Vivimos en una era de cambios en distintos ámbitos del tejido empresarial. Hemos visto cómo la digitalización ha dado una vuelta de guion con el aumento del e-commerce, cómo pasábamos de desplazarnos día tras día de casa al trabajo y del trabajo a casa para empezar a teletrabajar y gestionar mejor nuestro tiempo personal, cómo las redes sociales y la presencia en estos medios iba siendo crucial para las empresas. En resumen, hemos visto cómo las tecnologías, el cambio social y las condiciones iban cambiando y cómo nos hemos ido adaptando a estos nuevos paradigmas. Dentro de esta revolución que ha supuesto la digitalización hemos visto cómo nuevas herramientas y metodologías venían para quedarse y convertirse en una palanca de cambio para impulsar la revolución industrial 4.0. El primero en llegar y hacerse hueco de manera notoria en la industria 4.0 fue el Big Data en 2018, generando una ola de concienciación de la adquisición y explotación del dato como un recurso más para generar ingresos y mejoras en los procesos internos. Y a este primer paso le ha seguido el proceso natural, que es la inteligencia artificial, con esto aplicamos la capacidad de gestionar y almacenar grandes cantidades de datos para desarrollar modelos de aprendizaje automático que sean capaces de extraer todo el potencial de estos datos.
Esta revolución de la industria es una revolución continua, en la que vemos cómo a una ola de renovación le sigue otra y otra, y es que hemos pasado a vivir en la era del dato y esto genera muchas nuevas oportunidades y líneas de desarrollo que aprovechar. Y en este punto nos encontramos, ante un camino que recorrer en el que la estrategia de esta “carrera” de digitalización es crítica. Comenzar esta carrera sin haber analizado necesidades, medios, expectativas y plazos supone tener un gran riesgo de acabar cayendo en la casilla de salida tras infructuosos esfuerzos. En la actualidad, vemos empresas en distintas etapas de este camino. Algunas empresas poseen un largo recorrido en la gestión del dato, con una madurez más que suficiente como para aplicar todas las herramientas disponibles. Esto es porque han recorrido todas las etapas anteriores, sin prisa, asentando cimientos sólidos sobre los que construir su estrategia de explotación del dato.
Otras empresas se encuentran sin embargo en un punto más prematuro en la gestión y explotación del dato, y aquí encontramos dos tipos de estrategia. Por un lado, encontramos empresas que quieren aplicar inteligencia artificial con los datos que disponen hasta la fecha, sin haber realizado primero un análisis exhaustivo de necesidades, medios, expectativas y plazos. Esto per se no es un problema, ya que muchas veces buscamos sacar ventaja en un ámbito muy concreto donde se dan los requisitos para un óptimo desarrollo y en este caso es perfectamente posible aplicar la IA con buenos resultados. Sin embargo, si el objetivo es implantar una estrategia del dato de manera transversal no podemos empezar la casa por el tejado. Y aquí es donde nos encontramos con el otro grupo de empresas que se encuentran en este estado incipiente, pero en este caso con más perspectiva y conciencia. Estas empresas están de vuelta a la casilla de salida tras una experiencia, digamos no satisfactoria, con modelos de business intelligence o IA. Son actores con una gran predisposición a la innovación, que de hecho ya han lanzado sus primeros proyectos en este ámbito, pero que lo han hecho sin realizar el ejercicio ya comentado, que empieza a ser un mantra, de analizar necesidades, medios, expectativas y plazos. Estos proyectos han resultado ser menos potentes de lo esperado, los resultados aún siendo positivos no han llegado hasta donde se esperaba. Y esto no es más que la consecuencia de no tener bien definidas las expectativas siendo conscientes de los medios disponibles para cubrir las necesidades en el plazo esperado. Estas empresas están mucho más concienciadas de la necesidad de aterrizar bien el mantra comentado para definir una estrategia óptima y que sea un catalizador de la explotación del dato.
El primer análisis que se debe hacer es evaluar la disponibilidad y madurez de datos para evaluar el grado de madurez de lo que denominamos “Modelo de gestión del dato”
El primer análisis que se debe hacer es evaluar la disponibilidad y madurez de datos para evaluar el grado de madurez de lo que denominamos “Modelo de gestión del dato”. En caso de detectar que la empresa no dispone de ese grado de madurez se evalúa la necesidad de disponer del modelo de gestión del dato con los objetivos de la empresa. Si se detecta una desalineación entre expectativas, plazos, medios y necesidades, hay que procurar aportar nuestra perspectiva sobre cómo construir la mejor estrategia para sacar potencial a sus datos y una potencial ventaja de ellos. Debemos disponer de ciertos pilares fundamentales sobre los que empezar a construir modelos de inteligencia artificial con gran potencial.
Estos pilares, se resumen en los siguientes puntos:
- Disponibilidad del dato:Captura del máximo número de fuentes de información posiblesProfundidad histórica suficienteCalidad del dato
- Arquitectura óptima de almacenamiento:Estructura de los sistemas de datosEscalabilidadAccesibilidad
- Roles y responsabilidadesIdentificación de equipos involucradosProtocolos de calidad del datoDefinición de Data OwnersSupervisión del proceso
- Roadmap de IA:Líneas de trabajoAlineación expectativasPriorización y definición de plazos
A través de la definición de estos pilares se define una estrategia de explotación del dato sólida que permita extraer la máxima información posible y maximizar los resultados de los modelos de IA desplegados.
Según la naturaleza, dimensión y necesidades de cada empresa se obtendrá una estrategia diferente de despliegue de IA pero mediante este ejercicio de análisis de “necesidades, medios, expectativas y plazos”, aseguramos que cada cliente tenga la estrategia que necesita maximizando la inversión en innovación y tecnología.
