analitica de datos

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