Impulsada por los avances tecnológicos y la creciente disponibilidad de datos, la evolución de Data Science y Business Analytics en los últimos años ha sido notable. Estas herramientas han permitido a las empresas transformar volúmenes masivos de información en “insights” estratégicos, optimizando procesos y mejorando la toma de decisiones. Sobre esta evolución y los beneficios para las empresas y su competitividad, destacados proveedores conversaron en la Mesa de Trabajo de Revista Gerencia.
En Chile y Latinoamérica, la inversión en TI y el uso de los datos están creciendo de manera acelerada. Según la consultora IDC, se proyecta que este año el crecimiento de la industria TI en la Región superará a mercados más desarrollados como Estados Unidos, alcanzando los US$81.200 millones, lo que representa un aumento del 11,1% respecto a 2023. Este incremento demuestra el enorme potencial de la tecnología y los datos para impulsar el futuro de las empresas en la Región.
En Chile, Data Science y Business Analytics son disciplinas clave para transformar los datos en información valiosa que impulsa la toma de decisiones estratégicas. Mientras que Data Science se enfoca en el análisis avanzado y el uso de modelos predictivos, Business Analytics traduce esos datos en acciones concretas para mejorar el rendimiento empresarial. Ambas permiten a las organizaciones optimizar procesos, anticipar tendencias y mejorar su competitividad en un entorno cada vez más basado en datos.
¿Cómo ha evolucionado Data Science en los últimos años?
Según Guillermo Treister, Gerente Técnico de IBM Chile, “uno de los grandes cambios es que la ciencia de datos requiere cada vez menos especialistas técnicos. Las herramientas actuales han resuelto muchas de las dificultades previas, facilitando su uso y acercándola al negocio”. El verdadero reto hoy, agrega, no es desarrollar algoritmos o modelos, sino cómo aplicar al negocio y generar un cambio. La disponibilidad masiva de los datos ha impulsado esta transformación y provocado que la necesidad de especialistas en temas matemáticos o de programación duros, se oriente más bien a especialistas en el negocio.
Esto se explica ya que, en los últimos 10 años, lo que es estándar en ciencia de datos ha quedado bastante encapsulado, de manera que tareas que antes requerían un alto nivel de especialización técnica ahora están abstraídas dentro de plataformas o herramientas que facilitan el trabajo. Así lo detalla César Hormazábal, Gerente Senior del Área de Data Analytics de EY. Sin embargo, añade, emergen nuevos desarrollos donde los especialistas técnicos siguen siendo cruciales. En este sentido, aún hay mucho por avanzar, especialmente en comprender el impacto de ajustar ciertos parámetros de los datos en los resultados del negocio.
Complementando lo anterior, Isabel Almarza, Gerente General de Microsystem, destaca que, en los últimos años, ha habido un cambio significativo en la comprensión del valor de los datos. Anteriormente, la custodia de la información era limitada y costosa, lo que llevaba a almacenar solo datos puntuales. “Sin embargo, hoy las empresas entienden que son un activo valioso para ser más competitivas y hay más conciencia de guardarlos por posibles usos futuros y aplicaciones”, señala.
Según explica, hemos pasado de trabajar exclusivamente con datos estructurados a aprovechar también los no estructurados, así como evolucionado de data warehouses a data lakes y data fabrics, y el reto hoy es cómo cruzar y optimizar la información para generar valor real y mejorar la competitividad de las empresas.
“Hoy vemos una explosión muy fuerte hacia la disponibilización de herramientas para el usuario final. De especialistas 100% técnicos se ha ido evolucionando hacia empoderar a un usuario final que conozca el negocio y tenga disponibles herramientas para trabajar modelos de ciencia de datos, es decir, hacia una toma de decisiones basada en data, entendiendo todo el contexto de negocio”, enfatiza Adolfo Pérez, Gerente de Preventa e Innovación de Soluciones. De esta forma, la ciencia de datos se está democratizando mucho más hacia las unidades de negocio que toman decisiones.
Cultura y alineación
El reto actual para muchas empresas es organizar los múltiples datos que se van generando de manera coherente, asegurando que el crecimiento sea orgánico y alineado con los objetivos empresariales.
Según explica Bernardo Aldea, Gerente General de Kudaw, como la ciencia de datos incluye distintas disciplinas, es un proceso evolutivo siempre en avance y las empresas van detrás, adaptándose. En este sentido, la cultura y la alineación son dos conceptos claves, enfatiza. “Por un lado, ir gestionando el cambio y, por otro, el alineamiento a los objetivos del negocio a largo plazo, que pareciera ser muy evidente, pero seguimos tomando decisiones en base a la intuición o a la experiencia, y no necesariamente, aunque tengas datos, se refleja la realidad de los procesos”, afirma.
Para Sebastián Farías, CEO de Matisi Consulting, “el tema cultural es muy fuerte. A veces, hay un cambio de gerencia, llega un gerente con una visión mucho más analítica y se pueden hacer pilotos porque él ve valor en esta área, pero es fundamental permear a toda la organización para que los demás también ocupen los datos y sean capaces de sacarle provecho en su día a día. Ese es el gran reto”.
En este contexto, a juicio de Viviana Laureyro, Country Manager de Practia Global, “hoy las empresas están en distintos grados de evolución y las realidades son diversas. Muchas veces existen datos, pero no saben qué hacer con eso, por dónde empezar, o no han podido identificar cuáles son los más relevantes para su negocio, así como también compañías que tienen 300 personas trabajando en su área de data y analítica, y saben perfectamente lo que quieren hacer”.
Capital humano en Chile para proyectos de Data Science y Business Analytics
Consultados respecto a si existe capital humano formado para abordar proyectos de Data Science y Business Analytics en Chile, hay consenso entre los proveedores en que sí lo hay, pero no viene directamente de las universidades. “Las empresas toman a la gente cuando está saliendo, y en la práctica va adquiriendo esa sensación de negocio, lo que tarda unos cuantos años”, indica el ejecutivo de EY.
Hay que considerar que cuando se diseña una malla curricular se hace pensando en el “ahora”. “La tecnología evoluciona muy rápido y en lo que tarda una carrera (4 o 5 años) para que esa persona esté egresada, titulada y preparada para el mundo laboral, la tecnología y el escenario de negocio ya cambiaron completamente, porque es imposible predecir el futuro en cuanto a la evolución o lo que pudiese nacer, una innovación disruptiva, etc.”, explica el profesional de Soluciones.
“Hay mucho avance en las universidades con respecto a lo que se requiere desde un punto de vista teórico, pero el gran desafío que hoy tiene el mercado es cómo conjugar eso con la experiencia de negocio, que es lo que se adquiere precisamente con la práctica”, señala el ejecutivo de IBM. Agrega que el GAP existente se ha ido cerrando, justamente porque el requerimiento técnico ha disminuido, lo que facilita preparar más profesionales apuntando al lado del negocio y generando ese capital, que es lo que las empresas hoy necesitan.
Complementando este enfoque, la ejecutiva de Microsystem agrega que, en general, hay escasez de talento en tecnología y los científicos de datos no son la excepción a la regla. “Pero en la medida en que la necesidad de especialistas va bajando y los usuarios de negocios van adoptando ciertas capacidades en su proceso de formación, es probable que ese GAP vaya disminuyendo”, afirma y añade que se observan profesionales de distintos ámbitos con interés por formarse en temas tecnológicos y de datos, ya que entienden que hay un valor, por lo que actualmente estamos ante un proceso de transición.
Entonces, sabemos que hay escasez de profesionales y dificultad de integrar tantas temáticas. “Sobre todo en la ciencia de datos en que confluyen distintas disciplinas y aristas, tanto TI como analítica, matemática, conocimiento específico del negocio, saber cómo comunicar, etc. En algunos casos se cree erróneamente que el científico de datos tiene que saber todas estas disciplinas y, además, ser especialista en analítica avanzada”, explica el ejecutivo de Kudaw. Por lo tanto, el desafío para todos es ¿cómo alinear estos distintos “skills” para que puedan trabajar en un objetivo común?
Los desafíos de implementar un proyecto de Data Science y Business Analytics en Chile
En opinión de César Hormazábal, en proyectos de esta índole todo debe comenzar con un caso de negocio, es decir, enfocándose desde el valor que se puede generar a la empresa. Por eso, enfatiza la importancia de ser transparentes con el cliente, ya que muchas empresas buscan implementar Inteligencia Artificial o ciencia de datos sin tener claro su propósito real y, a menudo, están en etapas muy tempranas de adopción. “En muchos casos, lo que realmente necesitan es mejorar su gobierno de datos”, explica. Por ello, el primer paso es colaborar en la creación de un caso de negocio sólido, identificando dónde pueden extraer valor de forma más inmediata a partir de los datos que poseen.
Es clave entender bien el problema, a juicio del ejecutivo de Matisi Consulting, y buscar “quick wins”, es decir, éxitos tempranos que puedan demostrar resultados rápidamente y revelar patrones o tendencias. A partir de ahí, se puede avanzar hacia proyectos más complejos de ciencia de datos. “A la larga, el cliente aprecia este enfoque, ya que nuestro objetivo es generar confianza y asesorar de manera honesta, más que simplemente vender tecnología”, concluye.
En la experiencia de la profesional de Practia, los escenarios son muy diversos, desde empresas que están seguras de que algo de IA se puede instalar hasta aquellas que dicen: “Yo ya hice un modelo, pero creo que se puede mejorar y necesito que alguien con más experiencia me ayude”. Siempre es importante primero analizar con qué datos contamos, si realmente nos sirven para el fin que buscamos y si tienen la calidad adecuada para basarse en ellos, añade.
Según describe Adolfo Pérez, “están las áreas técnicas que buscan impulsar nueva tecnología y que la anteponen a un caso de negocio; y las áreas de negocio, que dicen: ‘Quiero lograr esto, obtener este KPI o hacer este benchmark’. Ahora, ¿cómo se logra eso? Para ellos es una ‘caja negra’ sin importancia, lo relevante es el resultado. Entonces se requiere hacer un poco de ingeniería inversa para ver si están los datos disponibles, las variables para poder hacer el modelo, etc.”.
En este sentido -agrega-, depende mucho de con quién es la conversación dentro de un cliente para poder determinar el siguiente paso a dar. Las áreas técnicas quieren usar IA y modelos de Machine Learning para poder generar valor y los proveedores deben ayudarles a definir el mejor caso de uso y el “quick win” para ganar puntos dentro de la empresa, mientras que las áreas de negocio quieren usar el dato final, pero no les importa cómo se obtiene.
“Sin embargo, según el nivel de madurez, a veces, cuando comienzas a construir, ves que lo que está atrás no permite hacer lo que se quiere. Y el trabajo de corregir eso, en esfuerzo e inversión, puede ser bastante grande, pero de otra forma estaremos alimentándonos de cosas que no están validadas y no vamos a sacar algo muy provechoso. Cuesta convencer a todos de esto”, explica Guillermo Treister.
El avance en distintas industrias
Si bien inicialmente ciertos sectores como el retail empezaron a impulsar estas disciplinas, “estas han permeado a distintas industrias, como empresas de manufactura y agroindustria por que hoy están disponibles datos que antes no estaban”, explica Bernardo Aldea.
Resalta, además, “la tendencia hacia los datos abiertos para agregar valor, especialmente en el sector productivo y agroindustrial, que ha mostrado una rápida adopción y avidez por explotar sus datos”, detalla Isabel Almarza. Asimismo, es posible observar dos enfoques principales, según Viviana Laureyro: uno, centrado en cómo usar los datos de los clientes para aumentar el consumo y fidelidad, principalmente en el retail; y dos, cómo industrias pesadas, como energía y minería, están utilizando data para predecir fallas, ahorrando costos y evitando pérdidas de producción.
Y es que los datos, a juicio del ejecutivo de Soluciones, son ahora un “must” en todas las industrias. No obstante, hay empresas que van empujando las innovaciones y aquellas que nacen centradas en datos, como Mercado Libre o Netflix, llevan la delantera, acelerando el ritmo para esas que van rezagadas.
Finalmente, el ejecutivo de Kudaw enfatiza la importancia de diseñar procesos con una mentalidad de datos, destacando la necesidad de que las empresas dejen de creer que su dato es un activo que solo ellas pueden tener y tocar. Cuando se ha evolucionado en este sentido, las organizaciones entienden que pueden asegurar y compartir la data de forma anónima, permitiendo que otros especialistas aporten valor.
Asimismo, los datos tienden a concentrarse por áreas: seguridad se enfoca en ciberseguridad, negocios en análisis financiero y comportamiento de clientes, y operaciones en observabilidad. Sin embargo, los mismos datos pueden ser útiles para múltiples áreas. Por eso, la integración de datos a nivel organizacional es un aspecto clave que continuará desarrollándose. Aunque hemos avanzado mucho, aún queda camino por recorrer para aprovechar todo su potencial, agrega.
Tecnologías y tendencias
Para implementar un proyecto de ciencia de datos, según explica el profesional de IBM, la base es tener un gran volumen de data y tecnológicamente lo primero que se requiere es la infraestructura robusta para operar con este volumen. Esto incluye desde repositorios hasta mecanismos de gobierno y seguridad. Las herramientas y tecnologías disponibles, ya sean en la nube o bien on premise, han madurado lo suficiente para adaptarse a las necesidades del proyecto, así como el framework o lenguaje requerido dependerá de las preferencias del equipo, pero lo fundamental es poder gestionar eficientemente los datos.
Según explica Bernardo Aldea, depende, además, del nivel de madurez de la empresa o el área involucrada, porque, por ejemplo, si el proyecto lo está desarrollando un área más técnica, no es necesario algo que sea tan plug & play que si lo está tomando un área más de negocio.
Asimismo, cada día más se busca desarrollar la interoperabilidad, pero hay mucha heterogeneidad, y las empresas tienen que, como desafío, acostumbrarse a vivir con esta.
Hoy las tendencias emergentes apuntan a una mayor automatización y uso de Inteligencia Artificial (IA) para apoyar procesos productivos y de negocio, actuando como un asistente clave, que proporcione recomendaciones, automatice tareas y mejore la toma de decisiones. En ese sentido, una de las grandes transformaciones que se observan, coinciden los proveedores, es la capacidad de IA para manejar datos no estructurados, lo que antes era un desafío. Esto abrirá nuevas oportunidades para los científicos de datos y permitirá abordar problemas de negocio previamente inaccesibles.
Al seleccionar un proveedor para un proyecto de ciencia de datos, recomiendan buscar especialistas con experiencia relevante en la industria, y no solo en la parte técnica, considerando también a aquellos que hayan tenido casos de éxito y errores, ya que estos pueden guiar al cliente para evitar “caídas” en el camino. Es fundamental que el proveedor entienda los desafíos estratégicos del negocio y cómo estos se reflejan en los datos, promoviendo una buena gobernabilidad. Además, es clave elegir un partner que pueda acompañar a largo plazo en el proceso.
Finalmente, aunque la tecnología se ha democratizado, es esencial promover una cultura de datos sólida y ser conscientes de los riesgos asociados, como la seguridad y el uso ético de la información, de manera que los beneficios de estas herramientas y el poder de los datos se potencien en cada organización.
