Para las organizaciones que buscan ir más allá de los informes obsoletos, la inteligencia de decisiones es prometedora, ya que les brinda la capacidad de procesar grandes cantidades de datos con una combinación sofisticada de herramientas, como inteligencia artificial y aprendizaje automático, para transformar los tableros de datos y el análisis empresarial en plataformas de soporte de decisiones más completas.
Sin embargo, las estrategias exitosas de inteligencia de decisiones requieren una comprensión de cómo se toman las decisiones organizacionales, así como un compromiso para evaluar los resultados y administrar y mejorar el proceso de toma de decisiones con retroalimentación.
“No es una tecnología”, afirma el analista de Gartner Erick Brethenoux. “Es una disciplina hecha de muchas tecnologías diferentes”.
La inteligencia de decisiones es una de las principales tendencias tecnológicas estratégicas para 2022 , según la firma de analistas, y se espera que más de un tercio de las grandes organizaciones practiquen la disciplina para 2023.
La tendencia se está gestando en un momento en que las organizaciones necesitan tomar decisiones más rápido que nunca y en una escala que aún no se ha visto. La inteligencia de decisiones ayuda a proporcionar una forma automatizada de tomar decisiones, lo que a su vez puede ayudar a las empresas a mantenerse competitivas y satisfacer las demandas del mercado, dice Brethenoux.
Pero eso requiere una comprensión profunda del proceso de toma de decisiones, los riesgos y las recompensas de cada decisión, el margen de error aceptable y la capacidad de determinar qué tan seguro debe estar en cualquier decisión que le ofrezcan sus procesos de decisión automatizados.
Aquí hay algunos consejos para ayudarle a hacer todo eso.
1. Comience con frutas maduras Resulta de gran ayuda comenzar con un proceso que esté extremadamente bien definido, sea de bajo riesgo y tenga una gran colección de ejemplos. Muchas empresas ya cuentan con dichos procesos y no todos están completamente automatizados todavía. Es posible que las empresas demasiado ocupadas con el día a día no se den cuenta de que están perdiendo estas oportunidades, señala Ray Wang, analista principal y fundador de Constellation Research. “Luego comienzan a preguntarse por qué a los competidores les está yendo mejor, pero cuando lo hacen, ya es demasiado tarde”. Incluso cuando un proceso ya ha sido automatizado, agregar más factores al motor de decisiones puede mejorar la precisión, dice. “Cuantos más atributos tenga, es más probable que esas cosas no se hayan correlacionado”, dice. Por ejemplo, una decisión de puntuación de riesgo podría mejorarse considerando la hora del día o la ubicación del usuario. Sin embargo, la conclusión clave es que la inteligencia de decisiones no es un proceso de una sola vez. Debe modificar continuamente su enfoque en función de los comentarios.
2. Deje que los nuevos datos también sean su guía Cuanto más se repita un proceso y más claros sean los resultados, más oportunidades tendrá una empresa para mejorarlo. LexisNexis, por ejemplo, utiliza su producto ThreatMetrix para tomar 300 millones de decisiones relacionadas con el fraude al día, pero las decisiones no son 100 % perfectas. “Estamos en el espectro de tomar muchas decisiones a través de un gran conjunto de datos que no ponen en peligro la vida si nos equivocamos”, comenta Matthias Baumhof, CTO de LexisNexis Risk Solutions. “Pero ofrecen un gran valor a los clientes si los acertamos en un 99 %”. LexisNexis utiliza algoritmos de aprendizaje automático para clasificar las transacciones en perfiles de comportamiento para predecir si una transacción en particular es fraudulenta o sospechosa. Hay datos históricos, para el conjunto de entrenamiento inicial, así como para el entrenamiento continuo. “Si se confirma que una transacción actual es un fraude después de unos días, y lo comparten con nosotros, podemos aprender del comportamiento fraudulento confirmado”, dice, señalando que para cualquiera que busque aprovechar al máximo la inteligencia de decisiones, ahora que los patrones de comportamiento cambian. “Una cierta cantidad de aprendizaje siempre es lo de siempre. Si no aprendes, en realidad te quedas atrás”.
3. Modifica tus algoritmos La calificación de riesgos tradicionalmente involucraba una serie de decisiones si-entonces. Si una transacción superaba un determinado monto, o fuera del área de residencia del usuario, o con un nuevo comerciante, se marcaría para revisión. Pero a medida que las decisiones se vuelven más complicadas, es difícil para los sistemas si-entonces mantenerse al día. “Incluso cuando los clientes han ajustado sus reglas durante años con analistas de fraude que conocen el espacio, llegamos con modelos de aprendizaje automático y los superamos”, asevera Baumhof. “Pero puede ejecutarlos en paralelo y obtener lo mejor de ambos mundos”. Los sistemas de aprendizaje automático actuales pueden tomar decisiones tan rápido como los sistemas tradicionales basados en reglas. Pero hace seis años, cuando LexisNexis comenzó a invertir en aprendizaje automático como reemplazo de los sistemas basados en reglas, la empresa comenzó con un modelo de regresión lineal. Un ejemplo de una relación de fraude lineal podría ser que cuanto más lejos de casa se realiza una compra, más probable es que sea fraudulenta. Pero este enfoque demostró ser demasiado simple, incapaz de detectar relaciones no lineales que no van bien en una dirección. Por ejemplo, las transacciones que son inusualmente pequeñas pueden ser una señal de fraude, ya que los delincuentes prueban un número de tarjeta o cuenta para asegurarse de que funcione. Para ello, la empresa ha recurrido al aprendizaje automático en gradiente. “Hemos dado los mejores pasos con los árboles que aumentan la pendiente”, dice Baumhof. “Proporciona alta precisión con una latencia corta”. Este nuevo enfoque se probó durante el año pasado y se implementará en la producción en el segundo trimestre de este año, dice. A continuación, la compañía planea explorar nuevas tecnologías, como el aprendizaje profundo, agrega Baumhof. “Eso definitivamente es algo en el radar, para ver si pueden vencer a los modelos actuales que tenemos”. Entonces, además de incorporar nuevos datos en su estrategia de inteligencia de decisiones, repensar los algoritmos subyacentes también puede ayudar a aumentar la calidad de sus resultados.
4. Aumente los procesos complejos, especialmente para la recopilación de datos. Cuando los pasos de decisión son menos claros, los resultados más confusos o existen mayores riesgos de tomar decisiones equivocadas, es posible que los sistemas inteligentes no puedan reemplazar toda la toma de decisiones, pero pueden aumentarla. Por ejemplo, LexisNexis utiliza el aprendizaje automático para analizar documentos judiciales, dice Baumhof, nada de que, por ejemplo, una declaración de culpabilidad deba escribirse de una manera particular para obtener una reacción positiva de ciertos jueces. O en el análisis de contratos con terceros, que en lugar de tener millones de ejemplos relevantes para la formación, pueden ofrecer solo miles o cientos de ejemplos. En esos casos, “el aprendizaje automático simplemente le daría una propuesta”, señala. “Pero un ser humano haría la versión final”. El componente de automatización de la inteligencia de decisiones puede aparecer durante la fase de recopilación de datos de la toma de decisiones, señala Wang de Constellation. No tiene que llegar a las conclusiones finales y también se puede utilizar para crear informes o generar tendencias y correlaciones. La forma antigua de recopilar datos manualmente y producir informes no es una buena idea hoy en día, dice Wang. “Quieres esa información a escala de máquina y ahora mismo”.
5. Separa a los buenos de los afortunados Con conjuntos de datos más pequeños, puede ser muy difícil saber si una decisión fue buena pero, por pura suerte, condujo a un mal resultado. O si una decisión fue mala, pero intervino la suerte y las cosas salieron bien. “La calidad de los resultados y la calidad de las decisiones no son lo mismo”, asegura Amaresh Tripathy, líder global de análisis en Genpact. “A veces tienes un gran juego de cartas y tomas las decisiones correctas, pero aun así pierdes”. Desafortunadamente, cuando se trata de decisiones complicadas y poco frecuentes, las empresas no suelen contar con mecanismos para medir esto. Pero resolver este problema no se trata de tecnología, dice Tripathy. “El primer paso es formalizar un proceso de toma de decisiones en la organización, y solo entonces se puede pensar en agregar software para respaldar ese proceso”, dice. Sin embargo, recopilar los resultados de estas decisiones y vincularlos con el proceso de toma de decisiones es un desafío. Las empresas en el espacio de marketing son las más hábiles en este momento, dice Tripathy. “Periódicamente hacen pruebas AB, cambiando los colores y las fuentes, o cambian los elementos del menú. Prueban mucho”. En las ciencias de la vida, un proceso similar ocurre con el descubrimiento de fármacos y el desarrollo de vacunas, agrega. También en recursos humanos, las empresas pueden examinar sus procesos de toma de decisiones y observar los resultados. “Con la contratación, los resultados son relativamente claros”, señala. “Puedes ver el desempeño de los empleados. La parte más difícil del negocio es cuando los resultados no son muy claros”.
6. Cuidado con los datos sesgados Las decisiones son tan buenas como los datos en los que se basan. Si el historial de una empresa es problemático, entonces un conjunto de entrenamiento basado en ese historial puede heredar los mismos problemas. Por ejemplo, una empresa que en el pasado solo contrataba a hombres blancos con educación de la Ivy League podría terminar con un sistema de recomendación de contratación que solo recomienda a hombres blancos con títulos de la Ivy League. Pero eso es sólo una parte de la historia. Las personas también están inherentemente sesgadas, manifiesta Brad Stone, CIO de Booz Allen Hamilton. Y buscarán datos que respalden sus sesgos. “Si pensamos que necesitamos más reclutadores, encontraremos datos que probarán que necesitamos más reclutadores”, explica. “Y si creemos que necesitamos más gente de operaciones comerciales, también podemos encontrar datos que respalden esto”. Y cuando las personas analizan los datos, lo hacen a través de la lente de su experiencia con ellos, dice, lo que puede conducir a conclusiones erróneas. “La pandemia en particular nos ha enseñado que no se puede confiar simplemente en el pasado para predecir el futuro”. La solución es proporcionar los barandales correctos para la toma de decisiones. “Las empresas y misiones exitosas del futuro podrán aprender del pasado mientras manejan ese sesgo”, asegura.
7. Cuando la IA funciona, confía en la IA A veces, las recomendaciones basadas en datos van en contra de todos los instintos, y no entender cómo funciona la tecnología puede hacer retroceder a una empresa por años. Michael Feindt, asesor estratégico y fundador de Blue Yonder, una empresa de tecnología de gestión de la cadena de suministro, ha visto a muchas empresas luchar para aceptar que sus instintos pueden no ser precisos. Por ejemplo, ordenar comida fresca en una tienda de comestibles es una función de costo asimétrica, dice. Si hay muy poco, los clientes se sentirán decepcionados, pero si hay demasiado, la comida se echará a perder. Los costos no son iguales. El mismo principio entra en juego con cualquier producto con una vida útil limitada, como la moda de temporada en la industria de la confección, ya que el cerebro humano no está configurado para calcular los riesgos correctamente. Por ejemplo, una cadena de grandes almacenes alemana con la que trabajó Feindt comenzó a usar IA para sus pedidos hace seis o siete años, y dejó de usarla después de tres años. “Tanto los empleados como los altos directivos no lo entendieron”, recuerda. “Los directivos no son matemáticos. Están convencidos de que tienen razón porque siempre lo han hecho así”. Así que cada año, en Navidad, los gerentes de las tiendas entran en pánico ante la idea de no tener suficientes productos. “Y compran muchísimo”, señala. “Dos semanas antes de Navidad, el director ejecutivo dice: ‘Tenemos que comer más carne y más galletas. Ordene más, ordene más. Lo que quieras pedir, añade un 50%’. El software ya sabe que es Navidad. Aquí es exactamente donde la IA es muy buena. Puede predecir estas cosas. Pero por miedo a que no les alcance, añaden el 50%. Y después de Navidad tiran ese 50%. Les costó más de un millón de euros”. La solución, dice, es tener al menos una persona involucrada en este tipo de decisiones que entienda cómo funcionan los análisis, al menos una persona cualitativa que cuente con la confianza de la gerencia.
8. Usa datos sintéticos En algunos casos, la falta de datos de entrenamiento se puede compensar con datos sintéticos. Los datos sintéticos, que son información generada artificialmente que se modela con precisión para su uso en lugar de datos históricos reales, pueden proporcionar a los sistemas de aprendizaje automático más combustible para funcionar. Su uso puede permitir a las empresas aplicar inteligencia automatizada a muchos más casos, dice Brethenoux de Gartner. También puede permitir que las empresas entrenen para eventos de cisne negro o escenarios inusuales. “Los datos sintéticos se están convirtiendo en una de esas técnicas que nos ayudan”, afirma. Según la analista de Gartner Svetlana Sicular, para 2024, el 60 % de los datos utilizados para el desarrollo de soluciones de Inteligencia Artificial y análisis se generarán sintéticamente, frente al 1 % en 2021.
9. Use ejercicios de simulación para simular varios resultados En muchas situaciones, tomar la decisión correcta es imposible, ya que demasiados factores externos tienen una influencia indebida en el resultado. Una nueva ola de COVID, otro petrolero atrapado en un canal, una sequía regional, el estallido de una guerra: cualquiera de estos podría tener un impacto dramático en un negocio, pero son completamente impredecibles. Eso no significa que las empresas sean impotentes. En su lugar, pueden ejecutar simulaciones para prepararse para múltiples escenarios. Y pueden recopilar todos los datos para tomar una decisión lo más informada posible. Pero hay un límite en cuanto a lo lejos que pueden llevarlo los datos y el análisis. “Participé en muchas decisiones de adquisición”, afirma Brethenoux de Gartner. “A veces, los directores ejecutivos se enamoran de un trato. Es divertido y emocionante. Y a veces se olvidan de los principios básicos”. Pero con las grandes decisiones, muchos factores entran en juego, dice. Uno de esos factores podría ser si el CEO puede reunir a las personas contra viento y marea. “A veces son visionarios”, dice. “Lo hacen funcionar puramente por carisma, nada que ver con el valor del trato. Si él o ella es ese tipo de persona, podemos ignorar los datos porque el CEO puede hacer que funcione”.
10. Empiece poco a poco y aprenda Lo importante es considerar la inteligencia de decisiones como una posibilidad viable y probarla. “Se puede empezar poco a poco”, sugiere Brethenoux de Gartner. “De hecho, muchas empresas ya están haciendo inteligencia de decisiones sin llamarlo inteligencia de decisiones”. Eso incluye minoristas en línea que tienen motores de recomendación, por ejemplo. Pero no siempre están aprovechando todas las perspectivas que requiere la inteligencia de decisiones, dice. “Cuando la gente actúa siguiendo una recomendación, hay una transacción”, dice. “Pero cuando no compran, muy pocas organizaciones analizan eso. No analizan las transacciones que no suceden. Pero, ¿por qué la gente no compra? ¿Fue el producto equivocado, el precio equivocado, el momento equivocado? Con una mentalidad de inteligencia de decisiones, esas transacciones que no son transacciones también deben analizarse, dice. “Se puede hacer inteligencia de decisiones hoy”, concluye Brethenoux. “Simplemente agregue un poco a su inversión y haga algo”.
Maria Korolov, CIO.com
