El uso y aplicación de analítica avanzada en las empresas y para la solución de problemas complejos
En los últimos años, tanto la pandemia por COVID-19 como las tensiones geopolíticas han obligado a las empresas a evolucionar rápidamente tanto sus procesos de gestión como sus modelos de negocio. Lo que ha llevado a las organizaciones a adoptar la analítica avanzada como pilar básico de la innovación dentro de sus funciones generales y administrativas.
En la siguiente figura, se muestran los usos más frecuentes de analítica avanzada en las empresas según área o función:
Fuente: McKinsey
Concretamente, la visualización nos presenta los principales resultados de un estudio realizado a 302 líderes de diversas funciones corporativas (incluidos directores financieros, directores de recursos humanos, directores de información y asesores generales). Donde se les consultó por los 5 usos más frecuentes de la analítica, por función (Finanzas, Recursos Humanos, Tecnologías de la Información, Compras y Bienes Inmuebles). El color azul, indica un mayor uso por la mayoría de las empresas encuestadas. Según la posición, las aplicaciones que aparecen en la parte superior son las que presentan el mayor porcentaje de adopción en las empresas, y viceversa con las que se encuentran en la parte inferior de la figura.
Si damos un paso más, y nos concentramos en hablar sobre la adopción de la Inteligencia Artificial (IA) en las empresas, tenemos que la adopción de IA a nivel mundial es hoy 2,5 veces mayor que en 2017. Cabe destacar que el número medio de capacidades de IA que utilizan las organizaciones, como la generación de lenguaje natural (NLG) y la visión por ordenador (computer vision), también se ha duplicado, pasando de 1,9 en 2018 a 3,8 en 2022.
No obstante, recientes estudios han encontrado que la proporción de organizaciones que utilizan IA se ha estancado entre el 50% y el 60% en los últimos años. Donde un grupo de empresas son las que obtienen los mayores beneficios económicos de la IA, y por ende, siguen aventajando a sus competidores (The state of AI in 2022—and a half decade in review). Probablemente, esto se debe a la captación, formación y retención de talentos en analitica avanzada (véase La importancia de la tecnología educativa en la transformación digital de las empresas).
Para profundizar sobre el desarrollo de la IA y una visión a futuro te recomiendo: How has AI developed over the years and what's next?. Para aquellos que posean más conocimientos de programación, aquí les dejo un interesante post sobre el futuro de la IA desde la perspectiva de un programador: The Near Future of AI is Action-Driven.
A continuación, les comparto una serie de recursos para aquellos que desean aprender a poner en práctica la analítica avanzada. Estos recursos están ordenados de más fácil para su aplicabilidad en las empresas a ayudar a resolver problemas más complejos en economía):
- Introducing Simple ML for Sheets: A No-code Machine Learning Add-on for Google Sheets (TensorFlow Blog).
- Fairness Explained: Definitions and Metrics (IBM Data Science in Practice).
- Pivot and Unpivot Functions in BigQuery For Better Data Manipulation (Regenerative).
- Machine Learning para la resolución de conflictos: ¿Se puede evitar la guerra? (Nada es Gratis).
- Using Neural Networks to Predict Microspatial Economic Growth (Marginal Revolution).
Hasta aquí el post del día de hoy y recuerda que puedes seguirme en Twitter y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.
Comentarios