¿Qué son las analíticas aumentadas?
Las analíticas aumentadas son analíticas que han sido “aumentadas” con tecnologías de inteligencia artificial.
Resumen sobre analíticas aumentadas
¿La definición más simple de analíticas aumentadas? La analítica aumentada es analítica que está "aumentada" con tecnologías de inteligencia artificial (IA), incluyendo machine learning y procesamiento de lenguaje natural (PLN). El machine learning automatiza procesos analíticos complejos —tales como la preparación de datos y la generación de información estratégica—. Y el NLP permite que cualquier usuario, incluso los usuarios de negocio sin capacitación, formule preguntas sobre sus datos y obtenga respuestas de una manera fácil y conversacional.
El término "analíticas aumentadas" fue acuñado por Gartner en 2017 y ahora se cree que es el futuro de la business intelligence (BI) y las analíticas de datos –incluyendo las analíticas predictivas–.
¿Por qué son importantes las analíticas aumentadas?
Explotar la oportunidad de Big Data
Los datos representan la mayor oportunidad en la economía moderna. Con ellos, las empresas pueden saber qué producir cuándo, a quién comercializar, cómo evolucionar y mucho más. Pero el volumen de datos de hoy es demasiado masivo para que los humanos lo interpreten por sí mismos –o sin sesgos– y el requisito de respuestas inmediatas es simplemente imposible de cumplir. Es necesario habilitar tecnologías como IA y machine learning para descubrir información estratégica significativa en un mar de Big Data. Esta es una de las razones por las que las analíticas aumentadas son tan importantes: combinan ciencia de datos e inteligencia artificial para ayudar a las empresas a analizar grandes data sets en tiempo real.
Reducir la dependencia de los científicos de datos
El proceso analítico es una serie de pasos manuales que requieren mucho tiempo y que, por lo general, solo los científicos de datos pueden llevar a cabo. Estos analistas profesionales deben:
- Recopilar datos de varias fuentes
- Prepararlos para el análisis
- Realizar el análisis
- Encontrar información estratégica significativa
- Visualizar los hallazgos
- Compartir los hallazgos de una manera convincente
- Crear un plan de acción
El problema es que hay una gran escasez de científicos de datos en todo el mundo –y contratarlos es caro–. Si bien las analíticas aumentadas no reemplazan a estos profesionales, pueden reducir su dependencia en ellos automatizando procesos como la recopilación, preparación, depuración y el análisis de datos.
Además de liberarles tiempo a los científicos de datos para tareas más importantes, como interpretar resultados, las analíticas aumentadas pueden optimizar el valor que estos analistas aportan a su organización. Las analíticas potenciadas por IA y machine learning los ayudan a hacer conexiones que de otra manera podrían omitirse –y a encontrar información estratégica más profunda en menos tiempo–. Estas tecnologías también pueden empoderar a los empleados en otros roles analíticos –desde analistas de negocio hasta científicos de datos ciudadanos– mejorando su información estratégica y ayudando a hacer el trabajo que anteriormente solo podían realizar los científicos de datos expertos.
Democratizar las analíticas para usuarios sin capacitación
Otra razón por la cual las analíticas aumentadas son tan importantes es que dejan participar a los “exploradores de información” no capacitados. Automatizando procesos analíticos complejos y permitiendo a los usuarios consultar datos simplemente formulando preguntas, el personal sin habilidades de ciencia de datos puede aprovechar las analíticas avanzadas. El machine learning puede guiar a estos exploradores de información recomendando qué pregunta deben hacer a continuación —y sugiriendo dónde profundizar—.
Con las analíticas aumentadas, las respuestas a las consultas vienen en forma de visualizaciones de datos listas para usar, como diagramas, gráficos y mapas –para que los usuarios no tengan que crearlas ellos mismos–. Estas visualizaciones pueden investigarse con comandos simples, unirse como un historial de datos y compartirse fácilmente con otros equipos y líderes –sin necesidad de un doctorado–.
La evolución de las analíticas
Las analíticas y business intelligence han recorrido un largo camino en los últimos años –evolucionando desde herramientas sofisticadas para profesionales de datos y analíticas a analíticas de machine learning que cualquiera puede usar–.
Analíticas tradicionales
Impulsadas por TI
Autonomía de usuario limitada
Herramientas sofisticadas para profesionales de datos y analíticas
Enfoque en la informes a escala
Analíticas por autoservicio
Impulsadas por el negocio
Mayor autonomía del usuario
Interfaz fácil de usar
Enfoque en información estratégica impulsada por el usuario
Analíticas aumentadas
Impulsadas por IA y machine learning
Verdadera autonomía de usuario
Herramientas de IA y procesos guiados
Enfoque en la información estratégica rápida, profunda y previamente oculta
Casos de uso de analíticas aumentadas
Las analíticas aumentadas tienen el poder de revolucionar los procesos de negocio –pero ¿cómo es esto en el mundo real? Aquí hay algunos ejemplos de casos de uso de analíticas aumentadas en finanzas, ventas y marketing, logística, recursos humanos y cuentas por cobrar.
Analíticas aumentadas en finanzas Un analista de negocios puede usar analíticas aumentadas para proyectar y controlar fácilmente los gastos de viajes y entretenimiento (T&E) en diferentes líneas de negocio.
Analíticas aumentadas en cuentas por cobrar Los gerentes de cobros pueden usar el machine learning de las analíticas aumentadas para prever demoras en los pagos, determinar la estrategia de cobro correcta, y mantenerse al tanto sobre el flujo de efectivo.
Analíticas aumentadas en ventas y marketing Los equipos de ventas y marketing están empoderados con mejores perfiles de cliente –e identificación rápida de oportunidades de ventas cruzadas y ascendentes– usando analíticas aumentadas.
Analíticas aumentadas en fabricación un analista de un fabricante de acero puede usar analíticas aumentadas para proyectar, monitorear y controlar el gasto en diferentes fábricas de toda Europa.
Analíticas aumentadas en RR. HH. los gerentes de RR. HH. pueden proyectar la rotación de empleados, comprender por qué ocurre, y tomar medidas correctivas para retener quienes tienen mejor desempeño –todo con analíticas de IA–.