10 consejos para iniciarse en la inteligencia de decisiones

Para las organizaciones que buscan ir más allá de los informes anticuados, la inteligencia de decisiones es prometedora, ya que les ofrece la posibilidad de procesar grandes cantidades de datos con una sofisticada combinación de herramientas como la inteligencia artificial y el aprendizaje automático para transformar los cuadros de mando de datos y los análisis empresariales en plataformas de apoyo a la toma de decisiones más completas.

Sin embargo, las estrategias de inteligencia de decisiones exitosas requieren una comprensión de cómo se toman las decisiones de la organización, así como un compromiso para evaluar los resultados y gestionar y mejorar el proceso de toma de decisiones con retroalimentación.

"No se trata de una tecnología", afirma el analista de Gartner Erick Brethenoux. "Es una disciplina formada por muchas tecnologías diferentes".

La inteligencia para la toma de decisiones es una de las principales tendencias tecnológicas estratégicas para 2022, según la firma de análisis, y se espera que más de un tercio de las grandes organizaciones practiquen esta disciplina en 2023.

La tendencia se está gestando en un momento en el que las organizaciones necesitan tomar decisiones más rápido que nunca, y a una escala aún no vista. La inteligencia para la toma de decisiones ayuda a proporcionar una forma automatizada de tomarlas, lo que a su vez puede ayudar a las empresas a seguir siendo competitivas y a satisfacer las demandas del mercado, afirma Brethenoux.

Pero para ello es necesario conocer a fondo el proceso de toma de decisiones, los riesgos y las recompensas de cada una de ellas, el margen de error aceptable y la capacidad de calcular hasta qué punto se debe confiar en cualquier decisión que ofrezcan los procesos de decisión automatizados.

He aquí algunos consejos para ayudarle a hacer todo eso.

 

1. Empezar con la fruta más fácil

Ayuda empezar con un proceso que esté muy bien definido, sea de bajo riesgo y tenga una gran colección de ejemplos. Muchas empresas ya cuentan con estos procesos, y no todos están totalmente automatizados.

Las empresas demasiado ocupadas con el día a día pueden no darse cuenta de que están perdiendo estas oportunidades, reconoce Ray Wang, analista principal y fundador de Constellation Research. "Entonces empiezan a preguntarse por qué los competidores lo están haciendo mejor, pero cuando lo hacen ya es demasiado tarde".

Incluso cuando un proceso ya ha sido automatizado, añadir más factores al motor de decisión puede mejorar la precisión, dice. "Cuantos más atributos tengas, más probable es que esas cosas no se hayan correlacionado", dice.

Por ejemplo, una decisión de puntuación de riesgo puede mejorar si se tiene en cuenta la hora del día o la ubicación del usuario.

Sin embargo, la clave es que la inteligencia de decisiones no es un proceso que se realiza una sola vez. Hay que ajustar continuamente el enfoque en función de la información recibida.

 

2. Deje que los nuevos datos le sirvan de guía

Cuanto más se repita un proceso y más claros sean los resultados, más oportunidades tendrá la empresa de mejorarlo.

LexisNexis, por ejemplo, utiliza su producto ThreatMetrix para tomar 300 millones de decisiones relacionadas con el fraude al día, pero las decisiones no son 100% perfectas.

"Estamos en el espectro de la toma de muchas decisiones a través de un enorme conjunto de datos que no ponen en peligro la vida si nos equivocamos", admite Matthias Baumhof, CTO de LexisNexis Risk Solutions. "Pero ofrecen un enorme valor para los clientes si las acertamos en un 99%".

LexisNexis utiliza algoritmos de aprendizaje automático para clasificar las transacciones en perfiles de comportamiento para predecir si alguna transacción en particular es fraudulenta, o sospechosa. Hay datos históricos, para el conjunto de entrenamiento inicial, así como un entrenamiento continuo.

"Si se confirma que una transacción actual es un fraude después de unos días, y lo comparten con nosotros, podemos aprender del comportamiento fraudulento confirmado", dice, señalando que para cualquiera que busque sacar el máximo provecho de la inteligencia de decisiones, ahora que los patrones de comportamiento cambian. "Una cierta cantidad de aprendizaje es siempre lo habitual. Si no aprendes, en realidad te quedas atrás".

 

3. Ajuste sus algoritmos

Tradicionalmente, el scoring de riesgo implicaba una serie de decisiones "si-entonces". Si una transacción superaba un determinado importe, o estaba fuera de la zona de residencia del usuario, o era con un nuevo comerciante, se marcaba para su revisión. Pero a medida que las decisiones se complican, es difícil que los sistemas "si-entonces" sigan el ritmo.

"Incluso cuando los clientes han afinado sus reglas durante años con analistas de fraude que conocen el espacio, nosotros llegamos con modelos de aprendizaje automático y los superamos", admite Baumhof. "Pero pueden ejecutarlos en paralelo y obtener lo mejor de ambos mundos".

Los sistemas actuales de aprendizaje automático pueden tomar decisiones tan rápidamente como los sistemas tradicionales basados en reglas. Pero hace seis años, cuando LexisNexis comenzó a invertir en el aprendizaje automático como reemplazo de los sistemas basados en reglas, la empresa comenzó con un modelo de regresión lineal. Un ejemplo de relación lineal con el fraude podría ser que cuanto más lejos de casa se haga una compra, más probable es que sea fraudulenta.

Pero este enfoque resultó ser demasiado simple, incapaz de detectar las relaciones no lineales que no van en una sola dirección. Por ejemplo, las transacciones que son inusualmente pequeñas podrían ser un signo de fraude, ya que los delincuentes están probando un número de tarjeta o una cuenta para asegurarse de que funciona. Para ello, la empresa ha recurrido al aprendizaje automático gradual.

"Hemos hecho los mejores avances con los árboles de refuerzo de gradiente", dice Baumhof. "Proporciona una gran precisión con una corta latencia", prosigue.

Este nuevo enfoque se ha probado durante el último año y se pondrá en producción en el segundo trimestre de este año, afirma. La empresa tiene previsto explorar nuevas tecnologías, como el aprendizaje profundo, prosigue aquel especialista. "Eso es definitivamente algo en el radar, para ver si pueden superar los modelos actuales que tenemos".

Así que, además de incorporar nuevos datos a su estrategia de inteligencia de decisiones, repensar los algoritmos subyacentes también puede ayudar a aumentar la calidad de sus resultados.

 

4. Aumente los procesos complejos, especialmente para la recopilación de datos

Cuando los pasos de la decisión son menos claros, los resultados más nebulosos o hay mayores riesgos de equivocarse en las decisiones, los sistemas inteligentes no pueden reemplazar toda la toma de decisiones, pero pueden aumentarla.

Por ejemplo, LexisNexis utiliza el aprendizaje automático para analizar documentos judiciales, dice Baumhof, nada de que, por ejemplo, un alegato deba redactarse de una manera determinada para obtener una reacción positiva de ciertos jueces.

O en el análisis de contratos con terceros, que, en lugar de tener millones de ejemplos relevantes para el entrenamiento, podrían ofrecer sólo miles, o cientos, de ejemplos. En esos casos, "el aprendizaje automático se limitaría a dar una propuesta", dice. "Pero un ser humano haría la versión final de la misma".

El componente de automatización de la inteligencia para la toma de decisiones puede entrar en juego durante la fase de recogida de datos de la toma de decisiones, señala Wang de Constellation. No tiene que llegar a las conclusiones, y también puede utilizarse para crear informes o generar tendencias y correlaciones.

La antigua forma de recopilar datos y elaborar informes manualmente no es una buena idea hoy en día, afirma Wang. "Quieres esa información a escala de máquina y ahora mismo".

 

5. Separar lo bueno de lo afortunado

Con conjuntos de datos más pequeños, puede ser muy difícil saber si una decisión fue buena pero, por pura suerte, condujo a un mal resultado. O si una decisión era mala, pero la suerte intervino y las cosas salieron bien, de todos modos.

"La calidad de los resultados y la calidad de las decisiones no son lo mismo", afirma Amaresh Tripathy, director mundial de análisis de Genpact. "A veces tienes una gran baraja y tomas las decisiones correctas, pero aun así pierdes".

Por desgracia, cuando se trata de decisiones complicadas e infrecuentes, las empresas no suelen disponer de mecanismos para medirlas. Pero resolver este problema no es cuestión de tecnología, dice Tripathy.

"El primer paso es formalizar un proceso de toma de decisiones en la organización, y sólo entonces se puede pensar en añadir software para apoyar ese proceso", dice.

Sin embargo, recopilar los resultados de estas decisiones y vincularlos al proceso de toma de decisiones es un reto. Según Tripathy, las empresas del sector del marketing son las más expertas en este sentido. "Hacen regularmente pruebas A-B, cambiando los colores y los tipos de letra", dice. "O cambian los elementos del menú. Hacen muchas pruebas".

En las ciencias de la vida, un proceso similar se aplica al descubrimiento de fármacos y al desarrollo de vacunas, añade. También en recursos humanos, las empresas pueden examinar sus procesos de toma de decisiones y observar los resultados.

"Con la contratación, los resultados son relativamente claros", sostiene aquel especialista. "Se puede ver el rendimiento de las contrataciones. Lo más difícil es cuando los resultados no están muy claros".

 

6. Cuidado con los datos sesgados

Las decisiones son tan buenas como los datos en los que se basan. Si el historial de una empresa es problemático, un conjunto de entrenamiento basado en ese historial puede heredar los mismos problemas.

Por ejemplo, una empresa que en el pasado sólo contrataba a hombres blancos con estudios en la Ivy League puede acabar con un sistema de recomendación de contratación que sólo recomiende a hombres blancos con títulos de la Ivy League. Pero eso es sólo una parte de la historia.

Las personas también son intrínsecamente parciales, dice Brad Stone, CIO de Booz Allen Hamilton. Y buscarán datos que apoyen sus prejuicios. "Si pensamos que necesitamos más reclutadores, encontraremos datos que demuestren que necesitamos más reclutadores", dice. "Y si pensamos que necesitamos más gente de operaciones comerciales, encontraremos datos que lo apoyen también".

Y cuando la gente mira los datos, los mira a través de la lente de su experiencia con ellos, dice, lo que puede llevar a conclusiones erróneas. "La pandemia en particular nos ha enseñado que no se puede confiar sólo en el pasado para predecir el futuro", dice.

La solución, según él, es proporcionar los barandales adecuados para la toma de decisiones. "Las empresas y misiones de éxito del futuro serán capaces de aprender del pasado al tiempo que gestionan ese sesgo", afirma.

 

7. Cuando la IA funciona, confíe en ella

A veces, las recomendaciones basadas en datos van en contra de todos los instintos, y no entender cómo funciona la tecnología puede hacer retroceder a una empresa durante años.

Michael Feindt, asesor estratégico y fundador de Blue Yonder, una empresa de tecnología de gestión de la cadena de suministro, ha visto cómo muchas empresas luchan por aceptar que sus instintos pudieran no ser precisos. Por ejemplo, pedir alimentos frescos en una tienda de comestibles es una función de coste asimétrica, dice. Si hay poca cantidad, los clientes se sentirán decepcionados, pero si hay demasiada, la comida se estropeará. Los costes no son iguales.

El mismo principio entra en juego con cualquier producto con una vida útil limitada, como las modas de temporada en la industria de la ropa, ya que los cerebros humanos no están cableados para calcular los riesgos correctamente.

Por ejemplo, una cadena de grandes almacenes alemana con la que trabajó Feindt empezó a utilizar la IA para sus pedidos hace seis o siete años, y renunció a utilizarla después de tres años. "Tanto los empleados como los directivos no lo entendían", dice. "Los directivos no son matemáticos. Están convencidos de que tienen razón porque siempre lo han hecho así".

Así que cada año, en Navidad, los responsables de las tiendas entran en pánico ante la idea de no tener suficientes productos. "Y compran como locos", sostiene. "Dos semanas antes de Navidad, el director general dice: 'Hemos de tener más carne y más galletas. Pidan más, pidan más. Todo lo que quiera pedir, añada un 50%'. El software ya sabe que es Navidad. Aquí es exactamente donde la IA es muy buena. Puede predecir estas cosas. Pero por el miedo a no tener suficiente, añaden el 50%. Y después de Navidad, tiran ese 50%. Les cuesta más de un millón de euros".

La solución, dice, es tener al menos una persona involucrada en este tipo de decisiones que entienda cómo funciona la analítica, al menos una persona cualitativa que tenga la confianza de la dirección.

 

8. Utilizar datos sintéticos

En algunos casos, la falta de datos de formación puede compensarse con datos sintéticos.

Los datos sintéticos, que son información generada artificialmente que se modela con precisión para su uso en lugar de datos históricos reales, pueden proporcionar a los sistemas de aprendizaje automático más combustible para funcionar. Su uso puede permitir a las empresas aplicar la inteligencia automatizada a muchos más casos, dice Brethenoux de Gartner.

También puede permitir a las empresas entrenar para eventos de cisne negro o escenarios inusuales. "Los datos sintéticos se están convirtiendo en una de esas técnicas que nos ayudan", afirma.

Según la analista de Gartner Svetlana Sicular, en 2024, el 60% de los datos utilizados para el desarrollo de soluciones de IA y analítica serán generados sintéticamente, frente al 1% de 2021.

 

9. Utilizar ejercicios de mesa para simular varios resultados

En muchas situaciones, tomar la decisión correcta es imposible, ya que hay demasiados factores externos que influyen indebidamente en el resultado. Una nueva ola de COVID, otro petrolero atascado en un canal, una sequía regional, el estallido de una guerra... cualquiera de ellos podría tener un impacto dramático en una empresa, pero son completamente imprevisibles.

Eso no significa que las empresas sean impotentes. Por el contrario, pueden realizar simulaciones para prepararse para múltiples escenarios. Y pueden recopilar todos los datos, para tomar una decisión lo más informada posible.

Pero hay un límite a lo que los datos y el análisis pueden llevar. "He participado en muchas decisiones de adquisición", expone Brethenoux, de Gartner. "A veces los directores generales se enamoran de un acuerdo. Es divertido y emocionante. Y a veces olvidan los principios básicos".

Pero en las grandes decisiones entran en juego muchos factores, dice. Uno de esos factores podría ser si el CEO puede reunir a la gente contra todo pronóstico. "A veces son visionarios", dice. "Hacen que funcione puramente por carisma, nada que ver con el valor del acuerdo. Si él o ella es ese tipo de persona, podemos ignorar los datos porque el CEO puede hacer que funcione".

 

10. Empezar poco a poco y aprender

Lo importante es considerar la inteligencia para la toma de decisiones como una posibilidad viable, y ponerla a prueba. "Se puede empezar poco a poco", admite Brethenoux, de Gartner. "De hecho, muchas empresas ya están haciendo inteligencia de decisiones sin llamarla inteligencia de decisiones".

Eso incluye a los minoristas online que tienen motores de recomendación, por ejemplo. Pero no siempre están aprovechando todas las perspectivas que exige la inteligencia de decisiones, dice.

"Cuando la gente actúa sobre una recomendación, hay una transacción", dice. "Pero cuando no compran, muy pocas organizaciones lo analizan. No analizan las transacciones que no se producen. Pero ¿por qué la gente no compró? ¿Fue el producto equivocado, el precio equivocado, el momento equivocado?

Con una mentalidad de inteligencia de decisiones, esas no-transacciones también deben ser analizadas, dice.

"Puedes hacer inteligencia de decisiones hoy mismo", dice Brethenoux. "Sólo tienes que añadir un poco a tu inversión, y hacer algo".