Mitos en analítica: autoservicio

 

Por Abner Huertas

Al igual que los programas de televisión «hágalo usted mismo» existen proveedores de aplicaciones de analítica que promueven sus soluciones con estrategias similares en las que buscan convencer que —prácticamente cualquiera— puede realizar análisis profundos con sus soluciones por sí mismos. Lo cual es verdad hasta cierto punto.

El diccionario de tecnología del sitio Gartner define el autoservicio en analítica como: «el alineamiento de los profesionales de negocio para que realicen informes y consultas por ellos mismos. El autoservicio en analítica se caracteriza por el uso de soluciones de software que están simplificadas para impulsar un análisis directo».

La promoción de las soluciones de analítica van siempre encaminadas  a encantar con lo visual, con la idea de que se requiere poco conocimiento tecnológico y estadístico, y de que podrá realizar análisis complejos con árboles de decisiones, pronósticos, etc. Todo esto  en «minutos» y no en «horas». Es aquí donde surge este mito de la analítica.

El mito del autoservicio en analítica nace de la creciente necesidad —o por popularidad— de hacer análisis de datos para la toma de decisiones, pero se busca de una forma rápida, y mejor si no se requiere de conocimiento empírico. Seamos honestos, los seres humanos queremos atajos y la mesa servida, y esto se oye tentador. Es como si creyéramos que nos podemos volver carpinteros, o expertos en remodelaciones de interiores solo por comprar una herramienta anunciada en televisión.

Basta con hacer una búsqueda por internet de soluciones de autoservicio  y se encontrarán con expresiones de: «Haga analítica en minutos», «No requiere tener conocimiento de experto»,  «No necesita de TI», entre otras.

¿Cuál es la realidad? Las soluciones de autoservicio en analítica son solo una herramienta que facilita el trabajo, pero que nunca sustituirán al conocimiento y experiencia. 

Decir que se requiere poco conocimiento estadístico o de tecnología, es falso. En mis años de experiencia trabajando en modelos que involucran analítica puedo decir con solvencia que para hacer analítica se requieren los siguientes conocimientos:

  1. Tecnológicos:  conocimiento de bases de datos, conocer cómo hacer consultas SQL y de lenguajes no estructurados. Este conocimiento es vital para la obtención y preparación de datos. Saber cómo depurar los datos es una de las tareas que mayor tiempo consume. También podría aplicar aprender otras tecnologías como Hadoop.
  2. Estadísticos y matemáticos: una solución de autoservicio en analítica puede mostrar una proyección, pero ¿comprendemos los valores? ¿Sabemos qué significa un análisis de residuales? ¿Sabemos qué es un modelo matemático? Es en estas preguntas dónde el conocimiento de estadística y matemática facilita la interpretación. 
  3. Estética de visualización: saber cuál gráfico usar, cómo representar valores cuantitativos de cualitativos, conocer cómo representar valores binomiales. Todo esto facilita la explicación de resultados. Aquí muchas de las soluciones de autoservicio facilitan la labor, pero como mencionamos es importante saber cómo representar los datos.
  4. Curiosidad: al unirla con los modelos matemáticos nos permiten indagar con preguntas ¿habrá una correlación con esta variables? ¿Requeriré crear una variable ficticia para esta regresión? La curiosidad permite «nadar» entre el mar de información.
  5. Programación: quizá esta sea una «opcional» que es relevante tenerla. Los conocimientos de programación facilitan la elaboración de modelos como por ejemplo realizar simulaciones Monte Carlo en ambientes como R o Python. La programación en este tipo de ambientes es diferente a una programación «comercial» como en Visual Basic, C++  o Java. 
  6. Negocio: por supuesto que un analista necesita conocer el negocio al que está realizando el análisis para dar la interpretación que corresponde.

 

Utilizar las soluciones de autoservicio de analítica sin tener estos conocimientos puede llevar al sesgo de información: «la herramienta eso indicó y ha de ser cierto».

Cabe aclarar que no estoy en contra de las soluciones de autoservicio. De lo que estoy en contra es del mito que se generan en estas.

Como mencionamos con anterioridad las soluciones de autoservicio en analítica son solo un facilitador. Hacer analítica de verdad sí requiere de los conocimientos mencionados. 

¿Conoces otros mitos de las soluciones de autoservicio de analítica?

 

Fuentes: KDnuggets, Gartner

 

iDeo

2019® 

 

Comentarios

Entradas más populares de este blog

Precios de Transferencia Aplicados a la Banca

Análisis de la curva de utilidad - I parte -

Análisis de sentimientos