A pesar de realizar grandes inversiones, muchas organizaciones obtienen resultados decepcionantes de sus esfuerzos en analítica e inteligencia artificial. ¿Qué hace que éstas iniciativas fallen? Te compartimos 10 características de un proyecto que está destinado a fallar:
- No existe una estrategia más allá de unos pocos casos de uso, y se deja de lado el panorama macro de oportunidades y amenazas que presenta la IA en su industria.
Tip: Siempre es bueno detenerse y hacer la pregunta ¿Cómo va a modificar la IA mi industria y los próximos años? - Se realizan pilotos sin pensar en cómo equilibrar las ganancias en el primer año con los beneficios a más largo plazo.
Tip: Siempre es necesario evaluar la viabilidad, el valor comercial y los horizontes de tiempo.
- El management carece de una comprensión clara de qué es la analítica avanzada, por lo que se contratan científicos de datos, ingenieros y otros actores clave, sin darse cuenta de cómo difiere la analítica tradicional de la analítica avanzada.
- Por el contrario al punto anterior, muchas veces hay una ausencia de roles clave, y la organización carece del conjunto de habilidades y tareas que requiere un programa sólido de IA.
Tip: Una vez que se tiene la estrategia clara, se recomienda identificar cuáles son los roles requeridos según el tipo de iniciativa, definiendo alcances y expectativas, creando así un espacio común para todos los stakeholders.
- Los proyectos carecen de «traductores», o expertos que puedan unir el ámbito comercial y analítico.
Tip: Siempre se debe tener un que rol que sea capaz de identificar casos de uso de alto valor, comunicar las necesidades comerciales a los expertos en tecnología y finalmente generar aceptación con los usuarios comerciales.
- Se aísla la capa de análisis del negocio, centralizándolo rígidamente o encerrándolo en silos mal coordinados.
Tip: En lugar de generar silos, busca organizarlo de una manera que permita que los expertos en análisis y negocios trabajen en estrecha colaboración.
- Se desperdicia tiempo y dinero en la limpieza de datos de toda la empresa.
Tip: En cambio, se sugiere alinear la consolidación y limpieza de datos con los casos de uso más valiosos para ir creciendo de manera modular.
- Se construyen grandes plataformas de análisis antes de identificar casos comerciales, configuran arquitecturas tipo data lake sin saber para qué se necesitarán y, a menudo, integran plataformas con sistemas heredados innecesariamente.
Tip: Como ya fue mencionado, es recomendable empezar por una estrategia, avanzar hacia los casos de uso y luego definir la tecnología.
- No existe una cuantificación del impacto final de los análisis, ya que carecen de un KPI con métricas claras para rastrear la efectividad cada iniciativa.
Tip: Comúnmente casi todas las iniciativas de IA pueden tener un KPI de efectividad, como reducción de clientes fugados, aciertos de no-show, aumento porcentual en ventas, etc.
- No se centran en las implicaciones éticas, sociales y normativas, lo que los hace vulnerables a posibles errores cuando se trata de la adquisición de datos que ya contienen sesgos algorítmicos.
Tip: Siempre cuestionar el origen del dato, qué se hizo para obtenerlo, y si cumple con la política de ética de la empresa, además de la normativa nacional.
En general, las transformaciones culturales y de negocio que genera una iniciativa de Inteligencia Artificial toman entre 18 a 36 meses en finalizar. Por lo tanto, resulta clave evitar que pierdan momentum, sin perder de vista que la analítica es simplemente un medio para resolver problemas de negocios, y que por ello las unidades de negocio siempre deben liderar los proyectos de IA haciéndose responsables de su éxito.
¿Quieres reforzar el cambio de tu organización con Inteligencia Artificial? Contáctanos para ver cómo junto a H2o.ai podemos democratizar el uso de IA dentro de tu empresa.
