Durante mucho tiempo se ha entendido que los análisis y la inteligencia empresarial (BI) son fundamentales para el éxito en las empresas. Hoy en día, las potentes tecnologías, incluida la inteligencia artificial (IA) y el aprendizaje automático (ML), permiten obtener una visión más profunda de todas las áreas de la actividad comercial para impulsar la eficiencia, reducir el desperdicio y obtener una mejor comprensión de los clientes.

¿Por qué, entonces, no lo hacen todas las empresas? O, lo que es más importante, ¿por qué no lo están haciendo con éxito?

Beneficiarse verdaderamente de los análisis, en particular las técnicas de análisis más avanzadas y poderosas que involucran IA, requiere desarrollar una cultura de alfabetización de datos de arriba a abajo en toda la organización y esto, en mi experiencia, es donde muchas empresas todavía están fallando. Esto se destaca en una estadística en particular que surgió durante mi reciente conversación en un seminario web con Amir Orad, director ejecutivo de Sisense.

Orad me dijo que, según sus observaciones, el 80% de los empleados de una organización promedio simplemente no aprovechan los análisis que, en teoría, están disponibles para ellos. Es cierto que los equipos de liderazgo y ciertas funciones, como los departamentos de marketing y finanzas, han pasado las últimas décadas familiarizándose con las aplicaciones de informes y tableros. Sin embargo, a menudo no ocurre lo mismo con el personal de primera línea y muchos de los profesionales, cuyo trabajo es administrar las operaciones diarias y la prestación de servicios de organizaciones y empresas.

Orad me dice: “Este mercado ha madurado mucho… y los equipos de BI y los analistas ahora tienen herramientas realmente valiosas a su disposición…

“Las personas que operan las organizaciones reales no han aprovechado el poder de ML y AI porque está muy alejado de su día a día. Hemos resuelto el problema de la primera milla: la alta dirección, marketing, ventas. Pero no hemos resuelto el problema de la última milla, que es la adopción más amplia, y ahí es donde creemos que hay una gran oportunidad, no solo para lograr la adopción… sino también para realmente mover la aguja sobre el impacto de BI e IA en muchas organizaciones».

Al prestar atención al papel que desempeña el análisis en la empresa moderna, a menudo queda claro que es el propio enfoque de generación de informes y tableros el que está detrás de muchos de los cuellos de botella que, a su vez, actúan como obstáculos para la implementación holística y el despliegue del análisis de «arriba a abajo».

Aquí está el problema: los equipos de análisis y ciencia de datos constantemente se ven obligados a dedicar tiempo a crear herramientas, aplicaciones y paneles a los que solo accederá el 20% de la fuerza laboral para la cual el análisis es una parte aceptada de su función. Los equipos de marketing, finanzas y ventas, y las unidades de liderazgo comercial, por ejemplo. Estos usuarios están acostumbrados a sus conjuntos de datos que, aunque saben de los que pueden obtener información, no están disponibles en toda la fuerza laboral en su conjunto de manera que pueda surgir un «nuevo pensamiento». Esto evita que casos de uso nuevos, potencialmente incluso más valiosos, puedan «crecer» para convertirse en parte de la estrategia de datos corporativos.

Este es un obstáculo para la «democratización de los datos» que sabemos que es vital abordar si las organizaciones van a desbloquear el verdadero valor que los datos les pueden aportar. En pocas palabras, los datos y la información que contienen son demasiado valiosos para mantenerlos encerrados en las «torres de marfil» de los científicos de datos, el C-suite y los pocos entornos enrarecidos donde ya se utilizan.

Orad dice: «La gente no quiere usar BI. La gente quiere administrar mejores negocios y brindar un mejor servicio a los clientes.

“No quieren tableros (que son solo una forma de tomar mejores decisiones y obtener mejores resultados). El objetivo no es más tableros y más IA, es cómo ponemos los conocimientos en manos de las personas adecuadas en el lugar correcto».

No abordar los desafíos de la estrategia de datos organizacionales desde este ángulo es una forma segura de terminar en la situación de «ricos en datos, pobres en conocimiento» que está frenando a tantas organizaciones hoy en día.

“La mejor manera de tener un impacto es incorporar los conocimientos que se necesitan en el lugar correcto y en el momento correcto, no en una pantalla separada donde tiene que iniciar sesión y ver un buen gráfico y tablero, etcétera”, dice Orad.

Entonces, ¿cómo se ve esto en la práctica? Bueno, en términos ideales, lo que significa es brindar información, en tiempo real, directamente a los sistemas operativos a medida que se utilizan. En otras palabras, eliminar los modelos de tableros de ciencia de datos a los que nos hemos acostumbrado y repensar la forma en que los análisis, o más bien los conocimientos, se entregan directamente a quienes los necesitan en el momento adecuado.

Por ejemplo, imagine que está haciendo vídeos de Youtube con el propósito de crear una audiencia y establecer su autoridad dentro de su nicho, una táctica de marketing sencilla que miles de empresas de todo el mundo ponen en práctica todos los días.

En teoría, al usar IA, sería posible aprovechar el poder del procesamiento del lenguaje natural (NLP) y el reconocimiento de imágenes, junto con el profundo análisis de audiencia disponible en la actualidad y así recibir comentarios en tiempo real sobre quién estará interesado en tu contenido, o si estás hablando demasiado rápido o demasiado lento, si tus imágenes y gráficos van a funcionar cuando se trata de atraer a las personas a las que deseas que llegue tu mensaje, y cualquier otro objetivo táctico o estratégico que puedas tener.

En el cuidado de la salud, un médico que monitorea una cámara durante una operación o un procedimiento de observación podría recibir comentarios en tiempo real sobre lo que está viendo dentro del cuerpo de un paciente y sugerencias sobre posibles diagnósticos o procedimientos a seguir.

En un entorno industrial o de fabricación, el personal de ingeniería sobre el terreno puede recibir información en tiempo real sobre qué piezas de la maquinaria es probable que se descompongan o requieran mantenimiento, lo que significa que pueden programar medidas preventivas y potencialmente evitar por completo el costoso tiempo de inactividad.

Incluso podría funcionar en un entorno educativo, sugiere Orad, con un maestro que recibe comentarios en tiempo real sobre cuáles de los estudiantes de su clase están completamente comprometidos con su aprendizaje y cuáles están en peligro de reprobar las evaluaciones o abandonar la escuela.

Entre los ejemplos que Orad me dio de ocasiones en las que vio estos principios puestos en práctica, se destacó uno muy diferente: una organización benéfica que opera una línea de crisis conectada a un número de teléfono en el puente Golden Gate de San Francisco. Los letreros en varios lugares del puente incitan a los usuarios a llamar a la línea de crisis si tienen pensamientos negativos mientras están en el puente. La organización que administra la línea telefónica luego usa predicciones basadas en el aprendizaje automático para monitorear las llamadas en tiempo real y ayudar a los operadores a orientar a las personas que llaman pidiendo un consejo o información más relevante para su situación específica. “El análisis de datos puede ayudar al ser humano, con opciones o sugerencias, a brindar un mejor servicio… y literalmente salvar vidas”, me dice Orad.

“Darme un informe una vez al mes sobre lo que podría haberse hecho mejor, o preguntarle a la persona en el teléfono, ‘espera en el puente, déjame iniciar sesión en el tablero y obtener información’, no tiene sentido”.

Es cierto que es más fácil que nunca extraer información de los datos y, gracias a la proliferación de servicios en la nube y plataformas de análisis, casi cualquier organización puede aprovechar la tecnología para hacer mejores predicciones y decisiones. Sin embargo, a medida que la tecnología continúa evolucionando, rápidamente se hace evidente que poner conocimientos en tiempo real en manos de las personas que están mejor posicionadas para usarlos es la «última milla» crucial que se interpone entre las empresas y la capacidad de obtener un crecimiento real y valor de los datos.