Desde hace pocos años el mundo vive una revolución tecnológica sin precedentes, donde la tecnología se ha convertido en uno de los activos más relevantes de las empresas, ya que no solo es una herramienta que ofrece información a la compañía, sino que la ayuda a entender su mercado y proyectarse. Sin embargo, está información no podría ser obtenida sin la analítica, por lo que es de suma importancia saber hacia dónde va la tendencia durante este 2016.
“La analítica tiene un futuro muy interesante, ya que nunca antes había sido más necesaria para las empresas. Cada día son más las personas y dispositivos que generan datos, por esto la investigación de la data y su transformación en información de valor para las compañías es de vital importancia”, asegura Marcelo Sukni, Gerente General de SAS Chile y Perú.
Es por eso que SAS elaboró un top 5 de las predicciones de la analítica para este año, con la finalidad de dar a conocer el futuro de esta importante herramienta:
1. Aprendizaje automático se establecerá en la empresa
El Machine Learning, o aprendizaje automático es una disciplina que busca que los sistemas computacionales aprendan a identificar patrones complejos en millones de datos, a través de algoritmos que les permiten incluso predecir comportamientos a futuro. Se remonta al menos a 1950, pero hasta hace poco era dominio de las élites y fue objeto de años de falta de atención. Ahora llegó para quedarse, ya que las grandes empresas por fin lo están adoptando.
Actualmente, además de los investigadores y nativos digitales, las compañías se están preguntando cómo aplicar el aprendizaje automático en su producción. Incluso en industrias reguladas, donde históricamente una baja interpretación de modelos ha estrangulado su uso, los profesionales están encontrando maneras creativas de utilizar el aprendizaje automático para seleccionar las variables de los modelos, que luego pueden ser formuladas utilizando técnicas más aceptadas.
Se espera también que haya un mayor interés entre las disciplinas académicas, ya que el Machine Learning se beneficia de muchos enfoques diferentes.
2. La Internet de las Cosas golpeará la realidad
La Internet de las Cosas (IoT) está en el peak del Gartner Hype Cycle, que grafica el entusiasmo sobredimensionado en ciertas tecnologías. Sin embargo, en 2016 esta alta expectación debería convertirse en realidad. Para eso, hay temas que resolver, como la propiedad de los datos (usted produce data pero no puede tener acceso a ella) y el gran desafío para IoT es todavía probar su valor. Actualmente existen limitadas implementaciones de IoT en plena producción a nivel empresarial, pero la promesa de la Internet de las Cosas es fantástica, por lo que en 2016 sus adoptadores tempranos deberán resolver sus entuertos y entregar resultados.
3. Big Data irá más allá del ruido para enriquecer los modelos
En 2016, Big Data irá más allá de los bombos para proporcionar valor real. Hoy en día los modeladores pueden acceder a un rango de tipos de data más amplio que nunca (como datos no estructurados, data geoespacial, imágenes, voz, etc), el cual ofrece grandes oportunidades para enriquecer sus modelos. Otra nueva ganancia del Big data es debido a las competencias, que han ido más allá de ser solamente juegos para ofrecer valor real a través del crowdsourcing o colaboración abierta y del uso compartido de datos. Por ejemplo, en el Desafío Dream Cáncer de Próstata (Prostate Cáncer Dream Challenge), los equipos debieron responder preguntas de investigación clínica utilizando data anónima proveniente de cuatro ensayos clínicos diferentes llevados a cabo por múltiples proveedores, buena parte de ellos disponibles al público por primera vez. Un número sin precedente de equipos compitieron y los ganadores derrotaron modelos existentes desarrollados por los mejores investigadores del área.
4. La ciberseguridad mejorará a través de la analítica
A medida que IoT crece, el aumento en el uso de sensores debe emocionar a los cibercriminales, quienes utilizan estos dispositivos para hackear a través de un lento pero insidioso enfoque de Caballo de Troya. Muchas técnicas tradicionales de detección de fraudes no aplican porque el monitoreo ya no está buscando un evento raro, sino que requiere entender una acumulación de eventos en contexto. Similar a IoT, un reto de ciberseguridad involucra datos, porque la transmisión de estos es administrada y analizada diferenciadamente.
Se espera que la Analítica Avanzada arroje nuevas luces sobre la detección y prevención mientras nuestros métodos se actualizan con la data, pero, desafortunadamente, desarrollar métodos para colaboración de Big Data está fuera las posibilidades, debido a que nadie quiere que los chicos malos sepan cómo los encontraremos, y la mayor parte de los mejores trabajos se hace protegida por anillos de suma seguridad.
5. La Analítica impulsará la relación academia-industria
El Instituto de Analítica Avanzada (IAA) en la Universidad Estatal de Carolina del Norte monitorea el crecimiento de programas de maestrías en analítica, área en la que cada día parecen surgir nuevos planes académicos, respondiendo a la demanda de la industria por este reclutamiento. Sin embargo, cada vez más compañías están estableciendo extensiones académicas con un interés explícito en colaboraciones de investigación que a veces llegan incluso a la contratación directa de superestrellas académicas, quienes toman años sabáticos o incluso van y regresan. Por ejemplo, el investigador de Machine Learning Yann LeCum trabajó en los laboratorios Bell, se convirtió en catedrático de la Universidad de Nueva York, fue el Director Fundador del Centro de Data Científica de la Universidad de Nueva York, y ahora lidera la Investigación de Inteligencia Artificial de Facebook.
