fbpx

La analítica puede ser clave en las compañías pero, ¿qué requisitos deben cumplir los datos para que aporte valor?

07 Jun 2022

Los datos son el oro del siglo XXI, y pueden ser la fortaleza o elemento diferenciador en una compañía. Pero para que supongan una ventaja competitiva, deben de cumplir unos requisitos mínimos de cantidad y calidad, así como un tratamiento específico. El gobierno del dato, así como tecnologías como la analítica predictiva, Digital Twins, el IoT, Inteligencia Artificial, Machine Learning o Deep Learning serán pilares básicos en el aprovechamiento del dato. Pero empecemos por el principio, ¿qué requisitos deben de cumplir los datos de una compañía antes de iniciar cualquier proyecto?

Revisión y mejora de la calidad del dato a utilizar

Podríamos definir modelos predictivos complejos o herramientas de Inteligencia Artificial avanzadas, pero si los datos de base no tienen la suficiente calidad, los resultados no serán fiables ni útiles.

Para contar con unos datos fiables, habrá que tener en cuenta una serie de parámetros y establecer donde está el límite de calidad a partir del cual se puede empezar a trabajar. Algunos indicadores para medir esta calidad podrían ser la desviación de una distribución, la dispersión de los valores de un sensor respecto a su media, el control de duplicados, etc.

Si, una vez analizados los datos, se decide que no tienen la suficiente calidad, habrá que tomar medidas correctoras. Tal vez se necesite una mayor cantidad de datos, mayor homogeneidad en la forma en que se almacenan, el establecimiento de un repositorio común para evitar duplicados, o cualquier otra acción correctora según el tipo de problema detectado.

Analítica avanzada como ventaja competitiva en las organizaciones

Para tratar el dato de forma estratégica, podemos establecer 5 escalones básicos: gobierno del dato, arquitectura y modelo común de datos calidad de la información seguridad y ética del dato y herramientas de analítica avanzada.

Una vez llegamos a la analítica avanzada, podremos tratar con 4 tipos de analítica:

  • Analítica descriptiva. Esta analítica nos permite conocer la situación actual, para la realización de análisis o generación de informes. Por ejemplo, podríamos saber cuántos fallos hubo en una planta solar en un mes.
  • Analítica predictiva. Este tipo de analítica se basa en hacer predicciones a futuro, así como correlacionar y clasificar la información. Por ejemplo, se puede saber qué dispositivos presentarán problemas a corto plazo.
  • Analítica prescriptiva. Si vamos un paso más allá, podemos utilizar la analítica para saber la mejor forma de optimizar un proceso. Por ejemplo, ¿cuál es la mejor opción ante un posible fallo?
  • Analítica cognitiva. Implica llevar la analítica un paso más allá, emulando el comportamiento que efectúa el cerebro humano con acciones como la comprensión del lenguaje natural, el análisis de audios o la interpretación de imágenes..

La analítica predictiva es por el momento aquella sobre la que más aplicaciones podemos encontrar de cara a la aportación de valor en las compañías. Servirá para calcular scorings, detectar anomalías, hacer predicciones, clasificaciones y contribuir a soluciones como el Edge Computing, los Digital Twins o el Machine Learning.

Tecnologías que trabajan juntas: IoT, Inteligencia Artificial, Machine Learning y Deep Learning

Es importante entender que las distintas soluciones y tecnologías no están aisladas, sino que dependen entre sí, colaborando y nutriéndose unas de otras. El IoT será clave en la recogida de datos de distintas máquinas, vehículos, piezas o cualquier otro objeto que podamos imaginar. De esta recogida podrán enviarse los datos a la nube y utilizarlos en la creación de Gemelos Digitales. Primero mediante la generación de modelos de machine learning y posteriormente simulando escenarios que permitan al negocio tomar decisiones. Otra opción será incorporar el Edge Processing al propio dispositivo, analizando los datos en el mismo dispositivo, minimizando de este modo las latencias y dotando de una capacidad de tomar acciones mucho más rápida (esto se verá potenciado por la extensión del 5G). En cualquier caso, los datos recogidos del IoT podrán trabajarse de manera independiente, o cruzarse con otro tipo de datos para realizar cualquier acción de analítica avanzada. Por ejemplo, los datos recogidos de una instalación de placas solares podrían cruzarse con los datos meteorológicos o con los datos de otros puntos de generación de energía solar.

El valor del dato para todo tipo de sectores – analítica avanzada

Para evitar quedarnos en lo abstracto, podemos ver cómo los datos aportan valor, eficiencia y ventajas competitivas en diferentes casos y sectores.

  • En el ámbito de la energía renovable, podríamos crear modelos virtuales (Digital Twins) de elementos como los molinos de viento. Esto nos permitirá introducir variables sobre el modelo, realizar un mantenimiento inteligente, monitorizar el rendimiento de manera remota, o predecir la cantidad de energía generada.
  • Si nos movemos al sector aeronáutico, podemos ver la utilidad de la analítica avanzada en el proceso de fabricación de piezas. Gracias a la sensorización, obtendremos información de las máquinas que podrán cruzarse con sus especificaciones técnicas. Así, podrá predecirse el momento de cambiar una pieza o detectarse averías rápidamente, disminuyendo los costes de reparación y los derivados de una parada en la cadena de producción. Y esto, por supuesto, podría aplicarse a cualquier otro proceso de producción.
  • Dentro de la fabricación de bienes o servicios, podríamos encontrar otras ventajas como la predicción de energía consumida o el análisis de aquellos pasos que más energía consumen, para tomar medidas y reducir tanto los costes como el impacto medioambiental. Tendría sentido también la utilización del Deep Learning para analizar la calidad de la producción o el producto final, aumentando la fiabilidad y mejorando la imagen de la compañía.
  • Si nos vamos a áreas y aplicaciones de la analítica diferentes, podríamos aplicar el clustering o la segmentación al área de Marketing, y por tanto a cualquier empresa (Banca, Seguros, Retail, etc.).

Estos son solo algunos de ejemplos de lo que pueden aportar los datos y la analítica, que ya nos dan una muestra de la amplitud de sus aplicaciones. De hecho, en una misma compañía los datos pueden servir a diferentes fines en cada departamento, siendo o no los mismos datos, con un tratamiento diferente. Por tanto, la analítica es una capa que cubre las operaciones de la compañía y es capaz de eficientarlas y crear ventajas competitivas siempre que se utilice de la manera adecuada y que, como ya mencionábamos al principio, se asegure la calidad del dato para obtener resultados fiables y de valor.

Carlos Anton

Head of Innovation Analytics

Share This