Gamers ahora disponen en Latam de SSD más fría
Transformaciones como la omnicanalidad o la IA solo tienen sentido con una base de Analítica.
Los datos en bruto son ruido. Procesados debidamente son un activo de gran valor.
Otras tecnologías suelen opacar el rol de la analítica y la ciencia de datos en la Transformación Digital que experimenta nuestra sociedad.
Pero para que la expresión “los datos son el nuevo petróleo” se requiere de Analítica y ciencia de datos. El dato en bruto es fut-il y suele ser inútil.
Requiere de minería y análisis para capitalizar su valor práctico y estratégico.
O, como lo señala Héctor Cobo, VP Regional para SAS México, Caribe y Centroamérica, la analítica hace compresible el dato tanto para los usuaeios como para los tomadores de decisiones.
“La analítica toma loss datos de nuestras Comoras e interacciones y los traduce a un lenguaje en que los podamos entender. Este análisis les revela a las empresas cosas que de otro modo pasarían por alto”, explicó VP Regional para SAS México y CAC, Héctor Cobo.
El ejecutivo destacó que está capacidad de interpretación implica desglosar la lógica interna de un modelo y explicar cómo llega a sus predicciones.
Corrientes en consolidación
Para Cobo, todo ello es esencial para comprender por qué un modelo toma ciertas decisiones y para ganar confianza en su validez.
Veamos algunas de las principales tendencias en la adopción clave para la innovación, agilidad y eficacia dentro de las organizaciones según SAS y su vicepresidente para la región
1.- Inteligencia Artificial y Analítica Responsable
ChatGPT y otras tecnologías de IA generativa están en todos los titulares.
Sin embargo, aún existe una brecha entre la promesa de la IA y su aprovechamiento -y el de sus datos- para resolver importantes retos empresariales y mejorar la vida de las personas.
Lo importante es conocer cómo una organización líder en analítica e IA como SAS puede proporcionar una hoja de ruta para poner la IA en acción y cumplir la promesa de la analítica para todos de forma responsable en todas partes.
2.- Plataformas nativas en la nube híbridas
Ante la evolución que va generando la analítica, las empresas deben contar con plataformas y herramientas que les permitan adaptar y atender todas sus necesidades.
Un ejemplo es SAS Viya, la cual permite llevar a cabo todo el ciclo de vida de la analítica desde una única interfaz gráfica de usuario, haciendo que la transición entre las etapas del ciclo de vida analítico sea fluida.
Precisamente, un estudio comparativo recientemente publicado, reveló que la plataforma de analítica e Inteligencia Artificial, SAS Viya es, en promedio, 30 veces más rápida que las alternativas de software comercial y de código abierto.
Además, se adapta mejor a datos más grandes y complejos.
3.- Confianza digital
La confianza del consumidor en el ecosistema de pago digital global en expansión es un imperativo, y esa confianza se basa en las empresas que hacen un uso eficaz de las tecnologías avanzadas de autenticación de clientes y antifraude, incluida:
- La IA
- El aprendizaje automático
- Y la biometría
Con ellas se puede detectar y prevenir el fraude en todos los canales.
Es decir, las soluciones basadas en IA y analítica logran disminuie tanto el fraude como el riesgo dentro de las organizaciones. Y esto es vital.
4.- De Code a No-Code: Caminos Alternativos para Analistas de Datos
Aunque la programación brinda la máxima flexibilidad en la analítica, hay una gran cantidad de tareas en el ciclo de vida analítico en las que iterar rápidamente es mucho mejor que utilizar programación.
Ejemplo de ello son el análisis exploratorio de datos y los modelos preliminares de aprendizaje automático.
En estos casos, la analítica permite proveer a la organización de:
- Mayor agilidad
- Integración de datos
- Y una mejor experiencia a los usuarios del negocio
5.- Datos sintéticos para una mejor interpretación de modelos y evaluación de sesgos
Se refiere al proceso de utilizar de forma óptima los datos sintéticos.
Estos sirven para comprender y analizar los resultados de modelos de aprendizaje automático (machine learning) que determinan:
- Cómo toman decisiones las organizaciones
- Y si éstas están sesgadas en ciertas direcciones
