Índice:
- ¿Qué es data intelligence?
- Business Intelligence vs. Data Intelligence
- Uso de la inteligencia de datos
¿Qué es la inteligencia de datos?
El data intelligence, o inteligencia de datos en español, es el proceso por el cual una empresa recopila datos e intenta comprender con machine learning la información que contienen para mejorar sus servicios, inversiones o productos.
Para que haya una buena inteligencia de datos, deben cumplirse las siguientes condiciones:
- Data discovery (localización de los datos) y su comprensión: localiza los datos, rastrea los metadatos y flujos de procesos de forma lógica para poder establecer una relación y contexto correcto para los datos. Así, se obtiene una comprensión precisa de la información. Por ejemplo, no es lo mismo obtener la información de una base de datos de clientes que de una de proveedores. En la base de los clientes tendremos su información, si son clientes potenciales o ya fidelizados, los contratos firmados o servicios y/o productos adquiridos, las facturas, las conversaciones, los presupuestos, etc. No obstante, para los proveedores, tendremos los datos del proveedor, el catálogo de servicios y/o productos que ofrece, el coste por sus servicios y/o servicios, las facturas, entre otros detalles.
- Acceder y analizar los datos: proporciona acceso al personal autorizado para que pueda analizar, colaborar y compartir puntos de vista sobre los datos con otros compañeros con acceso.
- Gestión de datos y calidad: para garantizar la calidad de los datos, se combina el know-how de los empleados, la clasificación de datos basada en machine learning y la calificación de los datos con un sistema de gestión de datos maestros (según si están completos o no y si son de confianza). De esta manera, se logra identificar los atributos de calidad de los datos (los elementos que ayudan a reconocer si los datos están bien), y, por tanto, la consistencia de datos. Asimismo, se consigue analizar y mejorar la calidad de las fuentes de datos de las que se extrae la información.
- Gobierno de datos y cumplimiento: se procesan los datos para que cumplan con las normativas, parámetros y requisitos establecidos por la empresa . Por ejemplo, saber dónde se almacena la información sensible, como y por qué se procesa y cuáles son las políticas de empresa aplicables a esos datos. Así, la empresa logra cumplir no sólo con los estándares internos establecidos, sino también con normativas del sector y del lugar donde opera. Por ejemplo, si se trata con datos personales en Europa o de europeos, esos datos se tratarán de acuerdo al Reglamento Europeo de Protección de Datos .
La inteligencia de datos está muy relacionada con la inteligencia artificial , en especial, con machine learning. De esta forma, la recopilación de datos no sólo se hace automáticamente, sino que también aprende progresivamente cuál es la mejor forma de recopilarlos, estructurarlos, almacenarlos, metadatarlos, etc.
Por ejemplo, una empresa de productos químicos tiene que introducir las especificaciones técnicas de los productos que compra a sus proveedores. Esta inserción manual de los datos quita mucho tiempo de los trabajadores. Por eso, hay empresas de este tipo que usan un software de data intelligence para reunir los datos estructurados (texto) y desestructurados (por ejemplo, imágenes) de las especificaciones de los productos. Este tipo de software incluye machine learning, por lo que, al principio, los empleados que se dedicaban a esta tarea tendrán que “enseñar” cómo lo hacen al sistema, y el sistema a partir de esa base va aprendiendo por sí mismo. Este aprendizaje es muy útil ya que algunos sistemas también hacen revisiones de errores anteriores y los corrigen. Por lo que no sólo se evitan posibles errores humanos por la entrada manual de los datos, sino que también corrige los realizados en el pasado.
Diferencia entre Business Intelligence y Data Intelligence
La inteligencia de negocios (Business Intelligence, BI) y la inteligencia de datos están muy relacionadas, pero no son lo mismo. El BI busca obtener una visión global de la empresa, mientras que la inteligencia de datos se centra en que los datos sean precisos y en entender la relación que tienen unos datos con otros dentro de la empresa.
Business Intelligence | Data Intelligence | |
---|---|---|
Propósito | Analizar los datos para tomar decisiones de negocio | Analiza los datos empresariales en sí |
Preguntas a las que buscan respuesta/solución |
¿Cuáles son los objetivos de la empresa (a nivel financiero, de ventas, de gastos, de fidelización de clientes, …)? ¿Qué porcentaje de los objetivos se han conseguido? ¿Cuánta rentabilidad se saca de un proceso o departamento concreto? etc. |
¿Quién ha creado los datos y quién hace uso de ellos? ¿Qué representan los datos y para qué se usan? ¿Cuándo fueron creados, cuándo se usan y cuándo se vuelven obsoletos los datos? ¿De qué parte de la organización proceden? ¿Dónde se almacenan los datos? ¿Cómo fueron creados o capturados? etc. |
Casos de uso de la inteligencia de datos
El data intelligence se puede usar en cualquier empresa de cualquier sector. Esta universalidad se debe a que lo que importan son los datos empresariales, ya que estos ayudan a las empresas a tomar decisiones y a optimizar sus procesos .
Inteligencia de datos en empresas de fabricación
Uno de los sectores que más se está beneficiando de la inteligencia de datos es el de la producción. En este tipo de empresas hay muchos datos que normalmente se pasan por alto y que pueden ser muy útiles para optimizar los procesos empresariales. Por ejemplo, una empresa de fabricación de máquinas puede implementar un software para la inteligencia de datos por varios motivos. Uno de ellos sería el de predecir comportamientos anómalos de las máquinas que fabrican en situaciones especiales a través de algoritmos. Por ejemplo, la inteligencia de datos puede predecir que una máquina que en temporada alta tenga que ser capaz de cortar con láser 200 paneles de vinilo, sólo hará 150 (ya sea por deterioro o porque esté siendo usada para cortar otros materiales). Otro motivo sería, el de alimentar el sistema con la información que se extrae del internet de las cosas (IoT, Internet of Things).
Con ayuda de los datos de IoT recogidos de las máquinas que usan para producir los artículos y de machine learning (como la humedad y la temperatura a la que operan), la empresa puede obtener una mejor predicción de mantenimiento de las máquinas. Por ejemplo, si esa máquina opera normalmente a 40ºC, necesita pasar una revisión al mes, pero si se sobrecalienta con frecuencia y suele trabajar a 50ºC, entonces, quizá deba revisarse cada 3 semanas.
Estos mismos datos también podrían ponerse en relación con los datos que se encuentran dentro del sistema de producción (datos de los productos y de los clientes). Al establecer esta relación, se conoce mejor las condiciones en las que dichas máquinas fueron creadas y qué especificaciones tienen. Así, el equipo de I+D de la empresa puede usar estos datos para mejorar el producto o conseguir fabricarlo de forma más eficiente.
Inteligencia de datos para mejorar el cultivo agrícola
Otro caso en el que se puede sacar un gran provecho de la inteligencia de datos es en el sector agrícola. Las empresas de este sector se enfrentan a retos como desarrollar enfoques agrícolas más sostenibles, a la vez que se intenta aumentar la producción y la duración de la cosecha. Por ello, hay empresas que recogen datos de las condiciones en las que se encuentran los campos. Para ello, integran y analizan imágenes obtenidas por satélite o con drones y las combinan con datos del tiempo atmosférico y de la humedad del terreno recopilados con ayuda de sensores repartidos por los terrenos.
A estos datos les aplican técnicas de machine learning para hacer predicciones sobre las diferentes zonas de cultivo y genera recomendaciones basadas en los estados actuales e incidencias pasadas. De esta forma, las empresas agrícolas son capaces de detectar rápidamente brotes de plagas y, así, evitar que se extienda demasiado. Asimismo, con los datos de los sensores de humedad y del tiempo atmosférico, los equipos pueden prever las problemáticas con las que se van a tener que encontrar (extrema sequedad del terreno o inundaciones) y así prepararse para que estas condiciones afecten lo mínimo posible al cultivo, para aumentar el rendimiento de las cosechas.
Otros sectores que hacen uso de la inteligencia de datos
Los sectores comentados son sólo un par de ejemplos dentro del gran rango de empresas que hacen uso de la inteligencia de datos. Por ejemplo, hay empresas de instalación de energía eólica que usan la inteligencia de datos para optimizar el rendimiento de sus campos eólicos. Estas empresas pueden crear un modelo de condiciones de funcionamiento normales para la turbina. Los sensores de la turbina proporcionan datos en tiempo real de la velocidad a la que se mueven las aspas, la temperatura a la que se encuentra la caja de cambios, etc. Al monitorear constantemente estos datos, se puede detectar rápidamente una anomalía y así corregirla lo antes posible para prevenir fallos mayores.
Otro caso podría ser el de un departamento financiero. Un departamento de este tipo podría hacer uso de la inteligencia de datos para conectar diferentes bases de datos en un mismo data service y desde ahí, localizar aquellos clientes que tienen cuentas pendientes por pagar. Al combinar los datos de los clientes como el historial de disputa, los puntos de contacto y los datos de satisfacción, se obtiene información gracias al machine learning con la forma más apropiada de continuar en cada caso. Por ejemplo, no se procederá de la misma forma con un cliente que nunca se ha quejado, que está satisfecho con los servicios y que es la primera vez que ocurre, que con uno que tiene varias disputas abiertas.