La Importancia de la Innovación Analítica

La Importancia de la Innovación Analítica

Juan Pablo Do Carmo de Teradata dialoga con nosotros, acerca de la Importancia de la Innovación Analítica y las potenciales ventajas de la incorporación de sistemas inteligentes de información.

Lima, Perú, 04 de junio del 2018.— Juan Pablo Do Carmo, Country Manager de Teradata Argentina & Chile, quien dialoga con nosotros acerca del crecimiento de Teradata a nivel regional, las perspectivas del Big Data según cada tipo de industria y los avances que posibilita la incorporación de sistemas inteligentes de información. A continuación, les ofrecemos sus declaraciones:

IT/USERS: ¿Cuál es la importancia de la Innovación Analítica?

J.P.D.C.: Implementar innovación analítica de la manera correcta es un gran desafío, pero es lo que el mismo mercado pide para poder ser competitivos. La mayoría de las empresas cuentan con algún tipo de analítica implementada, sin que ésta sea precisamente analítica avanzada y predictiva. Sin embargo, para mantenerse al día y dar frente a la competencia, así como retener y aumentar la cuota de mercado, las empresas deben de implementar nuevas tecnologías analíticas y escalar a un nivel cada vez mayor. Si se cuenta con la combinación adecuada de tecnología, servicio de consultoría, personal adecuado y una sólida estrategia, será un camino factible hacia la innovación.

Las compañías ganadoras en esta revolución de innovación analítica no serán las empresas que incursionan en todas las “cajas de juguetes tecnológicos” que están disponibles en el mercado, sino aquellas que elijan la tecnología adecuada para sus procesos, estrategias de excelencia operativa y opciones de adquisición (Capex – Opex).

Esta nueva tendencia busca innovar y generar mejores resultados en monetización, implicaciones regulatorias, cliente único, rotación de inventarios, rentabilidad, índice de satisfacción de cliente, predicción de fallas, omnicanalidad entre otros.

IT/USERS: ¿Cuál es la Propuesta de Valor de Teradata para el mercado peruano?

J.P.D.C.: Toda empresa necesita herramientas de analítica. Cuanto más grande y más compleja sea la empresa, más sofisticada será la tecnología que se necesita. La clave para elegir la tecnología adecuada es determinar en qué fase se encuentra y donde se quiere llegar a fin de adaptar la tecnología a sus objetivos.

Conocer un modelo solido de madurez tecnológica (TMM —Technology Maturity Model—) puede ayudar. Ningún TMM se adaptará perfectamente a su negocio o etapa de madurez; son necesariamente genéricos y de gran alcance en sus criterios de evaluación. Los proveedores ideales serán exhaustivos y le proporcionarán una rúbrica apropiada para juzgar su estado actual y el estado necesario para cumplir sus objetivos, en lo que Teradata es experto.

IT/USERS: ¿Qué es el «Deep Learning»?

J.P.D.C.: El Deep Learning lleva a cabo procesos de Machine Learning (ó aprendizaje automático), vía el uso de una red neuronal artificial que se compone de un número determinado de niveles jerárquicos. Bajo este contexto, en el nivel inicial de la jerarquía la red aprende algo simple y luego envía esta información al siguiente nivel. El siguiente nivel toma esta información, la combina, compone una información algo un poco más compleja y se lo pasa al tercer nivel y así sucesivamente.

A medida que el Deep Learning crece en sofisticación, es hora de integrarlo en casos de uso concretos.

La cantidad de datos que se producen todos los días se ubica alrededor de 2,5 exabytes, por lo que las empresas ahora necesitan analizar todos esos datos como una solución a sus problemas comerciales. Es con el Deep Learning que ahora tienen máquinas inteligentes para analizar a través de sus datos más complejos y multidimensionales para así obtener nuevos enfoques de negocio.

Algunos ejemplos de su aplicación:

Cuidado de la salud: Sobre todas las demás industrias, el Deep Learning es la promesa más inmediata en el cuidado de la salud, una industria llena de datos y retos. Una gran cantidad de procedimientos costosos y calificados en el cuidado de la salud implican imágenes. Desde resonancias magnéticas hasta escaneos CAT e incluso simples radiografías; los médicos usan la observación visual para determinar el diagnóstico a partir de dichas imágenes.

Bajo este contexto, a manera de promedio, un típico radiólogo tiene la tarea de revisar tantas imágenes al día que equivale a una nueva imagen cada tres o cuatro segundos durante un período de ocho horas. Esa es una carga de trabajo demasiado alta para que un ser humano siga siendo efectivo.

Vía Deep Learning se realiza el reconocimiento de imágenes mucho más rápido que los humanos. Al mostrarle a un programa millones, incluso miles de millones de imágenes escaneadas y cómo se correlacionan con el diagnóstico, se podría eliminar ese antiguo proceso rutinario y enfocar al médico en el diagnóstico y plan de tratamiento del paciente.

En el futuro, incluso las simples recomendaciones de tratamiento podrían automatizarse a través de un asistente de atención médica basado en la inteligencia artificial, lo que liberaría a los médicos para realizar trabajos de investigación.

Fuera de la oncología, el Deep Learning es prometedor para el descubrimiento de fármacos. Existen algunas Strauss que se están enfocando en cómo se podrían predecir los productos farmacéuticos óptimos para combatir enfermedades basadas en su estructura molecular.

Manufactura: La fabricación atraviesa un punto crucial, desde la automatización simple e introductoria hasta lo que el mercado denomina Industria 4.0. La manufactura del futuro verá la convergencia de muchos campos de vanguardia como la robótica, la computación en la nube y el Internet de las cosas. Muchas de estas áreas requieren mucho trabajo visual.

En lugar de que sean realizadas de forma tradicional por incluso varios empleados, como la identificación de defectos y demás, esas tareas se realizan a través de algoritmos de aprendizaje profundo que aprovecha la información de los sensores para permitir una mejor toma de decisiones.

Retal: Por último, el retal es otra industria en donde existe mucha información visual. Algunas compañías se están enfocando en exactamente qué tipo de ropa le gustaría comprar a alguien, utilizando sus elecciones de estilo anteriores como una plantilla para hacer recomendaciones.

Para los clientes que ya poseen o ven un nuevo producto que les gusta, una función de búsqueda de imágenes inversas podría permitirles comprar exactamente el mismo el vestido o la camisa que ven puesta a alguien que va caminando por la calle.

IT/USERS: ¿Cuál es la importancia de los proyectos RACE?

J.P.D.C.: Rapid Analytic Consulting Engagement (Proyecto de Consultoría Analítica Rápida,), consiste en una metodología ágil de tecnología agnóstica utilizada para brindar al cliente información acerca del valor agregado potencial que recibiría por integrar soluciones analíticas antes de realizar cualquier inversión al respecto. La vasta experiencia y competencias que tiene Teradata para generar resultados de alto impacto en las empresas combina el conocimiento del negocio, la ciencia de datos y la tecnología en un proceso comprobado, con un tiempo de entrega del proyecto completo en tan solo de seis a diez semanas, en vez de meses.

En esencia, el servicio RACE aprovecha el valor de las soluciones del negocio de propiedad intelectual de Teradata, las cuales son resultado de la experiencia de la empresa a través de miles de casos de éxito de los clientes.

Las soluciones resultantes están especializadas por industria y/o por área del negocio y actúan como acelerador de valor al identificar las soluciones analíticas más importantes y valiosas para ayudar a los clientes a obtener resultados más rápidos de las inversiones en analítica avanzada, mientras que se reducen los riesgos relacionados con las iniciativas complejas de dichos sistemas analíticos.

Factores clave como la entrada de nuevas fuentes de datos, incluyendo los datos de sensores del Internet de las Cosas (IoT) así como la proliferación de nuevas técnicas analíticas, hacen más complicado que los usuarios del negocio implementen y utilicen las soluciones analíticas.

El método de RACE está integrado por tres fases principales:

  1. Alineación: Teniendo la Solución de Valor Agregado como punto de partida, los consultores analíticos de Industria de Teradata ayudan al cliente a identificar y alinear los casos de uso de mayor valor potencial, así como a validar la disponibilidad de datos clave para sustentar el caso de uso.
  2. Creación: Los científicos de datos de Teradata cargan, preparan los datos y desarrollan modelos analíticos nuevos o existentes para los casos de uso seleccionados. Esta fase implica interacciones rápidas con los usuarios del negocio para garantizar que la información analítica genere los resultados planeados por la compañía.
  3. Evaluación: Los consultores analíticos por industria de Teradata analizan los resultados y documentan el potencial retorno sobre la inversión que generarían los casos de uso analíticos a escala para desarrollar un plan de implementación.

Las soluciones de Valor Agregado de Teradata aportan una base comprobada para que los equipos de consultoría de Teradata ayuden a las empresas a:

  • Identificar y establecer prioridades de los casos de uso que están alineados con los objetivos estratégicos de la empresa a fin de generar un impacto medible en el negocio;
  • Definir los elementos precisos de cada caso de uso analítico, incluyendo la atención de las preguntas comerciales de la empresa, los datos que sean necesarios, las técnicas analíticas comprobadas, los indicadores clave de desempeño pertinentes y el margen de mejora comprobada;
  • Evaluar la madurez de las capacidades analíticas existentes para identificar las soluciones recomendadas para garantizar que las inversiones en capacidades analíticas estén alineadas con los objetivos estratégicos de la empresa.

Los ámbitos empresariales para su aplicación son inmensos, desde el marketing, cadena de distribución; proceso de ventas; operaciones; infraestructura y activos, así como finanzas y riesgos, ente muchas otras.

IT/USERS: ¿Cuál sería su mensaje a los jóvenes que quisieran seguir una carrera como Científico de Datos? ¿Por dónde deben comenzar?

J.P.D.C.: Hoy ser data scientist es una profesión que está de moda, así como en los años 90 era sexy ser programador. Yo creo que si vemos a la profesión del data scientist como un rol que desencadena un alto valor en una empresa, junto con el desarrollo de la tecnología, es lógico que a muchas personas les resulte fascinante. En la actualidad es una profesión muy demandada, la cual reúne habilidades que un matemático, estadista o programador puede desarrollar generando valor en la tecnología.

Ahora que todo el mundo está hablando de la necesidad de concretar la transformación digital de las empresas se piensa no solo en adoptar un nuevo grupo de tecnologías, sino en el cambio cultural que implica el desarrollo de competencias acordes a las nuevas exigencias en los empleados antiguos y la contratación de nuevos elementos, entre ellos los científicos de datos.

Es muy importante la parte técnica, haber estudiado matemáticas, estadística, física o informática. El rigor matemático en la formación educacional es el principal pilar de un data scientist. Sin embargo, el conocimiento y experiencia de la industria es lo que le permite elaborar hipótesis y desarrollar la capacidad de resolver un problema de negocio con creatividad. Un data scientist debe estar actualizándose por lo menos cada seis meses con cursos y nuevos conocimientos sobre sistemas, programación, analítica avanzada, así como información de la industria que cubra.

En Latinoamérica son varias las empresas que ya cuentan con un equipo formal de data scientist, usualmente conformado por entre seis y 12 personas que van desde los Chief Analytic Officers hasta el Chief Data Officer.

Acerca de Teradata

Teradata brinda herramientas a las empresas para lograr resultados empresariales de alto impacto. Gracias a su enfoque en las soluciones de negocio de analítica, además de su experiencia en arquitectura y tecnología como líderes de la industria, puede desarrollar el potencial de las empresas. Visite teradata.com.

Share