¿Cómo lograr que los datos generen valor? Principales conclusiones del Data&AI Summit 2021

Conoce importantes insights del Data&AI Summit 2021, foro de expertos donde nos enseñan cómo los datos generan valor y así poder mejorar nuestras decisiones y procesos para lograr un mayor impacto en la vida de miles de personas.

July 5, 2021

En Intercorp tenemos como objetivo ser una organización data-driven con foco en los datos para la mejora de nuestros procesos y toma de decisiones. En línea a este objetivo es que Intercorp participó en el Data&AI Summit 2021, organizado por Seminarium y UTEC, cuyo propósito es el de difundir, a través de renombrados ponentes nacionales e internacionales, cómo la ciencia de datos y las innovaciones en inteligencia artificial están cambiando la manera como el mundo y las organizaciones crean valor. Ivan Herrero, nuestro Chief Data Officer, fue uno de los expertos invitados a cargo de la charla “Cultura Analítica en Intercorp”.

A continuación, les compartimos algunos importantes takeaways de este evento:

Iván Herrero: Cultura Analítica Intercorp (CDO Intercorp)

Iván explicó la importancia de una cultura analítica como parte de la transformación de nuestras empresas y las principales barreras que debemos superar ya que causan que el 90% de estas fracasen.

Una cultura analítica es muy importante dado que acelera el logro de objetivos, aporta mayor agilidad y eficiencia en la compañía y coloca al cliente en el centro de la estrategia. Las principales barreras de la transformación analítica en las empresas son: El ego, la resistencia al cambio y el miedo a lo desconocido.

Iván aclaró además que el mindset es importante, pero la actitud frente al cambio y el liderazgo es lo que realmente mueve la capacidad de las empresas. Sobre esto, el factor que más afecta a que los líderes impulsen la transformación con su ejemplo, es el conocimiento.

Es por esto que, en el 2021, en Intercorp realizamos el Data Stars Summit, que fue un espacio de reflexión dirigido a más de 160 líderes de primera línea del grupo con invitados expertos internacionales.

Recalcó que es muy importante entender qué significa generar valor para el negocio, buscar generar valor y, lo más importante, comunicar el valor que se genera para que los casos de éxito sean los catalizadores que impulsen la transformación analítica en la compañía.

Asimismo, comentó que se viene impulsando la transformación tanto en los puestos estratégicos, mediante un Comité Corporativo de Estrategia de Datos, como en las áreas operativas, por lo que se creó una comunidad de data y analytics llamada Inside, donde se comparten ideas y buenas prácticas de iniciativas de analítica y se resuelven necesidades comunes entre las empresas del grupo.

Tom Davenport: Obteniendo valor de AI y Analytics (Babson/MIT/Oxford)

Tom explicó el contexto mundial y nacional, procesos y beneficios de implementar estrategias de AI y Analytics en nuestras empresas. Para que podamos percibir eficientemente las ventajas de tener estas estrategias implementadas, el procedimiento debe ser:

  1. Pensar en grande: Elabora estrategias sobre cómo la analítica y la IA pueden transformar nuestro modelo de negocio o procesos.
  2. Empieza de a pocos: Empieza con pequeños pilotos y con metas no muy ambiciosas, pero asegúrate degenerar sustancial impacto.
  3. Escala: Desarrolla un pipeline a producción
  4. Skill out :Intensifica el proceso, pero ofreciendo capacitación en habilidades y brindando a los colaboradores, opciones de trabajo y tiempo para una adecuada transición.
  5. Construye capacidades analíticas para adoptar AI.
  6. Transita tu cultura a una data-driven
  7. Coloca a alguien que gobierne Analytics y AI.

Bill Schmarzo: Ingeniería del valor, obteniendo valor con AI y Analytics (Data Science & Monetization Adjunct Professor, Menlo College)

Bill explicó puntos muy relevantes sobre cuál es el proceso para realmente obtener valor de las iniciativas de AI & Analytics, sobre qué se entiende por Data Literacy y sobre cómo el Design Thinking puede servir como herramienta para potenciar los proyectos de Machine Learning.

Para Bill, la ciencia de datos se trata de identificar esas variables que pueden ser los mejores predictores del desempeño.

Aclaró que debemos educar a los stakeholders con el poder de la curiosidad y la innovación. Con ellos se debe explorar las diversas fuentes de información, tipos de visualización que sean más eficientes y sobre todo incluirlos en el proceso de Machine Learning para que entiendan durante el desarrollo qué es lo que va a pasar, con total transparencia, así no habrá confusión de por qué demora mucho este tipo de proyectos, o si la métrica de precisión de, por ejemplo, 90% es lo suficientemente buena, ya que solo el negocio podrá responderlo con resultados como el costo de los falsos positivos y falsos negativos

Asimismo, mencionó que es vital la combinación del Design Thinking con el Machine Learning ya que el primero “humaniza al segundo, dándole un enfoque centrado al cliente a las iniciativas de tecnología

Ingo Mierswa: Deepfake is for Losers, y otras confesiones secretas de un científico de datos(Founder & CTO Rapid Miner)

Ingo comentó que muchas empresas realizan fuertes inversiones en Analytics, pero el modelo analítico que no llega a estar en producción no tiene ningún valor, y menos de 1% de estos realmente llega a esa etapa.

Asimismo, mencionó que muchos científicos de datos erróneamente solo apuntan a una o dos métricas, y se concentran en optimizar estas en el desarrollo a fin de lograr un modelo exitoso (esto impulsado principalmente por las plataformas de competencias de modelos analíticos). Pero se debe garantizar realmente 4 puntos básicos:

  1. Performance durante el tiempo
  2. Drift detection: El concept drift significa que las propiedades estadísticas de la variable objetivo, que el modelo está tratando de predecir, cambian con el tiempo deformas imprevistas.
  3. Comparar modelos analíticos “simples” vs los complejos. Empezar con modelos simples y tener una historia de su performance te dará una línea base para que cuando se desee aplicar modelos más complejos se pueda concluir si sus resultados son suficientemente buenos y si justifican los esfuerzos y costos que estos implican.
  4. Impacto al negocio en el tiempo: Se debe monitorear continuamente el impacto positivo que el modelo genera al negocio, ya que de nada sirve tener un modelo “excelente” si estos realmente no mejoran los objetivos estratégicos fijados.

Finalmente recalcó los pilares necesarios para un científico de datos:

  • Resiliencia sobre precisión: Debes construir modelos que perduren en el tiempo, no solo del momento.
  • Responsabilidad: Toma responsabilidad de los errores accidentales que puedan existir y tómalos como oportunidad.
  • Implementa temprano, monitorea y mejora.
  • Impacto >optimización: Foco en el impacto al negocio y no sobre tener el “modelo perfecto”.
  • El modelo más simple es usualmente el mejor porque es muy entendible e interpretable por los stakeholders, teniendo mayor adopción.

Tags:
#Comparte

...

Últimas publicaciones