Según el World Economic Forum las 10 capacidades profesionales más importantes para 2025 se agrupan en cuatro tipologías: Resolución de problemas (cinco capacidades), tecnología (dos), self-management (dos) y trabajar con otros (una) tres entre las 10 capacidades esenciales para trabajar en 2025, por tanto, parece que la resolución de problemas será (es) esencial en los trabajos y no únicamente para expertos o técnicos como Científicos de datos o especialistas en inteligencia artificial.
El proceso de resolución de problema podemos resumirlo de forma muy sencilla en entender el problema (obtener información), asegurarse que se tienen todos los datos, analizarlos y tomar una decisión o iniciar el proceso de resolución. Este proceso es análogo al usado en los proyectos de Big Data e IA en las empresas, donde el proceso habitual proyectos de datos para que convertir datos en valor podemos dividirlo en cuatro fases: captación, enriquecimiento, procesado y activación.
- La Captación de datos consiste en registrar y almacenar todos los datos posibles, de sensores, páginas web, llamadas telefónicas…, cualquiera de las fuentes de información donde la empresa esté presente. Aunque esta parece una fase eminentemente tecnológica, desde marketing hay que preguntarse qué datos podrían captarse y para qué servirían.
- El Enriquecimiento, consiste en cruzar datos de diferentes fuentes permitiendo tener una visión global. Son necesarios datos de calidad y criterios para poder unir datos. Esa fase vuelve a ser tecnológica y de proceso, se necesita un correcto gobierno del dato.
- La fase de Procesado corresponde al análisis o la creación de un modelo. Para esta fase se necesitan también recursos tecnológicos y talento, en forma de científico de datos, por ejemplo.
- La fase de Activación corresponde a dar valor a los datos bien tomando una decisión o lanzado un proceso automático.
Podemos entender Big Data como la disciplina que aúna tecnologías para las fases de captación y enriquecimiento, son disciplinas muy técnicas que solucionan los pasos de recogida de información, almacenamiento y primer procesado de la misma. Aquí aparecen los roles como Ingeniero de datos o Arquitecto de datos entre otros, perfiles relacionados con la tecnología.
Centrándonos en fases de procesado y activación, donde buscamos extraer conocimiento y conclusiones de los datos, encontramos algunas aplicaciones de la inteligencia artificial. De manera simplificada la IA a través del machine learning nos permite hacer 6 acciones: predecir un número (¿Cuánto voy a vender?), clasificar un elemento en diversas categorías (¿este mail irá a spam o no? ¿esta imagen es de un tipo u otro?), segmentar o clusterizar (¿Cómo identifico grupos de clientes, productos...?), identificar patrones (¿cómo se comportan mis mejores clientes?), optimizar (¿cómo consigo mejores resultados con el mismo presupuesto? ¿Cómo ahorro costes logísticos...?). En estas fases aparecen los especialistas en IA y los científicos de datos como responsables de la creación de modelos para explotar los datos. Los Data Scientist, una de las profesiones más demandadas en la actualidad, aúnan capacidades técnicas para la programación, estadístico-matemáticas para entender los modelos estadísticos a usar, de negocio para entender el caso de uso a resolver y comunicativas para poder hacer inteligible los procesos usados y los resultados para los tomadores de decisiones.
La resolución de problemas parece ser (es) esencial en los trabajos y no únicamente para expertos o técnicos como Científicos de datos o especialistas en inteligencia artificial
Identificamos el Big data y la inteligencia artificial como claves para la competitividad por tanto las empresas deben obtener los recursos necesarios para lanzar iniciativas de Big Data e IA. Sin embargo, los proyectos de big data y de IA fracasan en un alto porcentaje (65% en España) y se exponen como razones: falta de los datos correctos y del talento necesario, no generar valor con el proyecto, no responder a la pregunta de negocio correcta, aplicar un proceso incorrecto o tener en la empresa una cultura reacia al uso de big data. Revisando estos factores, además de temas de recursos técnicos (tecnología y especialistas) se necesitan trabajar sobre las otras capacidades (procesos, preguntas y cultura) y es aquí donde se encuentra otra disciplina a explotar en las empresas que está relacionada con la estrategia, gobierno y monetización del dato. El rol del CDO, Chief Data Officer, es el encargado de este ámbito definiendo la estrategia de datos, coordinando las necesidades de negocio con los recursos tecnológicos, encontrando casos de uso que aporten retorno y monetización de los datos, trabajando en los procesos de gobierno del dato y en la cultura de la empresa para hacerla data-driven.
Hasta aquí se han visto roles directamente relacionados con los procesos de datos (ingeniero, arquitectos, científicos de datos, especialistas en IA, CDO...) a los que se pueden unir otros especialistas en cyber seguridad o protección de datos (CISO, DPO,..), pero ¿Qué sucede con otros roles? ¿Como quedarán impactados?
Si nos planteamos por qué la cultura empresarial aparece cómo principal factor de fracaso de iniciativas Big Data + IA, podríamos concluir que una vez las capacidades técnicas (tecnología, análisis) son adquiridas por la empresa y que el vínculo entre datos y negocio es correcto, las barreras las encontramos en las personas, quienes son la esencia de la cultura de la empresa. Salvo especialistas, los perfiles de negocio no hemos sido educados en el uso de datos y por tanto tenemos carencias en saber y entender cómo sacarles provecho y activarlos. La Inteligencia artificial nos ayuda a trabajar con datos, realizar modelos predictivos, segmentar... pero si no entendemos cómo funciona o dónde aplicarla será difícil explotarla. No se trata de que todos sepamos diseñar o usar técnicas de inteligencia artificial, pero si entender que es un algoritmo, dónde podemos aplicarlo y a alto nivel cómo funciona.
Salvo especialistas, los perfiles de negocio no hemos sido educados en el uso de datos y por tanto tenemos carencias en saber y entender cómo sacarles provecho y activarlos
De alguna forma, a parte de la formación, se necesita hacer accesible los procesos de big data e IA a no técnicos. De igual forma que podemos hacer un informe sin saber cómo hacer una consulta de base datos o usamos fórmulas en soluciones ofimáticas sin saber cómo están programadas sería ideal que en casi cualquier puesto de trabajo todos pudiéramos aprovechar de modelos y técnicas de inteligencia artificial que nos ayuden en nuestra toma de decisiones sin ser técnicos. En este punto encontramos las soluciones de autoML, pensadas para simplificar tareas repetitivas o monótonas de los científicos de datos: limpieza de datos, revisión de indicadores, entrenar un modelo de Machine Learning, publicar resultado y pasarlo a producción. Sin embargo, la potencialidad de las soluciones de autoML es poner al alcance de todos tecnología IA, un no técnico puede entrenar un modelo de machine learning, obtener resultados y ponerlos en producción. El riesgo es hacerlo sin las bases necesarias de conocimiento.
En resumen, si queremos aprovechar toda la potencialidad de big data e inteligencia artificial en una empresa necesitamos de capacidades técnicas (tecnología, talento analítico), de procesos (gobierno del dato) y de dotar a los empleados de la empresa de las capacidades que les permitan confiar y saber trabajar con datos. Parte de estas capacidades podrán darse a futuro con soluciones de autoML igual que hace décadas aparecieron las hojas de cálculo.
En la última edición de MWC23, en la colaboración de ESIC con la Mobile World Capital realizamos un taller sobre Big data, Inteligencia artificial para personas interesares en adentrarse profesionalmente en estas temáticas. Durante la sesión se explicaron los conceptos básicos de Big data, Inteligencia artificial, Machine Learning o ciencia de datos, se discutieron oportunidades laborales, frenos para la adopción de big data e IA en las empresas, relación con conceptos de sostenibilidad, seguridad y ética y se realizaron prácticas con soluciones de autoML como BigML, DataRobot o Google Teachable Machine realizando e implementando modelos de IA sin programar. Queda mucho por recorrer, se requiere de mucha formación y de gestión del cambio, pero la presencia de aplicaciones de IA en puestos de trabajo de forma similar a como se implantaron soluciones ofimáticas parece un camino casi inevitable