Los datos desordenados están impidiendo la adopción de la inteligencia artificial empresarial: Cómo las empresas pueden desenredarse

Las startups de salud están diciendo que las regulaciones poco claras están limitando la innovación de la inteligencia artificial en el sector. Por supuesto, tales precauciones son necesarias en la industria de la salud, donde es literalmente un caso de vida o muerte. Pero lo que tiene menos sentido es la lenta adopción de la inteligencia artificial en la empresa SaaS – un espacio que no está siendo frenado por la cinta roja como otros sectores.

Entonces, ¿qué está deteniendo a las empresas para adoptar la inteligencia artificial para optimizar y racionalizar sus procesos? El principal culpable es la gran cantidad de datos desordenados que se acumulan a medida que las empresas crecen y agregan nuevas herramientas y productos. En este artículo, analizaré cómo los datos desordenados son un obstáculo para la innovación de la inteligencia artificial en la empresa, y exploraré las soluciones.

Bienvenidos al jungla de datos

Comencemos por analizar un desafío común de datos que enfrentan muchas empresas modernas. Inicialmente, cuando las empresas ofrecen una gama limitada de productos, suelen tener datos de ingresos limpios que se encuentran dentro de un solo sistema. Sin embargo, a medida que expanden sus ofertas y adoptan una variedad de modelos de ingresos, las cosas se vuelven complicadas.

Por ejemplo, una empresa puede emplear inicialmente un modelo de compra única, pero más tarde introducir opciones adicionales como suscripciones o precios basados en el consumo. A medida que crecen, es probable que diversifiquen sus canales de ventas. Una empresa que comienza con ventas de autoservicio de 100% puede darse cuenta con el tiempo de que necesita la ayuda de equipos de ventas para vender, cruzar y aterrizar clientes más grandes.

Durante las etapas de crecimiento rápido, muchas empresas simplemente apilan nuevos sistemas de ventas sobre los existentes. Adquieren una herramienta de SaaS diferente para gestionar cada movimiento, modelo de precios, proceso de compra, etc. No es inusual que el departamento de marketing de una empresa tenga 20 herramientas de SaaS diferentes con 20 silos de datos diferentes.

Así que, aunque las empresas generalmente comienzan con datos limpios y integrados, el crecimiento hace que los datos se descontrolen rápidamente, a menudo mucho antes de que las empresas lo reconozcan como un problema. Los datos se fragmentan entre los sistemas de facturación, cumplimiento, éxito del cliente y otros sistemas, lo que significa que las empresas pierden la visibilidad global de sus operaciones internas. Y, desafortunadamente, la reconciliación manual de los datos es a menudo tan laboriosa y consume tanto tiempo que los conocimientos pueden estar desactualizados para cuando están listos para usarse.

La inteligencia artificial no puede arreglar tus datos desordenados por ti

Varios clientes potenciales nos han preguntado: “Bueno, si la inteligencia artificial es tan grande, ¿no puede resolver este problema de datos desordenados por nosotros?” Desafortunadamente, los modelos de inteligencia artificial no son la panacea para este problema de datos.

Los modelos de inteligencia artificial actuales requieren conjuntos de datos limpios para funcionar correctamente. Las empresas que confían en movimientos de ventas diversos, plataformas de SaaS y procesos de ingresos inevitablemente acumulan conjuntos de datos dispares y fragmentados. Cuando los datos de ingresos de una empresa están dispersos en sistemas incompatibles que no pueden comunicarse entre sí, la inteligencia artificial no puede darles sentido. Por ejemplo, lo que se etiqueta como “Producto” en un sistema puede ser muy diferente de “Producto” en otro sistema. Esta sutil diferencia semántica es difícil de identificar para la inteligencia artificial y inevitablemente conduciría a inexactitudes.

Los datos necesitan ser limpiados, contextualizados e integrados antes de que la inteligencia artificial entre en escena. Existe una concepción errónea de larga data de que el almacenamiento de datos ofrece una solución de un tamaño que se adapta a todos. En realidad, incluso con un almacén de datos, los datos aún necesitan ser refinados manualmente, etiquetados y contextualizados antes de que las empresas puedan usarlos para producir análisis significativos. Así que, de esta manera, hay paralelos entre el almacenamiento de datos y la inteligencia artificial, en el sentido de que las empresas necesitan llegar a la raíz de los datos desordenados antes de que puedan aprovechar al máximo cualquiera de estas herramientas.

Incluso cuando los datos han sido contextualizados, se estima que los sistemas de inteligencia artificial alucinan al menos el 3% de las veces. Pero las finanzas de una empresa —donde incluso un punto decimal en el lugar incorrecto podría tener un efecto dominó que interrumpe múltiples procesos— requieren una precisión del 100%. Esto significa que la intervención humana es aún esencial para validar la precisión y coherencia de los datos. Integrar la inteligencia artificial de manera prematura puede incluso crear más trabajo para los analistas humanos, que deben asignar tiempo y recursos adicionales para corregir estas alucinaciones.

Un callejón sin salida de datos

Sin embargo, la proliferación de soluciones de SaaS y los datos desordenados resultantes tienen varias soluciones.

En primer lugar, las empresas deben evaluar regularmente su pila de tecnología para asegurarse de que cada herramienta sea estrictamente necesaria para sus procesos comerciales y no solo contribuya al enredo de datos. Puedes encontrar que hay 10 o incluso 20+ herramientas que tus equipos están utilizando diariamente. Si realmente aportan valor a los departamentos y a la empresa en general, no te deshagas de ellas. Pero si los datos desordenados y fragmentados están interrumpiendo los procesos y la recopilación de inteligencia, debes sopesar sus beneficios contra la posibilidad de cambiar a una solución unificada y delgada donde todos los datos se almacenan en la misma herramienta y lenguaje.

En este punto, las empresas se enfrentan a un dilema al elegir software: las herramientas de todo en uno pueden ofrecer coherencia de datos, pero posiblemente menos precisión en áreas específicas. Un punto intermedio implica que las empresas buscan software que ofrezca un modelo de objeto universal que sea flexible, adaptable y perfectamente integrado con el ecosistema en general. Tomemos como ejemplo la herramienta de gestión de proyectos Jira de Atlassian (TEAM ). Esta herramienta opera en un modelo de objeto fácil de entender y muy extensible, lo que la hace fácil de adaptar a diferentes tipos de gestión de proyectos, incluida la desarrollo de software ágil, IT/Helpdesk, Marketing, Educación, etc.

Para navegar este compromiso, es crucial trazar los métricas que más importan a tu empresa y trabajar hacia atrás desde allí. Identificar la estrella polar de tu empresa y alinear tus sistemas hacia ella garantiza que estás arquitectando tu infraestructura de datos para entregar las perspectivas que necesitas. En lugar de centrarte únicamente en flujos de trabajo operativos o conveniencia del usuario, considera si un sistema contribuye a métricas no negociables, como aquellas cruciales para la toma de decisiones estratégicas.

En última instancia, son las empresas que invierten tiempo y recursos en desenredar el enredo de datos en el que se han metido las que serán las primeras en desbloquear el verdadero potencial de la inteligencia artificial.