Por: Víctor Morales, Director de Analítica Avanzada de Aval Buró
Aunque estos términos: ecosistema de analítica, Big Data e Inteligencia Artificial, suelen usarse indistintamente en diversos foros, es fundamental reconocer que tienen enfoques distintos que pueden complementarse entre sí.
Tradicionalmente, estamos habituados a trabajar con datos a través de hojas de cálculo, pero los datos van mucho más allá de estos. El concepto de Big Data abarca cómo los sistemas capturan, almacenan y procesan información proveniente de fuentes como mapas, imágenes, videos y texto. Incluso los datos transaccionales tradicionales pueden requerir un enfoque de Big Data debido a su volumen; sin embargo, muchas empresas generan una gran cantidad de información que no siempre se utiliza para generar valor. Un ejemplo de ello es la huella digital que los clientes dejan al interactuar con los sistemas en línea, la cual, en muchas ocasiones, no se procesa al nivel que Big Data permitiría.
Es cierto que la inteligencia artificial (IA) abarca campos como los automóviles autónomos o la robótica. No obstante, en el contexto empresarial en Ecuador, la IA ha ganado relevancia principalmente a través del uso de Machine Learning para mejorar la predictibilidad (como proyección de ventas, optimización de rutas logísticas y cálculo de la probabilidad de pago) y mediante los modelos de lenguaje (LLMs) para incrementar la productividad (a través de chatbots, generación de contenido y asistentes de programación, entre otros).
La Analítica se define como el proceso de describir eventos pasados, predecir tendencias futuras y prescribir el curso de acción más adecuado. ¿Es posible llevar a cabo análisis sin Big Data o IA? Definitivamente. Muchas empresas que fundamentan sus decisiones en datos ya están realizando algún tipo de Analítica. Sin embargo, tanto Big Data como la IA pueden potenciar este proceso, transformando la Analítica tradicional en Analítica Avanzada.
Actualmente, se están integrando enfoques como la econometría y la investigación científica formal en la Analítica Avanzada, proporcionando herramientas valiosas para identificar los determinantes y efectos de las decisiones empresariales. Un ejemplo destacado es Amazon, que cuenta con un departamento denominado Amazon Science, donde se publican investigaciones formales para abordar desafíos específicos de la empresa, incluyendo cuestiones relacionadas con el comportamiento del consumidor.
Aunque Big Data, Inteligencia Artificial y Analítica son conceptos distintos, su integración ofrece un enorme potencial para las empresas. Mientras que Big Data permite manejar y procesar grandes volúmenes de información no estructurada, la IA impulsa la capacidad predictiva y automatiza procesos, y la Analítica traduce los datos en conocimientos accionables. Juntas, estas tecnologías pueden transformar la manera en que las organizaciones generan valor, optimizando sus operaciones y maximizando el valor de los datos para la toma de decisiones informadas y efectivas.
Una estrategia que cumpla objetivos de negocio
La estrategia de datos permite su trazabilidad y define cómo una organización recopila, almacena, administra, comparte y utiliza datos para lograr sus objetivos comerciales. Todo parte de un buen diagnóstico: conocer el estado de madurez de tu empresa en términos de gestión de datos es clave para diseñar una estrategia adecuada. Es común encontrar grandes empresas con baja madurez en datos, así como pequeñas empresas muy avanzadas en este ámbito. Tener claridad sobre la situación actual, junto con una arquitectura de datos bien definida, es el primer paso hacia una estrategia sólida.
La estrategia de datos debe materializarse en un plan claro, acompañado de objetivos a corto (1 año), mediano (2 a 3 años) y largo plazo (3 a 5 años). Es importante recordar que las empresas deben implementar esta planificación mientras continúan operando. Como se dice comúnmente: “Hay que aprender a darle mantenimiento al avión mientras está en vuelo”.
Una estrategia que garantice la trazabilidad de los datos debe estar enmarcada en el Gobierno de Datos, cuyos principales entregables incluyen:
- Una fuente común de datos controlados.
- Estándares comunes de informes y técnicas de procesamiento.
- Alineación de la estrategia de datos con la estrategia de tecnología de la información (TI)
- Provisión de datos de calidad y asegurados para reguladores.
- Cumplimiento de la Ley Orgánica de Protección de Datos de Personales (LOPD).
Una estrategia de datos efectiva no solo garantiza la trazabilidad y el cumplimiento normativo, sino que principalmente impulsa la toma de decisiones basada en datos, alineando la gestión de la información con los objetivos de negocio.
Route Map para implementar estrategias de IA
El punto de partida para una implementación de la inteligencia artificial (IA) y analítica en general radica en la convicción de los ejecutivos de nivel C (C-level) sobre el valor que estas tecnologías pueden generar. Una vez establecido ese compromiso, el siguiente paso es formar un equipo de trabajo que se encargue de materializar las estrategias en diversos niveles y casos de uso.
En este contexto, diversas empresas utilizan la analítica para optimizar sus decisiones y operaciones. Algunas, como Aval Buró, se destacan por integrar la analítica, el Big Data y la IA como componentes esenciales de su modelo de negocio, aprovechando estas tecnologías para crear una ventaja competitiva. Esta integración no solo permite mejorar la eficiencia operativa, sino también ofrecer soluciones más precisas y adaptadas a las necesidades del cliente.
Es importante entender que la IA abarca un amplio espectro de tecnologías, que incluyen campos como el Machine Learning y los Modelos Extensos de Lenguaje (LLMs), como ChatGPT, Gemini o Claude, entre otros. El desafío de construir una hoja de ruta efectiva para las empresas está en unir dos mundos: las necesidades actuales y potenciales del cliente, y cómo la IA puede satisfacer esas necesidades, proporcionando un valor adicional que no recibirían sin su implementación.
Este análisis permite identificar casos de uso clave donde la IA puede aportar valor. Una distinción fundamental entre el Machine Learning y los LLMs es que, en el caso del Machine Learning, existen herramientas accesibles para que los equipos analíticos puedan desarrollar e implementar modelos. Sin embargo, para los LLMs, la mayoría de empresas solo pueden enfocarse en la implementación de modelos ya existentes, debido a los altos costos de desarrollo. Para ser más específicos, desarrollar un modelo LLM requiere una inversión cercana a los USD 500 millones, mientras que el desarrollo de modelos de Machine Learning tiene un costo que varía desde miles hasta cientos de miles de dólares, dependiendo del tamaño y la capacidad analítica de la empresa.
La hoja de ruta para que las empresas implementen estrategias de IA debe partir de un compromiso firme por parte de la alta dirección, seguido de la formación de un equipo especializado que ejecute las iniciativas. Este proceso implica identificar las necesidades clave del cliente y cómo la IA, a través de tecnologías como el Machine Learning y los Modelos Extensos de Lenguaje, puede generar un valor tangible. Si bien el desarrollo de ciertos modelos avanzados, como los LLMs, puede estar fuera del alcance de muchas empresas debido a su alto costo, existen oportunidades accesibles y valiosas en la implementación de modelos de Machine Learning. Es clave encontrar los casos de uso donde estas tecnologías puedan ser verdaderamente transformadoras, permitiendo que la empresa mantenga una ventaja competitiva y una mayor eficiencia operativa.
