La anal\u00edtica aumentada utiliza t\u00e9cnicas de IA \/ ML (Inteligencia Artificial y Machine Learning) para automatizar los tediosos procesos manuales de preparaci\u00f3n de datos, el descubrimiento y el intercambio de datos de informaci\u00f3n. Tambi\u00e9n automatiza las tareas de ciencia de datos, como el desarrollo, la gesti\u00f3n y la implementaci\u00f3n del modelo ML. Las herramientas de BI tradicionales han admitido capacidades b\u00e1sicas para unir, manipular y transformar los datos estructurados. Si bien la preparaci\u00f3n de datos aumentada agiliza los procesos para la elaboraci\u00f3n de perfiles de datos, administre la calidad, limpie los datos, modele y etiquete los metadatos de una manera que admita la reutilizaci\u00f3n y la gobernanza.<\/p>\n
La anal\u00edtica aumentada<\/strong><\/a> incluye el procesamiento del lenguaje natural (NLP) y la anal\u00edtica conversacional, lo que permite que los expertos menos t\u00e9cnicos, como los ciudadanos cient\u00edficos de datos, interact\u00faen con los datos y la informaci\u00f3n para dar recomendaciones para la empresa. Para 2020, el 50% de las consultas anal\u00edticas se generar\u00e1n autom\u00e1ticamente a trav\u00e9s de NLP o voz. Esta facilidad de acceso promete muchos beneficios, pero la organizaci\u00f3n enfrenta varios desaf\u00edos para que funcione bien en la pr\u00e1ctica.<\/p>\n Beneficios de la anal\u00edtica aumentada<\/strong><\/p>\n 1. Preparaci\u00f3n de datos m\u00e1s r\u00e1pida<\/strong><\/p>\n Los cient\u00edficos de datos y los ingenieros de datos dedicaron alrededor del 80% de su tiempo a la preparaci\u00f3n manual de datos. La preparaci\u00f3n de datos aumentada<\/strong><\/a> utiliza la automatizaci\u00f3n AI \/ ML para reunir datos de fuentes dispares mucho m\u00e1s r\u00e1pido. Los algoritmos reemplazan los procesos manuales y automatizan el proceso de limpieza de datos en una fracci\u00f3n de tiempo. Tambi\u00e9n se utiliza para detectar esquemas, combinaciones, transformaciones repetitivas y recomendar autom\u00e1ticamente asociaciones entre fuentes de datos dispares, mejorando la productividad y la eficiencia.<\/p>\n 2. Mejora de la alfabetizaci\u00f3n de datos<\/strong><\/p>\n A medida que las organizaciones contin\u00faan recopilando una gran cantidad de datos, es esencial que todos, independientemente de sus habilidades anal\u00edticas expertas, puedan obtener valor de los datos. La democratizaci\u00f3n de la IA en toda la cadena de valor de los datos promueve la alfabetizaci\u00f3n de los datos al mostrar y explicar autom\u00e1ticamente los conocimientos mediante el lenguaje natural, hacer una recomendaci\u00f3n y capacitar a todos los usuarios para que tomen medidas con confianza. Esto ayuda a fomentar una cultura basada en datos que beneficia a la organizaci\u00f3n a largo plazo.<\/p>\n 3. Disminuci\u00f3n del sesgo anal\u00edtico<\/strong><\/p>\n Los analistas siempre hacen suposiciones para encontrar respuestas cuando no saben por d\u00f3nde empezar. A menudo, esas suposiciones podr\u00edan llevar al uso de datos espec\u00edficos para respaldarlo. La anal\u00edtica aumentada puede ayudar a minimizar el sesgo potencial al realizar an\u00e1lisis automatizados en un gran conjunto de datos de importancia estad\u00edstica. Reduce el riesgo de perder informaci\u00f3n importante.<\/p>\n 4. Reducci\u00f3n del tiempo de obtenci\u00f3n de informaci\u00f3n<\/strong><\/p>\n Con la anal\u00edtica aumentada, en lugar de que un analista pruebe manualmente todas las combinaciones de variables en los datos, los algoritmos ML para detectar correlaciones, segmentos, cl\u00fasters, valores at\u00edpicos y relaciones se aplican autom\u00e1ticamente a los datos. Solo los resultados estad\u00edsticamente m\u00e1s relevantes se presentan r\u00e1pidamente a trav\u00e9s de visualizaciones inteligentes, que est\u00e1n optimizadas para la interpretaci\u00f3n y acci\u00f3n del usuario.<\/p>\n 5. Democratizaci\u00f3n de la anal\u00edtica<\/strong><\/p>\n La anal\u00edtica aumentada<\/a><\/strong> democratizar\u00e1 la informaci\u00f3n de la anal\u00edtica, incluida la inteligencia artificial, para todos los roles comerciales. Har\u00e1 que la ciencia de datos y la construcci\u00f3n de modelos de IA \/ ML sean accesibles para los nuevos roles de los ciudadanos cient\u00edficos de datos, como analistas de negocios, desarrolladores y otros, etc., al tiempo que har\u00e1 que los cient\u00edficos de datos expertos sean m\u00e1s productivos y colaborativos y los liberar\u00e1 para tareas de alto valor.<\/p>\n Las empresas que han implementado an\u00e1lisis aumentados han visto resultados comerciales positivos, como un aumento en la toma de decisiones en un 51%, un aumento en la eficiencia en un 50% y un aumento en la efectividad en un 48%. Aunque no todas las empresas se han dado cuenta de estos beneficios todav\u00eda, m\u00e1s del 90% de los tomadores de decisiones esperan obtener estos beneficios a medida que las capacidades de an\u00e1lisis contin\u00faan mejorando.<\/p>\n Desaf\u00edos de la anal\u00edtica aumentada<\/strong><\/p>\n La anal\u00edtica aumentada es la pr\u00f3xima ola de disrupci\u00f3n en el mercado de datos y an\u00e1lisis y debe adoptarse para construir y mantener una ventaja competitiva. Pero requiere el equilibrio y la alineaci\u00f3n adecuados de la estrategia, las personas, los procesos, los datos y los componentes tecnol\u00f3gicos. Sin embargo, los esfuerzos para incorporarlo probablemente encontrar\u00e1n la siguiente resistencia:<\/p>\n Adopci\u00f3n<\/strong><\/p>\n Uno de los desaf\u00edos de adopci\u00f3n que enfrenta la organizaci\u00f3n es el resultado asociado. La organizaci\u00f3n espera resultados favorables y r\u00e1pidos. Pero la anal\u00edtica aumentada tiene un ciclo de vida propio. Utiliza t\u00e9cnicas de inteligencia artificial para realizar cualquier forma de c\u00e1lculo, an\u00e1lisis y automatizaci\u00f3n. Una vez implementado, llevar\u00e1 tiempo madurar, mejorar su an\u00e1lisis y resultados durante un per\u00edodo. Los otros desaf\u00edos potencialmente da\u00f1inos son los siguientes:<\/p>\n\n