Parte 2 - La importancia de la Analítica de Datos, su estado actual y la comparación con la Estadística y el Machine Learning, en la gestión de las organizaciones contemporáneas

Parte 2, las mismas aclaraciones y advertencias realizadas para la parte 1.

Machine Learning: El rendimiento

Se puede ser un ingeniero especializado en machine Learning o inteligencia artificial si usted puede decir que puede construir un modelo que pasa la prueba con 99.99999% de precisión. Los ingenieros de machine Learning saben que la solución perfecta no se encuentra en un libro; ellos se comprometerán a una maratón de ensayo y error. La intuición de qué tan largo va a ser el proceso es un valor agregado y es más valioso que conocer el funcionamiento específico de los algoritmos. Rendimiento significa que el modelo es fiable, escalable y fácil de sostener.

Como resultado de las características anteriores se va a tener un sistema que automatiza tareas complejas, de tal manera que satisface las expectativas y pruebas del estadístico y que además proporciona el rendimiento que requieren los líderes de las organizaciones.

Una de las características de los estadísticos y los programadores es que se empeñan en soluciones que requieren bastante esfuerzo. Es por eso indispensable que la organización tenga claro cuáles son los problemas que se deben solucionar, de lo contrario todo el esfuerzo será perdido. Los estadísticos y programadores tienen un pensamiento específico y brindan soluciones profundas. Siempre hay que recordar esto y seleccionar bien el problema o encontrar una manera amplia y general de definirlo.

Teniendo en cuenta las características de cada uno de estos perfiles, es claro que el mejor equipo que se pueda desarrollar va en la vía de tener los tres tipos de conocimientos y habilidades que se complementan en precisión, capacidad de análisis y optimización para el desarrollo. En las grandes industrias sobre todo aquellas que requieren altos niveles de análisis para abordar la incertidumbre el equipo que se conforma es robusto en las características anteriores. Para una empresa pequeña o mediana lograr el constituir un equipo de estas características puede resultar costoso sobre todo al inicio del proyecto, mientras los miembros del equipo se familiarizan con los datos a estudiar, y se escogen los modelos a aplicar.

Los mejores analistas son rápidos programadores que pueden navegar rápidamente en bases de datos, encontrando ideas más rápidamente que los otros especialistas. Los analistas identifican información útil de manera rápida y la representan gráficamente de manera que la mente puede entender la información mejor y de una manera más eficiente. El resultado es que la organización cuenta con información que puede inspirar a quienes toman las decisiones a selecciones retos valiosos para que los estadísticos y programadores solucionen [1].

Los analistas relatan historias. Su objetivo es resumir información crucial y usar esta para inspirar. En algunas organizaciones usan estos hallazgos para tomar decisiones o para hacer seguimiento estadístico de estos mismos. Incluso si la estadística es necesaria para probar las hipótesis, los analistas son la solución para llegar a esas hipótesis en primer lugar [2].

Sin embargo, los analistas deben revisar primero la historia que quieren contar y revisarla de diferentes ángulos para ver si es congruente, antes de llevar la información a quien toma las decisiones. Luego los gerentes, debe funcionar como un filtro entre la exploración del analista y el rigor de los estadísticos [3].

Los programadores por su parte obtienen una gran cantidad de datos y le aplican algoritmos, cambian las configuraciones y crean múltiples iteraciones hasta que los resultados esperados son producidos. En la practica un negocio habitualmente tiene muchos ingredientes potenciales para reunirlos todos de una. Una manera de llegar a un conjunto de datos que pueda tener algún valor es por medio de la analítica de datos [4].


En nuestro sistema de salud colombiano encontramos una brecha importante frente a las disciplinas que conforman el grupo de ciencias de datos, algunas veces opacadas por el hecho de que los desarrollos para análisis vienen prefabricados de otras industrias, de otros países, de otras problemáticas, o porque el desarrollo de las herramientas de análisis han sido lideradas por los equipos de TI encargados del software, y el hardware de las organizaciones y estos  han dedicado esfuerzos significativos a realizar desarrollos que no quieren ponerlos en riesgo por el advenimiento de otras disciplinas, esto es peligroso en el sentido que podemos quedarnos viendo el mismo conjunto de datos sin darle la oportunidad a nueva información que pueda llegar a ser útil para la toma de decisiones sobre todo en momentos de cambios y transformación, o porque se arraigan modelos de análisis que a la luz de la potencialidad de las herramientas actuales, los puede dejar rezagados en un mundo que avanza a pasos agigantados.

[1-4]- Kobyakov, C. (2018) What Great Data Analyst Do - And Why Great Organization Needs Them. Harvard Business Review. Recuperado de: https://hbr.org/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them

 

 

Parte 1 - La importancia de la Analítica de Datos, su estado actual y la comparación con la Estadística y el Machine Learning, en la gestión de las organizaciones contemporáneas.

Introducción:

Este artículo a diferencia de los previos que publicamos tiene incluida información tomada de artículos recientes del HBR e incluye apartes sobre nuestra propia experiencia como grupo consultor sobre lo que hemos observado que está sucediendo en el entorno empresarial colombiano y lo que consideramos será el desarrollo futuro sobre la materia.

En los apartes que se utiliza la traducción del texto original de los autores más adelante mencionados, se hacen las respectivas citas, y la traducción que puede contener comentarios del traductor para facilitar la lectura.

Kobyakov, C. (2018) What Great Data Analyst Do - And Why Great Organization Needs Them. Harvard Business Review. Recuperado de: https://hbr.org/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them

También es importante aclarar que este artículo esta escrito por el grupo editorial de MD&CO Consulting Group, y que adicional a nuestra advertencia emblemática de que tiene propósitos académicos para promover la revisión de la literatura disponible sobre el tema, es necesario advertir que uno de los focos de desarrollo en nuestro portafolio de servicios se encuentran herramientas que facilitan la aplicación de este tipo de conocimientos en la gestión de nuestros clientes actuales y futuros.

Lo distribuiremos en dos entradas al Blog para facilitar la lectura.

PARTE 1

Lo que hace un gran analista de datos y ¿por qué todas las organizaciones requieren de sus servicios?

Un buen grupo de analistas de datos está compuesto por personas que tengan conocimiento en Machine Learning, Estadística y Analítica de datos[1].

La analítica de datos (o la minería de datos o la inteligencia de negocios), ha disminuido el nivel de confianza se ha afectado desde que el Machine Learning y la estadística se han vuelto más apreciadas entre compañías, el mercado laboral y los medios de comunicación.[2]

Lo que hay que entender es que las tres profesiones bajo la sombrilla de la ciencia de datos son completamente diferentes entre ellas. Puede que usen los mismo métodos y ecuaciones, pero hasta allí llegan las similitudes entre ellas, los buenos analistas son un prerrequisito para lograr la efectividad en los esfuerzos de los análisis. Es peligroso que ellos renuncien, y es lo que harán si usted no los valora.

En lugar de pedirle a los analistas que desarrollen sus estadísticas o sus habilidades en Machine Learning, considere motivarlos a buscar las alturas de su propia disciplina primero.

Así que vamos a examinar como se presenta la excelencia en cada una de las disciplinas de la ciencia de datos, cuál es el valor que agregan, que rasgos personales son requeridos para sobrevivir en cada trabajo. El hacerlo ayudará a explicar por qué los analistas son valiosos, y como deben ser utilizados al interior de una organización. [1]

En nuestro medio local colombiano, vemos en las organizaciones diferentes tipos de preferencias y de desarrollos a nivel de la ciencia de datos, la cual es probablemente incipiente sobre todo en las pequeñas y medianas industrias. Aún encontramos resistencia al análisis de los datos, instituciones que toman decisiones incluso estratégicas con muy poca información, en algunos casos con análisis estadísticos que solo permiten la caracterización de la información o con métodos de análisis que se han quedado arraigados en el tiempo, solo porque es la forma como se presentan los informes y porque es la manera de hacer entender al tomador de decisiones los resultados de dichos análisis. Falta invertir en equipos que integren la ciencia de datos dentro de los procesos organizaciones para toma de decisiones tácticas, estratégicas incluso operacionales.

La estadística

Un especialista en estadísticas llega a conclusiones de manera segura, puesto que para inferir algo debe tener todos los elementos de cálculo y haber escogido los métodos que se utilizan y además de verificar que son los correctos para la pregunta que están afrontando y se preocupan por confirmar si las inferencias son válidas de acuerdo con la información disponible.

¿Cuál es el resultado? Una perspectiva que permite a los líderes tomar importantes decisiones controlando los riesgos. En otras palabras, Los estadísticos utilizan la información que está a su alcance para disminuir las probabilidades de que usted llegue a una conclusión incorrecta.

 [1]-2-3 Kobyakov, C. (2018) What Great Data Analyst Do - And Why Great Organization Needs Them. Harvard Business Review. Recuperado de: https://hbr.org/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them

 

 

ESTUDIO DE MERCADO: CASO HARVARD

A continuación, se presenta la traducción del texto original del artículo de los autores más adelante mencionados realizado por el equipo del comité editorial de MD&CO Consulting Group. Esta traducción se realiza con fines académicos para promover la revisión de la literatura disponible sobre el tema. Se advierte que la traducción puede presentar notas realizadas por el traductor con el objetivo de facilitar la comprensión del documento y disipar ambigüedades que puedan existir por las diferencias en los idiomas.

Schulman, K. & Cheek, C. (2017) From mHealth hackathonto reality: diabetes care. Harvard Business Review. Recuperado de https://hbr.org/product/from-mhealth-hackathon-to-reality-diabetes-care/317105-PDF-ENG

Un grupo de profesionales de diferentes disciplinas y universidades en los Estados Unidos se reunieron en un hackathon en Charlotte para crear una aplicación móvil en salud. El grupo analizó los siguientes aspectos del mercado:

 

1.      Los factores de salud considerados por los programadores con respecto a las bases de datos.

2.      La estrategia de fidelización de usuarios.

 

Con respecto a los factores de salud analizados se crearon y definieron las siguientes categorías: actividad física (introducir ejercicio diario realizado), nutrición y calorías (Introducir información adicional), educación en salud (informativo), manejo del estrés (herramientas e información), sueño (herramientas), salud mental (información), cesación de tabaquismo (herramientas e información), manejo del dolor (herramientas e información) entre otros.

Con respecto a la estrategia de fidelización analizaron el método para lograr cautivar a los usuarios o pacientes y generar cambios en su comportamiento, las categorías y definiciones son: cambio en el ambiente personal (funciones que afectan nuestros sentidos como imágenes y sonidos para promover bienestar), apoyo social (interactuar con otros usuarios), creación de metas y objetivos (poner metas personales especificas), seguimiento del progreso hacia el objetivo deseado (monitorear progreso), refuerzo interno o externo para alcanzar el objetivo deseado (recibir motivación automatizada), monitoreo (ingresar datos), refuerzo social al compartir progreso con terceros (compartir progreso por redes sociales) y comparación de resultados con terceros (comparar progreso con otros).

Se analizaron 250 aplicaciones en la tienda Android, bajo la búsqueda de diabetes. La mayoría fueron gratis y 33 tenían un precio promedio de USD $ 5.66, la búsqueda se limitó a aplicaciones para ser usadas por los pacientes, con texto en inglés y que no fuesen dirigidas a ningún mercado por fuera de EU. Se revisaron 25 aplicaciones en las siguientes categorías: más populares gratis, mejor ranking, más populares compradas y mejor ranking compradas. La muestra fue de 126 aplicaciones de las 250 disponibles. El precio promedio de las 25 aplicaciones revisadas fue de USD $3.19.

La última fecha de actualización comprende desde el año 2012 al año 2016. Los resultados muestran que el mayor número de aplicaciones se concentra en la categoría de seguimiento de progreso hacia una meta, nutrición y actividad física. Las aplicaciones compradas tenían dos factores de salud, siendo dieta y actividad física las más comunes y el factor de fidelización más frecuente fue el monitoreo; el precio promedio fue de USD $3.10.

También analizaron la competencia comercial, así como el mercado de las aplicaciones. Se analizaron conceptos de economía comportamental como lo es el efecto de pertenencia, que explica la ventaja de que las aplicaciones sean compradas y no gratuitas, la teoría del encuadre (framing) que ayudaría a crear incentivos ya sean con refuerzo positivo o negativo, diseño amigable (choose architecture) para que los usuarios continúen utilizando la aplicación dada la facilidad en la toma de decisiones debido a que evita el desgaste de escoger entre muchas opciones, y “Emoción” que es reconocer que las emociones afectan las decisiones.

Los incentivos pueden ser tangibles o intangibles, estos son necesarios para que los usuarios continúen utilizando la aplicación por que la gratificación instantánea ayuda a reforzar el cambio comportamental a largo plazo. Las personas responden a incentivos financieros (descuento en primas), sociales (mensajes de texto felicitándolos por su progreso), tangibles (regalos), intangibles (puntos).

De acuerdo al modelo de negocio se consideraron diferentes opciones: inversión de capital, asociación con firma del sector salud, asociación con laboratorio farmacéutico y  se considero que si ninguna de las anteriores funcionaba se debía abandonar el proyecto.

Anexo: Regulaciones de la FDA para aplicaciones móviles

La FDA clasifica las aplicaciones móviles en tres categorías:

1.      Satisfacen la definición de equipos médicos, pero serán reguladas bajo la discreción de la FDA

2.       Son estrictamente reguladas por la FDA

3.      No cumplen la definición de equipos médicos.

La primera categoría está compuesta de aplicaciones móviles que permiten diagnosticar, tratar o prevenir alguna condición médica. Pero la FDA no las regula estrictamente dado al bajo riesgo que estas presentan al público. Algunos ejemplos son: Aplicaciones que graban las conversaciones durante las visitas médicas y envían el link a los pacientes para futuras referencias, aplicaciones que permiten al paciente o cuidador enviar mensajes de alerta o notificaciones de emergencia a las entidades correspondientes, aplicaciones que monitorean la formula medica actual y envían recordatorios a los pacientes para la toma de sus medicamentos, aplicaciones que permite al paciente monitorear su glucosa y otros factores importantes para compartirlos eventualmente con su médico.

La segunda categoría está compuesta por aplicaciones móviles que son consideraras equipos médicos ya que interfieren directamente con el diagnostico o tratamiento de los pacientes. Estas se dividen en cuatro subcategorías. Las que transforman una plataforma móvil en un equipo médico, las que contienen recomendaciones sin compromiso, las que se conectan a un equipo existente para controlar su operación y las que recopilan datos de un equipo existente para monitoreo y análisis continuo de condiciones específicas de los pacientes. Ejemplos, respectivamente son: el electrocardiograma y el estetoscopio eléctrico, sensores conectados a una plataforma móvil para medir parámetros fisiológicos como la actividad eléctrica del cerebro y aplicaciones que miden la saturación de oxígeno en la sangre para diagnosticar enfermedades específicas, aplicaciones móviles que alteran el funcionamiento de una “bomba de infusión” y aplicaciones que calibran, controlan o cambian los ajustes de un implante cochlear, y por ultimo aplicaciones móviles conectadas a monitores cardiacos  que transfieren la información a una estación central para activo monitoreo de los pacientes.

La FDA requiere que se reporte cualquier error o anormalidad en el funcionamiento de las aplicaciones de la segunda categoría y llevar un control exacto de cualquier modificación que se le haga a las mismas.  Además, exige que se siguán los modelos para la manufactura de equipos médicos llamada Regulación de Calidad de Equipos (QS por sus siglas en ingles). Por último, los creadores de estos equipos médicos deben ser registrados anualmente con la FDA y proporcionar una lista del tipo de aplicaciones que están creando.