Actualidad

Las pymes temen la complejidad y costes de la analítica de datos

Aprovechar el potencial de los datos todavía es algo poco común en las pymes. Las empresas más frecuentes en el tejido español no terminan de implementar soluciones de analítica de datos e inteligencia artificial por miedo a su complejidad y coste. Lo valora la consultoría de data science Prenomics.

Aunque la implementación de estas soluciones puede ser más sencillo en las pymes porque se parte desde cero y hay más flexibilidad para la puesta en marcha, lo cierto es que muchas aún se resisten a aplicarlas. Esto impide que sacar rendimiento a los datos y ponerse un paso por delante de las grandes corporaciones.

La consultora recomienda apostar por utilizar el big data y la inteligencia artificial para ayudar a las pymes a resolver cuestiones tan relevantes para los negocios como mejorar sustancialmente las previsiones de la demanda; incrementar el retorno en inversiones de marketing online; o transformar un departamento de soporte al cliente.

Democratización de los servicios

Las empresas del área de la analítica de datos cada vez apuestan más por ofrecer servicios pre-estructurados de inteligencia de datos a sus clientes, para que cualquier miembro de una empresa (particularmente los usuarios de negocio) pueda utilizarlos de forma casi directa, con procesos de instalación e integración muy ágiles. De esta manera, no es estrictamente necesario ni incorporar analistas de datos dentro de las organizaciones ni realizar proyectos a medida con costes elevados.

En particular, Prenomics ha detectado un aumento en la oferta y demanda de los siguientes servicios, que años atrás no existían o no estaban suficientemente desarrollados:

  • Productos de machine learning plug and play: Como APIs de análisis de textos y su sentimiento (MonkeyLearn o la NLP API de Google) o chatbots de atención al cliente que hacen que no sean necesarios grandes volúmenes de datos para entrenar algoritmos. Estas herramientas posibilitan utilizar algoritmos ya directamente entrenados y en forma de producto.
  • Consumo y exportación fácil de los datos de cualquier aplicación moderna: Tanto motores de ecommerce, ERPs, CRMs como sistemas de gestión de tickets o las propias redes sociales. Casi todos estos servicios permiten acceder a la información que tienen dentro y estructurarla para su consumo analítico.
  • Herramientas de visualización de la información de auto-consumo (Business Intelligence): Permiten acceder a grandes volúmenes de información de forma sencilla así como navegar en ella conforme aparecen las preguntas de negocio sin necesidad de experiencia técnica.
  • Servicios de auto-modelización: Herramientas que permiten modelar conjuntos de datos de forma automática. Los hay tanto comerciales (p.ej: DataRobot, AWS ML) como libres (p.ej: librería AutoML)
  • Infraestructuras en la nube: Proveedores como Amazon Web Services, Google Cloud o Microsoft Azure hacen que a día de hoy, sin un gran conocimiento técnico, se pueda construir una infraestructura analítica en pocos clicks y con un coste totalmente ajustado al tamaño de cada negocio, que puede escalar fácilmente con el mismo.

Además, cada vez existen más consultoras especializadas en este terreno que combinan la visión estratégica con el conocimiento analítico y de todas las tecnologías anteriores que permiten construir soluciones que hace años solo estaban al alcance de muy pocas organizaciones.