Perspectiva Ejecutiva: Direcciones en Análisis

Desde los gemelos digitales y la inteligencia artificial contextual hasta las bases de datos gráficas y la democratización de la analítica, se avecinan muchos cambios en la analítica. Todd Blaschka, director de operaciones de TigerGraph, determina qué tendencias vale la pena observar.

Ventaja: ¿Qué tecnología o metodología debe ser parte de la estrategia de análisis o datos de una empresa si quiere ser competitiva hoy? ¿Por qué?

Todd Blaschka: La pandemia está cambiando los datos y los análisis. Los modelos basados ​​en datos históricos ya no son válidos. Requerirán una mayor variedad de técnicas de análisis para comprender las relaciones en los datos, incorporar datos en tiempo real y aumentar el contexto en los modelos de IA / ML para reconfigurar los sistemas y prosperar después de este reinicio.

Una estrategia es crear un “gemelo digital” o una réplica de la aplicación empresarial. Un gemelo ayuda a una empresa a encontrar nuevas relaciones en combinaciones de sus datos mediante la simulación y el modelado de nuevos escenarios con datos históricos y en tiempo real que se pueden procesar con aprendizaje automático e inteligencia artificial. Este enfoque ayudará a identificar puntos ciegos históricos, optimizar procesos o identificar oportunidades nuevas y tácticas.

Los seres humanos trabajan con los gemelos digitales para tomar decisiones y actuar en función de los datos y la información recopilada, lo que requiere fomentar un entorno de colaboración con colegas dentro de TI, otras funciones empresariales y socios comerciales para monitorear el progreso hacia los objetivos.

¿Qué tecnología emergente le entusiasma más y cree que tiene el mayor potencial? ¿Qué tiene de especial esta tecnología?

La IA está impulsando tantas aplicaciones y servicios, pero muchas veces al día nos preguntamos “¿Por qué me recomendaron esto?” o “¿Por qué hizo esto el asistente?” Estos sistemas se basan en el aprendizaje estadístico que no incorpora el contexto humano o la interacción humana (conocida como IA contextual) en las aplicaciones.

La IA contextual adopta una visión y un enfoque centrados en el ser humano para la IA. Esto significa que tiene suficiente percepción del entorno, la situación y el contexto del usuario para razonar correctamente. Para hacerlo, busca relaciones dentro de los datos y entre tipos de datos; mejora el descubrimiento de dependencias inesperadas de un flujo de actividad a muchos otros flujos y viceversa, formando una base para el aprendizaje automático y las aplicaciones de inteligencia artificial.

El contexto proviene de agregar y encontrar relaciones dentro de los datos y entre tipos de datos, personas, lugares, cosas y objetos para basarse en estos patrones, lo que generará un resultado y valor más relevante de la analítica.

Por ejemplo, un recorrido del cliente puede incluir la información personal del cliente, el historial de interacciones y todos los demás aspectos del recorrido del cliente que están disponibles para el agente durante un servicio o interacción de ventas. Cuando sus agentes conocen el contexto del cliente, lo que están buscando y sobre lo que ya han hablado con otro agente, pueden brindar un mejor servicio, más rápido.

¿Cuál es el desafío más grande que enfrentan las empresas hoy en día? ¿Cómo responden la mayoría de las empresas (y está funcionando)?

COVID-19 ha creado una época de incertidumbre con preocupaciones clave que incluyen la disminución del crecimiento de las ventas, los cambios en las necesidades de los clientes y las interrupciones en los nuevos proyectos. Estas preguntas cada vez más complejas resaltan la necesidad de análisis más precisos y conscientes del contexto para planificar, optimizar, priorizar y centrarse en las inversiones comerciales.

Para responder a estas condiciones cambiantes, las empresas aprovecharán diferentes tipos de análisis y procesamiento de inteligencia artificial que brindan una toma de decisiones más cercana a la en tiempo real que se escala en toda la empresa.

Las soluciones centradas en casos de uso ayudan a las empresas a abordar estos desafíos y a planificar la recuperación de la crisis. Por ejemplo, las cadenas de suministro que se detuvieron y se configuraron para pronósticos anteriores pueden tener que girar para cumplir con los nuevos requisitos. Necesitan comprender su cadena de suministro ahora (qué partes, dónde están, la cantidad real) y modelar nuevos escenarios basados ​​en las nuevas demandas para comprender el impacto de una escasez de partes en un pedido de un cliente o cuánta producción del producto A debería ser. cambiado al producto B.

¿Existe una nueva tecnología en datos o análisis que esté creando más desafíos de los que la mayoría de la gente cree? ¿Cómo deberían las empresas ajustar su enfoque?

A medida que la IA se convierte en una parte cada vez más importante de nuestra vida diaria, desde el análisis predictivo y las aplicaciones conversacionales impulsadas por el aprendizaje automático hasta las máquinas autónomas y los sistemas hiperpersonalizados, nos encontramos con la necesidad de confiar en estos sistemas basados ​​en IA para todo tipo de toma de decisiones y la predicción es primordial.

Sin embargo, la mayoría de la gente no sabe cómo los sistemas de IA toman las decisiones que toman. Muchos de los algoritmos utilizados para el aprendizaje automático no se pueden examinar después del hecho para comprender específicamente cómo y por qué se tomó una decisión (por ejemplo, ¿por qué se le negó un préstamo a esta persona?). Debemos ser capaces de comprender completamente cómo se toman las decisiones de IA para poder confiar en ellas.

Para resolver este problema, las empresas están desarrollando los llamados programas de inteligencia artificial explicables que describen el fundamento de las aplicaciones, caracterizan sus fortalezas y debilidades y transmiten una comprensión de cómo funcionan. Estos programas generarán más confianza y ayudarán a una adopción más amplia de la IA.

¿En qué iniciativa está invirtiendo su organización más tiempo / recursos hoy?

En TigerGraph, todo nuestro equipo se centra en crear una manera más fácil para que las empresas hagan preguntas de lógica empresarial sobre sus datos y reciban respuestas reales. Esto significa que las relaciones en los datos forman el valor analítico y requieren una plataforma para almacenar, analizar e interoperar con los sistemas actuales. Gartner predice que para 2023, las tecnologías gráficas facilitarán una contextualización rápida para la toma de decisiones en el 30 por ciento de las organizaciones en todo el mundo.

Llegar allí requiere democratizar el análisis de gráficos. El poder de las bases de datos de gráficos y el análisis se ha limitado hasta ahora a los usuarios técnicos. Nuestra misión es hacer que los gráficos sean accesibles para todos al permitir que los usuarios sin conocimientos técnicos logren tanto con los gráficos como lo hacen los expertos.

Para nuestros clientes y socios, esto significa que los usuarios no técnicos pueden producir y ejecutar consultas gráficas simplemente dibujando los patrones que desean, similar al modelado de datos visuales. No se necesita experiencia en codificación.

¿Hacia dónde ve el análisis y la gestión de datos en 2020 y más allá? ¿Qué hay en el horizonte del que no hemos escuchado mucho todavía?

El análisis sofisticado y complejo de una mayor variedad de datos se está volviendo más estratégico. Analizar los datos no requerirá que seas un codificador. Se democratizará de manera que todas las partes de una organización puedan acceder a los sistemas de análisis y obtener información útil para ayudar a que la empresa prospere.

Describa su producto / solución y el problema que resuelve para las empresas.

TigerGraph conecta silos de datos para obtener análisis operativos más profundos y amplios a escala. Impulsa aplicaciones como detección de fraudes, cliente 360, MDM, IoT, IA y aprendizaje automático. Cuatro de los cinco principales bancos mundiales utilizan TigerGraph para la detección de fraudes en tiempo real. Más de 50 millones de pacientes reciben recomendaciones de rutas de atención para ayudarlos en su viaje de bienestar; 300 millones de consumidores reciben ofertas personalizadas con motores de recomendación impulsados ​​por TigerGraph. TigerGraph optimiza la infraestructura energética para mil millones de personas para reducir los cortes de energía. TigerGraph Cloud brinda el poder de la analítica avanzada a todos los usuarios comerciales y científicos de datos.

Por James E. Powell