Llegamos a ustedes gracias a:



Reportajes y análisis

Cómo monetizar los datos en tiempos de crisis

[01/06/2020] En tiempos de pandemia se ha vuelto incluso más importante el saber monetizar los datos, ese recurso que todas las empresas tienen, pero que no todas están aprovechando como se debería. Para hacerlo hay que seguir ciertas pautas que fueron precisamente el tema de la más reciente reunión virtual que realizó E2E en conjunto con IBM.

En el evento Francesco Fontanot, offering & ecosystems manager de IBM, y Rolando Clavijo, gerente de Data & Analytics de E2E, presentaron Cloud Pak for Data de IBM, una herramienta que unifica y simplifica la recolección, organización y el análisis de los datos.

No es un milagro

Fontanot inició la presentación afirmando que la monetización no ocurre por un acto de magia. Esta requiere de habilidades y conocimientos técnicos y de negocios para poder entregar el valor que la empresa espera.

Francesco Fontanot, offering & ecosystems manager de IBM

Poner los datos en la nube y esperar a que estos hagan algo por sí solos o que ocurra 'la magia', es el error más común que comenten las empresas, sostuvo el expositor. Además, explicó, no existe un nivel de sofisticación algorítmica de la IA que supere la falta de datos. La recopilación y preparación de los datos es la parte más difícil y lenta de la monetización.

Fontanot explicó, además, que la monetización de los datos -es decir, el motivo por el que las empresas quieren montizarlos- se puede dar en cuatro contextos.

El primero es 'vender más'. Esto implica vender más a los que ya son clientes, pero también vender a nuevos clientes.

El segundo motivo es optimizar y reducir costos. Esto es especialmente cierto en el campo de las operaciones, en donde cualquier optimización genera una eficiencia.

El tercer motivo es la gestión de los riesgos y la reducción de los fraudes. Mientras que el cuarto motivo es el cumplimiento regulatorio y la auditoría.

En este viaje, IBM ha definido, además, cuatro etapas por las que se pasa al momento de monetizar los datos. La primera es la operativa, la cual se encuentra relacionada con la reducción de costos.

La segunda es la de BI & Data Warehousing y está relacionada con la modernización de la compañía. La tercera etapa es la de la analítica de autoservicio y está relacionada con la cultura de la inteligencia artificial, mientras que la última y cuarta etapa es la de los nuevos modelos de negocio y está relacionada con la ansiada transformación.

Fontanot indicó que la mayoría de las empresas de la región se encuentran en medio de la etapa 2, pero que la pandemia ha acelerado la adopción de la IA; aunque existen retos.

Uno de ellos es que, aunque el 94% de las empresas considera que la IA es clave para lograr una ventaja competitiva, solo una de cada 20 compañías ha incorporado de manera extensiva la IA en sus procesos o productos.

¿Qué hacer? Fontanot respondió a la pregunta con una metáfora. Mostró un auto desarmado, con piezas alrededor de él. ¿Arrancará el auto? Preguntó. Los asistentes al evento dieron sus respuestas, indicando que podría arrancar, pero que no podría ir a ningún lado ya que no se veían las llantas por ningún lado.

Fue una buena observación, pero en lo que Fontanot hizo hincapié es en el hecho de que, aunque se pudiera ensamblar, no hay garantía de que el auto funcione adecuadamente, por varios motivos.

La solución, obviamente, es adquirir un auto ensamblado, que funcione; es más, que sea un auto de carreras. El simil, obviamente, lo usó para referirse al producto que iba a mostrar, pero antes indicó que para trabajar con los datos es necesario, primero, dominar cuatro campos: la recolección de datos, la organización de los datos, el análisis de los datos y la incorporación del aprendizaje automático en los procesos de negocios.

¿Para qué sirven estos campos? Para determinar las principales aplicaciones para la monetización de los datos. Por ejemplo, la inteligencia artificial se puede usar en la implementación de asistentes virtuales, el análisis de redes sociales o el reconocimiento facial.

El aprendizaje automático, por su parte, se puede utilizar para determinar la siguiente mejor oferta, la fuga de clientes, la segmentación de los mismos, y la prospección de nuevos clientes.

Por supuesto, todas estas cosas se pueden lograr, de acuerdo con Fontanot, con Cloud Pak for Data, la herramienta de IBM que unifica y simplifica la recolección, organización y el análisis de los datos.

Por ejemplo, esta plataforma cuenta en el campo de la recolección con herramientas como Data Virtualization o DB2 Warehouse, además de poder incorporar otras herramientas opcionales como DB2 AESE o MongoDB.

Rolando Clavijo, gerente de Data & Analytics de E2E
IBM, E2E

En cuanto a la organización de los datos, se cuenta con Watson Knowledge Catalog e IBM Regulatory Accelerator; mientras que en el análisis se ofrece Watson Studio, Watson Machine Learning, entre otros, además de contar opcionalmente con Watson Studio Premium. Finalmente, en la incorporación de los datos se cuenta con Watson Open Scale o Cognos Dashboard, entre otras herramientas.

Luego de la presentación de Fontanot, Clavijo realizó una demostración en vivo de las capacidades de la herramienta, mostrando lo sencillo que es incorporar datos desde diversas fuentes para su posterior análisis.