Analítica, crítica para la operación y la transformación
×
Analítica, crítica para la operación y la transformación

Cuando se aplica al negocio, la analítica se torna en una herramienta crítica para resolver problemas complejos y permite tomar decisiones de manera rápida, a partir de lo que está sucediendo en el entorno. La analítica está ayudando a organizar y analizar los datos que genera a diario la operación, así como de los medios sociales, que producen grandes volúmenes de datos no estructurados, como texto, voz y video, los cuales tienen que conjuntarse con los estructurados a fin de poderse procesar y ser aprovechados.


Carlos Hernández.

En este contexto, el rol de los modelos analíticos cobra mayor relevancia. En el momento en que una empresa los integra en sus diferentes áreas de negocio, es evidente el cambio en la manera en que operan, y se observan mejoras en su eficiencia, en la gestión de los riesgos, en el desarrollo de productos y soluciones, y en cómo perciben y aprovechan nuevas oportunidades.


La madurez analítica de cada organización depende en gran medida de cómo se esté integrando en sus procesos y modelos de negocio. Pero, en lo que sí hay un punto de coincidencia es en que es necesario redefinir cómo se implementan los modelos analíticos desde su desarrollo y validación, hasta su implementación y monitoreo, bajo un concepto denominado ModelOps (operaciones de modelos).


Según Gartner, ModelOps «se enfoca principalmente en el gobierno y la gestión del ciclo de vida de una amplia gama de modelos, incluyendo modelos de machine learning, reglas de negocio, optimización, minería de texto y modelos híbridos (reglas de negocio con modelos analíticos)».


Los modelos contribuyen en gran medida a conquistar lo que se conoce como la última milla de la analítica: la etapa de la implementación, que puede llegar a ser complicada.


El valor de negocio que la analítica tiene es considerable, por lo que las empresas han estado invirtiendo en recursos como personal, datos, procesos y tecnología. De acuerdo con estimaciones de IDC, tan solo en 2019 se invirtieron $189.100 millones de dólares en analítica. Para 2022, la inversión superará los $274.000 millones de dólares.


Generación de valor analítico


Así como DevOps acelera el desarrollo de aplicaciones para elevar el valor empresarial, ModelOps lleva los modelos analíticos del laboratorio de ciencia de datos al registro e implementación lo más rápido posible, lo que garantiza resultados analíticos de alta calidad y la obtención del valor empresarial previsto.


Mediante ModelOps, se garantiza que los modelos que están listos para implementarse fluyan de los científicos de datos al equipo responsable de las operaciones de TI de forma continua y, cuando sea necesario, los modelos se replantean a partir de la retroalimentación recibida. De este modo, más modelos analíticos pueden utilizarse cotidianamente dentro de la empresa usando un proceso probado en el que participan personas y tecnología.


El valor que las empresas obtienen de la analítica se deriva de la operacionalización rápida de los modelos para crear valor de negocio; se reduce la complejidad y la reprogramación, lo que, en consecuencia, mejora la productividad de los equipos; y se garantiza la salud de los modelos después de su implementación para generar un valor continuo.


Asimismo, los negocios saben que los datos por sí mismos no determinan el rumbo que tomará la organización, sino las decisiones que tomen a partir de su análisis y procesamiento, y que la operacionalización de los modelos analíticos de forma eficiente serán determinantes para tener éxito en la última milla.


Lo anterior no se logra de la noche a la mañana. ModelOps demanda tiempo y, evidentemente, planteará distintos retos para cada organización, de acuerdo con su tamaño, sistemas y procesos, además de su cultura. Lo que sí es un hecho es que va a fomentar una nueva forma de trabajar entre TI y los científicos de datos, y puede optimizar las iniciativas analíticas para aportar un mayor valor al negocio.


Transformar procesos manuales y problemáticos a través de la analítica y modelos impulsará el mejoramiento continuo y contribuirá a que todos los involucrados se enfoquen en un objetivo: llevar más modelos de alta calidad a producción, de manera más rápida, y que alcancen un máximo rendimiento para tomar decisiones estratégicas y efectivas.


Sobre el autor: Carlos Hernández es Customer Advisory Manager para soluciones de riesgo, analítica y SAS Grid para SAS México. Durante los ocho años en los que ha colaborado con SAS, ha participado en proyectos relacionados con iniciativas de negocio de fraude e inteligencia de negocios. Es egresado de la Universidad Nacional Autónoma de México de la Licenciatura en Matemáticas Aplicadas y Computación.