pueden aprovechar las predicciones del análisis sin un título técnico avanzado.

La Ciencia de Negocios consiste en hacer coincidir el método y el experto con el problema. Cuando los equipos de ciencia de datos asumen nuevos proyectos para la empresa, a menudo no tienen conocimientos del contexto ni del campo. Sin el contexto adecuado, estos equipos deben dedicar mucho tiempo a tratar de identificar los datos correctos para abordar el problema. Y, luego, seleccionarlos, limpiarlos y prepararlos para el análisis. La inteligencia artificial y el aprendizaje automático dependen en gran medida de los datos. Por eso, se trata fundamentalmente de un problema de datos, por lo que es esencial contar con los datos correctos, en la forma adecuada, para abordar el problema en cuestión.

La proximidad de los expertos en el campo con los problemas únicos que enfrentan sus organizaciones y su conocimiento especializado de los datos de la línea de negocios les confiere una ventaja a la hora de desarrollar, validar e implementar modelos predictivos más oportunos, eficientes y útiles.

Un enfoque de corrección y reimplementación más iterativo permite ahorrar tiempo, reducir los costos y mejorar las habilidades únicas

La ciencia de datos tradicional y los ciclos de aprendizaje automático pueden resultar largos. Además, la etapa final suele ser la más desafiante y la que requiere más recursos en lo que respecta a tiempo, esfuerzo y costos. La implementación e integración de modelos personalizados tradicionales es compleja. Requiere que estadísticos y científicos de datos hagan que las soluciones sean fáciles de usar y relevantes para los usuarios finales. Cuando el tiempo de comercialización es un factor importante, capacitar a las personas para que puedan crear e iterar modelos predictivos en cuestión de días y semanas, en lugar de meses, maximiza los recursos y ayuda a generar un mejor retorno de la inversión.

Para los expertos de negocios que necesitan confiar en los datos y las predicciones para la toma de decisiones, es increíblemente valioso poder controlar varios aspectos del proceso de desarrollo de modelos y tener confianza en los datos en relación con cada caso de uso. Esto es especialmente útil cuando el enfoque de desarrollo de modelos es iterativo y se centra en mejorar continuamente la precisión de la predicción. Este enfoque ayuda a las personas a tomar medidas mientras los datos sigan siendo relevantes. A veces, incluso intentar crear un modelo puede hacer que un equipo demuestre los datos hasta el punto de generar algún valor.

Con la Ciencia de Negocios, el objetivo es influir en un KPI, no perfeccionar un modelo hasta que sea el más preciso. Mediante un proceso de corrección y reimplementación más iterativo que el de los ciclos tradicionales de la ciencia de datos, la Ciencia de Negocios permite eliminar las barreras para que las personas familiarizadas con el contexto de la empresa puedan crear rápidamente modelos y utilizar predicciones. Más personas pueden obtener valor más rápidamente con estas técnicas de análisis avanzadas y tomar decisiones más inteligentes cuando y donde lo necesiten. Esto genera importantes ahorros de costos o ganancias para un caso de uso específico.

Piense, por ejemplo, en la asignación de cuotas de ventas. Las asignaciones geográficas y los objetivos cambian todo el tiempo. El mismo modelo de asignación de cuotas puede funcionar un año, y al siguiente no. Esto ocurre porque las entradas del modelo evolucionarán continuamente. ¿Y si un líder de ventas regional se opone al modelo sugerido porque tiene el objetivo de cerrar aún más negocios en su región? Esto hace que la capacidad de hacer cambios o iterar rápidamente en el modelo sea realmente valiosa y quizá hasta resulte en nuevas oportunidades para generar más ingresos en estas regiones de ventas.

La Ciencia de Negocios ofrece a analistas y usuarios corporativos una solución de autoservicio segura con aprendizaje automático. De esta manera, mejora las habilidades únicas y la experiencia en el campo de más personas. Al mismo tiempo, refuerza la función integral de los equipos de ciencia de datos al dejarles más tiempo disponible para centrarse en proyectos clave a gran escala. Esta categoría de soluciones basadas en inteligencia artificial también permite crear un entorno experimental. Así, analistas y usuarios corporativos avanzados pueden explorar nuevos casos de uso que no son una prioridad para los equipos de ciencia de datos. Cada vez más personas examinan un mayor número de casos de uso y analizan los factores que impulsan los posibles resultados. Por eso, aumenta la probabilidad de lograr un modelo exitoso. Los expertos en el campo pueden crear modelos basados en el aprendizaje automático sin escribir código para satisfacer sus necesidades. De esta manera, obtienen un excelente análisis específico de la empresa que no requiere el nivel de profundidad que exploran los profesionales de datos.

Es importante tener en cuenta que, si bien las soluciones de Ciencia de Negocios pueden ayudar a reducir la brecha de habilidades entre analistas y científicos de datos, no las reemplaza. Los profesionales de la ciencia de datos continuarán proporcionando modelos personalizados, análisis estadístico, etc. Sin embargo, trabajarán más a menudo con expertos de negocios para validar los datos que se utilizan en los modelos basados en aprendizaje automático. Esta mayor colaboración entre equipos es fundamental para el éxito y el rendimiento de estas soluciones.

Democratizar la ciencia de datos de manera responsable requiere orientación para identificar y mitigar el sesgo y el uso poco ético

Poner el análisis basado en inteligencia artificial en manos de más personas tiene muchos beneficios, pero también presenta algunos posibles riesgos. El sesgo es inherente a los datos y las tecnologías. A menos que se mitigue, puede generarse en las predicciones y recomendaciones, y causar daños. La tecnología de reconocimiento facial es un gran ejemplo conocido de un conjunto de errores. El motivo es que los datos que se utilizaron para entrenar la solución, la tecnología y las predicciones sesgadas tuvieron efectos negativos para las comunidades de raza negra. Esta es una de las razones por las que no permitimos la tecnología de reconocimiento facial en nuestra política de uso aceptable.

El profesional de negocios promedio no necesariamente piensa en estos temas en su análisis. Para empezar, contar con documentación sólida del modelo puede proporcionar más transparencia en las predicciones y recomendaciones. Además, facilita el seguimiento. Comprender qué aspectos contribuyeron a la predicción, cómo se estructuran los datos y dónde están los factores impulsores puede ayudar a identificar posibles sesgos en los modelos y conjuntos de datos.

Esta orientación adicional podría lograrse mediante la detección de sesgos integrada, la supervisión de modelos y las explicaciones en lenguaje natural de las variables que influyen en las predicciones. Esto ayuda a las personas a crear modelos más éticos. El producto Einstein Discovery pide a los usuarios que seleccionen variables y campos sensibles que podrían incluir sesgos, como raza, edad, estado civil y localidad de residencia. A través de la detección de proxy, también se buscarán campos correlacionados en el conjunto de datos, donde existe la posibilidad de sesgo si se elimina un campo, pero no el otro. Otra métrica importante es el impacto dispar. Por ejemplo, explorar si el resultado del modelo difiere si cambia el sexo o el código postal. En muchos sectores con regulaciones estrictas, esta métrica se utiliza para garantizar la responsabilidad de los modelos de aprendizaje automático.

La demanda de habilidades con los datos no deja de aumentar. Y, con ella, surge una gran oportunidad para ayudar a las personas y organizaciones a aprender y a resolver problemas de manera más eficaz. Es posible que algunos enfoques se centren en desarrollar o implementar soluciones de inteligencia artificial completamente automatizadas. Sin embargo, es probable que este enfoque limitado no proporcione el valor esperado. Dejar de lado y eliminar el ingenio, el conocimiento del contexto y la experiencia de las personas al democratizar la inteligencia artificial y las técnicas de la ciencia de datos no solo es contraproducente, es irresponsable.

Tableau siempre ha confiado en el increíble potencial humano. Y liberarlo es parte de nuestro ADN, ya que está integrado en nuestra plataforma de análisis visual líder del sector. Ahora presentamos la Ciencia de Negocios de Tableau. Esta nueva categoría de innovación utiliza la inteligencia artificial y el aprendizaje automático para continuar con nuestra tradición de capacitar a las personas con las herramientas y las funcionalidades adecuadas para formular y responder preguntas, descubrir información valiosa y resolver problemas. Además, con Einstein Discovery en Tableau, una solución de Ciencia de Negocios, ponemos el aprendizaje automático en manos de más personas de forma segura. De esta manera, democratizamos las técnicas eficaces de ciencia de datos y ayudamos a las personas a tomar mejores decisiones más rápido.