Mente + máquina

Conceptos clave

• Las creencias incorrectas sobre la analítica y los datos masivos son generalizadas.
• Imagine una pirámide de datos: empiece con datos brutos en el nivel más bajo, ascienda a través de niveles más valiosos de percepciones y conocimientos.
• El ciclo de conocimientos del procesamiento de datos va de recopilar datos brutos a analizarlos para crear conocimiento y luego empezar otra vez.
• En lugar de tratar de recolectar volúmenes de datos, las empresas deben recopilar datos más estratégicos.
• La gestión del conocimiento sufre de exageraciones y la mayoría de la gente subestima sus dificultades.
• El cómputo móvil y en la nube ofrece muchos beneficios en la analítica.
• La analítica se volverá más personalizada y la gente la compartirá más ampliamente.
• Tenga en mente el factor humano cuando planifique, diseñe y aplique la analítica.
• Para implementar satisfactoriamente la analítica, aplique un enfoque metódico, como la metodología de los ejemplos de uso.
• El mayor beneficio proviene de utilizar juntas la máquina y la mente.

Resumen

Datos masivos: exageraciones, falacias y realidad

Los datos masivos y los campos relacionados, al igual que la analítica, padecen de exageraciones. Afirmaciones exageradas sobre los datos masivos a menudo agobian las discusiones útiles, centradas y racionales sobre la realidad de los datos masivos. La primera falacia es que los datos masivos resuelven todo. No lo hacen. Mucha gente adopta los datos masivos sin las herramientas y contextos necesarios. Se necesitan mejores estructuras para dominar el uso de los datos, así como una definición de cómo utilizar la analítica, los objetivos, la métrica y a un personal experto responsable.

“La gestión del conocimiento necesita tener sentido, ser concreta y orientada a la acción para que la carga útil sea entregada”.

Algunas personas creen falsamente que se requiere un mar de datos y herramientas. Un mar de datos es una enorme colección de datos. La promesa falaz es que se pueden procesar datos de manera más barata si se recopilan cantidades masivas de ellos. Por desgracia, lo más probable es que los datos se dupliquen, se dejen datos muertos en el mar y exista el riesgo de manejar mal la propiedad intelectual. La gente también piensa que más datos significan más percepciones. Esto puede ser cierto… si se procesan los datos correctos de la manera correcta. Pero más a menudo, esto no es cierto.

Una pirámide de datos

Consideremos utilizar una pirámide de datos con cuatro niveles. El nivel 1 son los datos brutos, como las fotografías de cámaras de vigilancia. El nivel 2 es la información, los datos que se han analizado parcialmente. En el nivel 3, se extienden los análisis y se alcanza el nivel “¿y qué?”. Aquí, la comprensión de la información se torna lo suficientemente profunda para ayudar a mejorar la toma de decisiones. En el nivel 4, el nivel más alto, se crea conocimiento, lo que permite ofrecer percepciones a otros en diferentes contextos. Los que toman las decisiones buscan conocimientos en los niveles 3 y 4; añadir simplemente más datos llena los niveles 1 y 2.

“Para la gran mayoría de los ejemplos de uso, los procesos más inteligentes soportados por las herramientas bastante directas lo llevan ahí en 80%. AI representa 20% de las cerezas del pastel”.

Su procesamiento de datos debe formar un ciclo de conocimiento. Recolecte datos. Estructure y organícelos para crear información. Utilicemos esa información para generar percepción, lo que le permite tomar decisiones y crear conocimientos. Comparta esos conocimientos y recolecte más datos. El simple análisis no basta. Debe proporcionar los resultados de sus análisis a sus responsables de tomar decisiones y considerar cuánta analítica se adecua a su organización. Su fuerza laboral y sus usuarios finales necesitan entender sus papeles y responsabilidades y la manera en que interactúan.

Gestión del conocimiento

Aun cuando los líderes sepan que ciertos conocimientos los ayudarían, es posible que no sepan cómo captarlos. Muchos informes desperdician el tiempo de la gente: los sistemas los generan automáticamente y la gente los llena con datos brutos, en lugar de abstraer percepciones útiles. La mayoría de las afirmaciones sobre inteligencia artificial (IA) son exageradas. La analítica no traerá de manera automática un mejor retorno sobre la inversión (RSI). Forme los equipos correctos para administrar estos proyectos y trabaje con sus hallazgos. La analítica requiere una percepción inteligente y conlleva un componente emocional. La información bruta es más fácil de administrar que las percepciones de nivel superior. A pesar de ello, la gestión del conocimiento ofrece grandes posibilidades.

Objetos de conocimiento

Diseñemos sus actividades de gestión de conocimiento para que se orienten a la acción y tengan propósitos concretos. Aplicar metodologías ágiles y automatizar sus procesos y plataformas multiplicará el efecto de su analítica. Esto le ayudará a llevar sus productos al mercado y desarrollar con mayor velocidad sus funcionalidades. Obtendrá más rápidamente feedback del usuario, lo cual promueve el diseño flexible. Estos métodos también le permiten ampliar su práctica de la analítica.

“La mente sola es demasiado cara y demasiado lenta. La máquina sola no comunica las percepciones o conocimientos reales”.

Mantenga sencillas sus herramientas de gestión de conocimientos e intégrelas en sus procesos. Establezca criterios organizacionales para la gestión del conocimiento. Enfóquese en los casos de usuario con el mayor RSI y en percepciones de nivel más alto. Integrar la gestión del conocimiento en toda su organización le dará a su analítica un mejor RSI. Planifique cómo almacenará y comunicará contenido, y tenga un marco claro para organizar sus ejemplos de uso. Siga información de metanivel sobre su contenido y mantenga un directorio de conocimientos que le permita saber qué miembros de su organización saben qué. Responsabilice a administradores de conocimiento específicos de activos de conocimiento individuales.

Tendencias

Esté al tanto de las tendencias actuales en la analítica. La primera es el poder creciente de la computación móvil y en la nube. La nube hace que la computación sea más flexible, barata, rápida y fácil de escalar. Posibilita que la movilidad de los trabajadores y permite recopilar datos más fácilmente. La computación móvil aumenta la eficiencia y satisfacción de los empleados. El marketing personalizado es una tendencia relacionada. Ahora puede dirigirse a los individuos que desea. Las aplicaciones baratas no están disponibles rápidamente, pero están evolucionando en paralelo con un cambio a servicios digitales pagados sobre la marcha. Por ahora, 99% de la analítica usa precios basados en el insumo.
Termina pagando por analistas, licencias y demás, cuando quiere comprar solo el producto: el análisis final aplicable. Espere que esto se convierta en una opción más común. Ello ofrece inversiones y riesgos finales más bajos y con mayor flexibilidad, agilidad y especialización.

Utilerías de varios clientes

Las utilerías de varios clientes conllevan grandes posibilidades. Los activos de datos actuales son como los caminos que conectan directamente dos ciudades, pero que no se cruzan con otros caminos. No son tan funcionales como los caminos que se cruzan para darle varias opciones. Muchas instituciones pagan por recopilar los mismos datos. Las que necesitan los mismos conjuntos de datos podrían ahorrar mucho tiempo y dinero y crear más valor al establecer un punto central de recolección.
Internet de las cosas, donde muchos objetos inteligentes están conectados electrónicamente, generará más datos y hará que el mundo sea más sensible a los deseos humanos. Poner sensores en todas partes hará más sencilla la vida cotidiana, generará más datos para los análisis de datos masivos y mejorará las cadenas de abastecimiento y la manufactura. Todos estos dispositivos necesitan compartir normas. Los desarrolladores deben lidiar con problemas de seguridad, derechos y responsabilidad.

Nuevas regulaciones

Estos problemas se cruzan con otra tendencia, el raudal de nuevas regulaciones que rigen el uso de los datos. Tras la crisis financiera global del 2008, todas las industrias, especialmente la financiera y los servicios de salud contemplaron más regulaciones. Europa es líder en las regulaciones que rigen cómo pueden las organizaciones utilizar los datos personales. Su Reglamento general sobre protección de datos, que entrará en vigor en el 2018, está diseñado para otorgar a los individuos mayor control sobre su información. Espere un impulso que hará más sencillo que la gente ejerza sus derechos respecto a cuestiones de datos y las empresas garanticen la seguridad de los datos guardados.

Fuentes de ingresos

En lugar de recolectar todos los datos que puedan, las empresas deben buscar maneras más eficientes de utilizar los datos, reusar los datos, crear nuevas fuentes de ingresos y diferenciarse de sus competidores. Las nuevas interfaces mente-máquina le permitirán usar su analítica con menos contratiempos y mayor productividad.

“La combinación correcta de mentes es fundamental para el éxito de cualquier ejemplo de uso de mente + máquina”.

La economía compartida de Airbnb y similares es significativa: una predicción dice que para el 2025 será tan grande como el mercado de renta normal. Pronto, modelos de compartición similares moldearán la analítica. Algunas personas intercambiarán datos, otras los negociarán y otras los comprarán y venderán como intermediarios. Sin embargo, compartir percepciones de nivel superior seguirá siendo difícil y no podrá compartir datos protegidos por derechos de propiedad. El número de profesionales capacitados en analítica crece rápidamente. Puede contratar personas por menos dinero fuera de los mercados dominantes. Esto podría significar ver hacia otras partes del mundo, pero también la contratación en mercados secundarios.

El enfoque mente + máquina

Para beneficiarse de estas posibilidades, necesitará implementarlas con un enfoque metódico, como la “metodología de ejemplos de uso” (MEU), que ve la analítica mente + máquina como un portafolio de ejemplos de uso específicos. En un ejemplo de uso de la analítica, aplica analítica a una sola inquietud de negocios y sigue esa inquietud de principio a fin. Cuando las empresas aplican analítica sin concentrarse en un problema, generan poco RSI. Inicie su proceso concentrándose. ¿Por qué el usuario desea que otros analicen este problema y qué beneficios puede ofrecer usted al analizarlo?

“El uso incrementado de las máquinas para apoyar a las mentes creativas es una característica común de muchos ejemplos alternativos e inteligentes de uso de datos”.

Tenga solo un problema de negocios por caso. Defínalo en sentido estricto e identifique con la misma claridad al usuario y los beneficios potenciales. Examine cómo cambiará el problema con el tiempo y cómo se relaciona con su ciclo de conocimientos. Divida el problema en etapas distintas, priorícelas y monitoréelas mientras las completa. Para evitar pensar que sería mejor tener más datos, empiece con un “árbol de problemas”. Divida el problema en niveles. Elabore prototipos de sus soluciones antes de agregar más detalles, y monitoree el uso, los derechos, la conformidad normativa y el RSI de todos los usos de datos. Evite los datos masivos si puede; utilice la menor cantidad de datos posible para resolver el problema. Agregue datos únicamente en los criterios planeados.

Combinar mente y máquina

Utilicemos juntas mente y máquina. Por el lado de la máquina, analice sus procesos. Vea dónde puede aplicar la automatización más sencilla. Convierta el sistema en comercial, use donde pueda módulos y plataformas disponibles. Mejore el sistema con regularidad y documente procedimientos y cambios. El lado de la mente requiere la mejor mezcla de mentes. El usuario o líder de la compañía que necesita los resultados debe controlar el proceso, no el personal técnico. Planifique el desarrollo y el proceso de aplicación con funciones específicas para los involucrados.

“La psicología de la analítica es probablemente su dimensión más subestimada y menos comprendida”.

Reutilice la experiencia de su compañía, o réntela o cómprela. Dé nombres estandarizados a los modelos que use. Lleve registros de todo lo que haga la gente y espere que las prácticas cambien según madure el proyecto.

Flujos de trabajo

La interacción mente + máquina funciona mejor si obtiene los flujos de trabajo correctos y si incluye plataformas flexibles. Cuanto más específicamente identifique a sus usuarios finales, mejor podrá llegar a ellos. Esto significa reflexionar en el “último kilómetro” al inicio de cualquier proyecto y mapear los flujos específicos de datos que necesita. Determine posibles atascos e identifique qué soluciones técnicas brindarán el mayor RSI.

Experiencia del usuario

Al planificar la experiencia del usuario, preste atención al lado humano de la interacción mente + máquina. Es importante que no abrume a sus usuarios. Ofrezca representaciones visuales y dé feedback con regularidad. Desarrolle su interface usando prototipos rápidos y haga que sus usuarios los prueben. Cuando tenga un diseño que funcione, estandarícelo en toda su empresa.

Metodología de ejemplos de uso

Utilicemos un vocabulario y un enfoque compartidos como la metodología de ejemplos de uso. Defina funciones, responsabilidades y objetivos. Revise su portafolio en cuanto a conformidad normativa, riesgos y responsabilidades provenientes o lideradas por otras partes de su cadena de abastecimiento. Asegúrese de que todos sepan que el propietario toma las decisiones finales y que la compañía en general es quien posee todos los activos de conocimientos. Reúna a todos los involucrados en el desarrollo y asegurémonos de que los técnicos empiecen a hablar con usuarios finales reales en una fase temprana del proceso.

“Cuando la vida cambia, nuestras mentes también deben hacerlo”.

Capte las necesidades del usuario final de una manera que permita soluciones de bajo costo. Establezca un conjunto unificado de pautas para administrar su portafolio de ejemplos de uso. Sepa cuáles son los casos prioritarios. Esté dispuesto a acabar con los ejemplos de uso que no funcionen. Sus iniciativas mente + máquina deben mejorar la productividad para que se paguen solas.