Buscar otros temas

Categories

10 preguntas antes de iniciar un proyecto de analítica y ML

10 preguntas antes de iniciar un proyecto de analítica y ML

persona resolviendo preguntas analitica

Los proyectos de analítica y machine learning (ML) están rodeados por un aire de fantasía con altas expectativas, tal vez porque actualmente es un tema novedoso en las empresas, convirtiéndose en un imperativo para sus estrategias y planes de desarrollo.

Pero, ¿por qué implementar este tipo de proyectos?, ¿para ir al paso de las últimas prácticas o porque verdaderamente se comprende el alcance de estas iniciativas? Sea cual sea la respuesta, debe haber completa claridad y conciencia de lo que conlleva iniciar un proyecto de analítica en cualquier compañía.

De acuerdo a nuestra experiencia, presentamos 10 preguntas a tener en cuenta para ejecutar de forma controlada y real, una solución basada en machine learning. 

¿Tu empresa tiene suficientes datos?

Hay que partir del hecho de que sin datos, no se puede realizar ninguna tarea de análisis y exploración, mucho menos llegar a una solución basada en machine learning. Por ello, es vital conocer qué datos tiene la compañía y su estado.

A mayor cantidad de datos, las actividades serán más refinadas y los resultados más precisos, permitiendo tomar decisiones acertadas basadas en ellos. Finalmente, no importa la cantidad que tengamos de estos, la clave está en conocer su origen (desde las áreas de la empresa o generados por un tercero), su significado (inventario o catálogo) y la relación entre ellos.

¿Qué tan fácil es acceder a los datos de tu empresa? 

Todas las compañías deberían tener, o ajustar sus procesos, para acceder a sus propios datos. En algunos casos, estos son centralizados por áreas y componentes que se encargan de su gobierno.

El problema surge cuando se quiere acceder a ellos pero están sobreprotegidos, impidiendo a las mismas áreas acceder en algunos casos, resultando en que los trámites para hacerlo no resulten tan fáciles de gestionar. 

¿Esta es una industria regulada?

Cada industria tiene regulaciones distintas. No es lo mismo un e-commerce, que quiere analizar los datos a partir del comportamiento de sus usuarios, a decidir alojar datos de los clientes de una entidad financiera. 

Actualmente existen muchas regulaciones sobre la protección de datos en diferentes sectores, que pueden llegar a limitar las actividades en la nube. Por esto, es muy importante conocer las afectaciones que estas limitaciones puedan traer de cara al alcance del proyecto y generar un plan B para ello. 

¿Debe existir un equipo interno de analítica dentro de la compañía?

Iniciar un proyecto de analítica y no pensar en su proyección a futuro es un error recurrente en las organizaciones. Por ello, es importante alinear desde el inicio, los objetivos de negocio con cualquier proyecto o desarrollo de componentes que usen machine learning.

equipos preparados de analítica

Lograrlo requiere de un equipo con habilidades específicas y roles definidos que  mantengan y evolucionen en el tiempo dichas iniciativas. Sin embargo, la razón más importante a tener en cuenta, es que los profesionales en analítica estén siempre al tanto de las mejores soluciones para el negocio, de acuerdo a las estrategias y metas definidas. 

Finalmente, se debe tomar en cuenta que estos equipos requieren de altos perfiles para mantener el crecimiento y la calidad del trabajo, pero muchas veces, estos son costosos y solicitados en el mercado.  

¿Qué tan flexible es la cultura organizacional?

Ser conscientes del tipo de organización en la que se trabaja y qué tan fácil es la adaptación al cambio, es algo a tener en cuenta durante el desarrollo del proyecto, y más si son estratégicos, que buscan resolver los objetivos de la compañía. 

No basta con una buena ejecución del proyecto, debe haber acompañamiento, capacitación y apropiación de las herramientas que resulten del proyecto, aplicándolas en las diferentes áreas de la compañía. 

Es necesario moldear la mentalidad de la organización, visibilizar los resultados y comunicar los impactos que se obtengan de esta iniciativa, beneficiando cada área de la compañía.

¿Cuáles son los requisitos para explotar los datos?

Al hablar de regulaciones y políticas del respectivo sector, nos referimos a leyes y procedimientos que se deben cumplir de manera obligatoria, aplicándose en todos los casos. 

Una vez las regulaciones a nivel sector son superadas, siguen los lineamientos internos de cada compañía, los cuales tampoco se pueden evadir. Es importante tener claras estas políticas y respetar la función de las áreas existentes, que buscan velar por la seguridad de la información. 

Tareas como un prototipo, una exploración de datos, la construcción o entrenamiento de un modelo machine learning, pueden ser estimadas muchas veces como actividades netamente operativas. La recomendación es tener en cuenta los parámetros internos a cumplir, superar los diferentes requisitos que permitirán, finalmente, implementar el proyecto. 

¿Cuáles serían los posibles costos?

Como en todo proyecto, los costos son un factor crucial por analizar. En el caso de un proyecto enfocado en analítica y el uso de componentes ML, será imperativo entender cómo se hará la facturación con cada actividad y uso de componentes que se realice durante la ejecución.

En reiteradas ocasiones se asocian los costos de este tipo de proyectos solamente a la mano de obra, dejando a un lado el cobro por la infraestructura y los servicios necesarios para ponerla en marcha.

La clave está en tres puntos: definir un presupuesto para cada etapa, desde la implementación hasta la puesta en producción, tener clara la proyección de uso y costo asociado, y sobre todo, conocer las tarifas de cada servicio o producto; su costo por fracción, las cuotas libres de cargo y las buenas prácticas sobre el uso de la plataforma.

proyección de uso y costo

¿Qué visión a futuro se tiene respecto a la analítica? 

Es común que las empresas que han atravesado por varias generaciones de procesos y cambios tecnológicos, manifiesten dudas ante la compatibilidad de la compañía frente a servicios y nuevos componentes.

Pero la implementación de prácticas analíticas empresariales y modelos machine learning es un objetivo a largo plazo, el cual debe ser respaldado por la estrategia de cada empresa. 

Lo recomendable es establecer el impacto que se espera para el negocio a futuro, dando luz para diseñar soluciones escalables en el tiempo estimado, y tan flexibles como la estrategia lo demande.

Del estado actual de la compañía, ¿qué se adapta mejor?

Nunca es claro por donde comenzar al hablar de analítica, datos, explotación, big data, ML, IA o BI. La recomendación inicial es no querer cambiar lo existente en la compañía de un día para otro, la clave está en buscar lo necesario e integrarlo con los nuevos servicios y componentes que serán parte del proyecto.

No siempre es necesario migrar toda la información. Por ejemplo, las plataforma cloud que hacen integraciones parciales, son la mejor manera de iniciar un proyecto de analítica. Sin embargo, surgirán componentes a reemplazar o rehacer,  procesos por ajustar y la resistencia al cambio de cualquier compañía. 

¿Con cuáles datos debo comenzar?

Volcar toda la información de la compañía a un ambiente de analítica, es un proceso que debe ser planeado rigurosamente. Si bien existen limitaciones técnicas durante esta tarea, el objetivo es hacerlo de una forma planeada, iniciando con los datos que requieren de análisis y trabajo.

La razón de esto, es que los procesos de migración (como fuentes internas de la compañía hacia un ambiente cloud), dependen de la cantidad de información y lo robusto del canal para hacer la transferencia. Los datos de mayor urgencia deben cargarse primero, cuidando la disponibilidad de los mismos, manteniendo el seguimiento y monitoreo en cada etapa del proceso. 

Cloud en el mundo real

La experiencia que nos ha dado este tipo de proyectos, nos permite conocer la efectividad de llevar correctamente estas iniciativas basadas en analítica, además de la implementación de modelos machine learning e inteligencia artificial.

El anterior decálogo busca cimentar la importancia y elevar los objetivos de cada compañía sobre analítica. Si bien son los primeros aspectos a tener en cuenta, hay que considerar la visión completa de los factores a la hora de realizar implementaciones de este tipo. 

Google Cloud Platform provee no solo las herramientas, servicios y soluciones a través de su cobertura a nivel mundial, además, es gracias a su gran cobertura que las compañías han podido construir y desplegar todas sus necesidades de analítica en GCP; despreocupandose de la infraestructura, seguridad y cobros exagerados por el uso del servicio. 

En conclusión, un proyecto machine learning no puede ser independiente a cada área, debe resolverse con la unidad de toda la compañía y su disposición al cambio, buscando así cumplir de manera exitosa sus necesidades y objetivos de negocio para garantizar el crecimiento de la empresa.