Uso de datos: El desperdicio y uso equivocado no es menor

uso de datos, datos, modelos analíticos, desperdicio de datos, uso equivocado de datos

En plena era del big data, la verdad es que, a veces, los datos se desperdician o se ocupan de manera equivocada. Lee sobre las posibilidades para aprovecharlos.

Se dice que vivimos en la “era de los datos”, debido a la enorme cantidad de datos de todo tipo que están hoy disponibles para muchas organizaciones. Efectivamente, todas nuestras actividades están dejando “rastros” de todo tipo: nuestra navegación en internet, el uso de nuestros móviles, nuestro uso de las redes sociales y servicios de streaming, lo que compramos, cómo lo pagamos, por dónde nos movemos, etc.

Esta información es recolectada no solo por las grandes compañías de internet (como Google, Facebook y otras), sino también por quienes nos proveen de distintos servicios: nuestro operador celular, nuestro banco, las plataformas de comercio electrónico en las que compramos, etc.

Evidentemente muchos tenemos preocupación por la privacidad de nuestra información y la forma en que se usará; ese es un tema de la máxima importancia, que ha llevado a gobiernos en todo el mundo a regular el uso de datos.

Pero, asumiendo que nuestros datos están siendo capturados y que van a ser cuidados adecuadamente, uno esperaría que se usen de forma positiva para, por ejemplo, mejorar nuestra experiencia de servicio, ofrecer información de utilidad, oportunidades de nuevos productos o servicios, etc.

Desperdicio en el uso de datos: ¡Mi banco de varias décadas me llamó para invitarme a ser cliente!

Un par de anécdotas personales: he estado recientemente buscando viajes en una línea aérea a cierta parte del mundo, he consultado varias veces por la web, y recibo por mail ofertas para viajar, ¡a lugares completamente diferentes que no me interesan! Otra: soy cliente de un banco hace más de 3 décadas. Tiempo atrás me llamaron en forma promocional, ¡para que me hiciera cliente de ese mismo banco!

Pongo los ejemplos anteriores simplemente para ilustrar que, aunque decimos estar en la era de los datos, el desperdicio que se hace de estos no es menor y, peor aún, muchas veces se usan de manera equivocada.

¿Qué son los datos? ¿Qué es la ciencia de datos?

Los datos en sí son números, características, descripciones de cosas. Lo que necesitamos usar no son datos en sí, sino la información útil extraída de ellos. De esta manera, realmente, los datos ayudarán a tomar mejores decisiones.

La ciencia ha desarrollado metodologías potentes para hacer que la enorme cantidad de datos que existen hoy en día entreguen esa información útil. Ese es todo el tema que se llama, en forma general, “ciencia de datos” o “big data”.

Estas metodologías, que están relacionadas con el aprendizaje de máquina (machine learning) y la inteligencia artificial, descansan en modelación matemática sólida y proveen los algoritmos computacionales que hacen algo más fácil descubrir cosas interesantes en los datos.

Por ejemplo, el estimar demanda ha sido siempre muy importante en el área comercial y operacional. Tradicionalmente se estimaban demandas a nivel mensual pero hoy se necesitan a nivel de las próximas horas, incluso menos. Eso se puede hacer, con precisión razonable, usando muchas de estas técnicas avanzadas de ciencias de datos.

Pero no basta con quedarse en las estimaciones de demanda, por ejemplo, o en un “conocimiento detallado” de los clientes. A partir de esa información podemos hacerles ofertas de productos que nuestras estimaciones nos dicen que les gustarían. Entonces, siguiendo la recomendación, el cliente hace un pedido y resulta que la página web le dice que no hay inventario disponible.

Esto puede pasar si lo que nuestros datos nos dijeron solo se usó para campañas publicitarias y no para activar la cadena de abastecimientos para poder contar con los inventarios adecuados de productos que podrían pedir los clientes, si la campaña es exitosa.

Uso de datos: modelos analíticos para aprovecharlos

Para gestionar esa cadena de abastecimientos, que en cualquier organización moderna puede ser altamente compleja, también existen modelos matemáticos (analíticos, como los llamamos) que pueden “optimizar” las operaciones.

Estos modelos se alimentarán de lo que los datos dicen y tratarán, también, de tomar en consideración la incertidumbre que hay en todo el proceso. Esto es lo que se llama “analítica prescriptiva” y va más allá de la “descriptiva” y “predictiva”.

Como vemos, la operación eficiente y efectiva se puede lograr hoy en día partiendo de los datos. Pero los datos no lo son todo, tenemos que ser capaces de tomar buenas decisiones a partir de la información que esos datos entregarán.
Para esto serán de gran ayuda las herramientas analíticas que hoy tenemos disponibles y que, junto a la capacidad computacional de la que disponemos, son capaces de “ver” muchas más opciones que las que nuestra intuición es capaz de ver.

Esto es parte de la “tecnología de gestión” que se está desarrollando en los tiempos actuales.

El siguiente video, producido por Aimms, una compañía desarrolladora de software de optimización para apoyar decisiones, explica lo que es la prescriptive analytics:

El siguiente video, del Georgia Institute of Technology, muestra al profesor Sebastian Pokutta. Él presenta su visión, y algunos ejemplos, sobre el uso de machine learning y herramientas relacionadas, en logística y gestión de operaciones:

Actualízate con el curso sobre eficacia operacional (online) de Clase Ejecutiva UC. 





Jorge Vera

¿Te gustó? Inscríbete a nuestro newsletter

Artículos más recientes del autor