{"id":27873,"date":"2023-02-16T16:49:10","date_gmt":"2023-02-16T16:49:10","guid":{"rendered":"https:\/\/mioti.es\/como-escalar-proyectos-de-data-science-a-empresas\/"},"modified":"2023-02-16T16:49:10","modified_gmt":"2023-02-16T16:49:10","slug":"como-escalar-proyectos-de-data-science-a-empresas","status":"publish","type":"post","link":"https:\/\/mioti.es\/cl\/como-escalar-proyectos-de-data-science-a-empresas\/","title":{"rendered":"C\u00f3mo escalar proyectos de Data Science a empresas"},"content":{"rendered":"

El <\/span>data science<\/i><\/strong> o ciencia de datos es un campo interdisciplinario que involucra m\u00e9todos cient\u00edficos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas. En pocas palabras, nos ayuda a responder preguntas complejas a trav\u00e9s del an\u00e1lisis de los datos<\/strong>. Cada vez m\u00e1s empresas tradicionales est\u00e1n identificando el inmenso valor que la ciencia de datos puede aportar a sus modelos de negocio. <\/span><\/p>\n

Una de ellas es <\/span>Reale Group<\/b>, m\u00e1s conocida como Reale Seguros en Espa\u00f1a que, con casi 200 a\u00f1os de historia, sigue creciendo gracias a su continua actitud innovadora. <\/span>Victor Santamar\u00eda<\/b>, <\/span>Jefe del Centro de Data Science de Reale Group<\/b>, nos ha contado en el marco de las<\/span> masterclasses<\/b><\/a> de la escuela de negocios referencia en <\/span>data<\/span><\/i> science<\/span><\/i> y nuevas tecnolog\u00edas en Espa\u00f1a, <\/span>MIOTI<\/b><\/a>,<\/b> algunas claves para desplegar acciones de ciencia de datos en el \u00e1mbito corporativo.<\/span><\/p>\n

La ciencia de datos solo es \u00fatil para una empresa si consigue aportar valor a\u00f1adido al negocio<\/h2>\n

El punto de partida para implementar la ciencia de datos en una empresa es tener siempre muy claro que una iniciativa de <\/strong><\/span>data<\/i> science<\/i><\/strong> no ser\u00e1 consistente si no aporta valor adicional al negocio<\/strong>. Por ello, si las personas encargadas de crear y aplicar los modelos de datos no entienden o no tienen en cuenta la estrategia de negocio de su compa\u00f1\u00eda, muy posiblemente no podr\u00e1n ayudar a mejorar los procesos de las compa\u00f1\u00edas. <\/span><\/p>\n

Victor Santamar\u00eda se\u00f1ala los tres pasos que una empresa debe seguir si quiere implementar el uso de <\/span>data<\/span><\/i> science<\/span><\/i> como motor de desarrollo en su negocio:<\/span><\/p>\n

    \n
  1. Integrar los equipos de <\/b>data<\/i><\/b> science<\/i><\/b> y de negocio<\/b> para que ambos entiendan los retos, procesos, posibilidades y metas de la empresa. La ciencia de datos es un juego en equipo, donde los cient\u00edficos de datos deben establecer una relaci\u00f3n estrecha con el departamento de negocio para hacerles entender las posibilidades, soluciones y necesidades que tienen los desarrollos de Inteligencia Artificial. Por su parte, las personas dedicadas a la parte de negocio tienen que hacer llegar a los cient\u00edficos de datos la cultura, necesidades y l\u00ednea de negocio de la empresa.<\/span><\/li>\n
  2. Definir casos de uso concretos<\/b> en los que la Inteligencia Artificial (IA) pueda mejorar la estrategia de negocio. Entender que las acciones sobre IA tienen que estar siempre guiadas por las necesidades del negocio y centradas en casos de uso que reflejen problemas reales para la empresa. Este paso es el pilar fundamental de la estrategia, ya que ayuda a hacer escalables los procesos de negocio, a mejorar la experiencia de los clientes y a reducir la exposici\u00f3n al riesgo. <\/span><\/li>\n<\/ol>\n

    Los posibles casos de uso donde aplicar IA son infinitos. Cualquier proceso de negocio, y sobre todo aquellos que requieren alguna actividad de tipo cognitivo por parte del ser humano, puede ser acelerado, reforzado o escalado utilizando soluciones de ciencia de datos. El problema no ser\u00e1 encontrar secciones donde aplicar la Inteligencia Artificial, si no decidir en cu\u00e1les se implementar\u00e1 buscando un equilibrio entre los costes de desarrollo y los beneficios consecuentes. <\/span><\/p>\n

      \n
    1. Definir una estrategia de Inteligencia Artificial<\/b> eficiente siempre tras declinar los casos de uso elegidos en base a la estrategia de negocio. Dentro de la estrategia elegida, entran dos partes important\u00edsimas: las herramientas o \u201c<\/span>toolset<\/b>\u201d elegidas que se necesitar\u00e1n para desarrollar el proyecto y el equipo y modelo de trabajo necesario para hacerlo o \u201c<\/span>skillsset<\/b>\u201d. Tanto una buena elecci\u00f3n de la tecnolog\u00eda que se emplear\u00e1, que debe ser din\u00e1mica y flexible, como una selecci\u00f3n de personal adecuado que sepa trabajar en equipo son claves indispensables para hacer que una estrategia de <\/span>data science<\/span><\/i> realmente tenga repercusi\u00f3n en el negocio. <\/span> <\/li>\n<\/ol>\n

      Negocio, tecnolog\u00eda y dataset<\/i>, el tri\u00e1ngulo m\u00e1gico para hacer ciencia de datos a escala<\/h2>\n

      Reale mantiene que la base para hacer ciencia de datos es un tri\u00e1ngulo cuyos v\u00e9rtices son: poner siempre el foco en el <\/span>negocio<\/b>, una elecci\u00f3n y uso adecuados de la <\/span>tecnolog\u00eda<\/b> y un buen <\/span>dataset<\/i><\/b> gobernado.<\/span><\/p>\n

      El foco de cualquier estrategia de datos enfocada a empresa debe estar siempre en el <\/span>negocio<\/b>. Para ello, debe existir siempre un di\u00e1logo fluido entre los encargados de ambas funciones que haga que los equipos entiendan el lenguaje y la importancia de las estrategias de cada uno.<\/span><\/p>\n

      La elecci\u00f3n de <\/span>tecnolog\u00eda<\/b> que pueda soportar los procesos que se quieran llevar a cabo es importante, pero de nada sirve si no contamos con los expertos necesarios para poder desplegar las estrategias. <\/span>Un ingeniero de datos <\/b>es una de las figuras necesarias en el equipo de cient\u00edficos de datos, ya que ser\u00e1 el encargado de coger el <\/span>data product<\/i><\/b> o modelo del cient\u00edfico de datos y envolverlo en un software capaz de ser integrado en una aplicaci\u00f3n tecnol\u00f3gica.<\/span><\/p>\n

      El dataset<\/strong><\/h3>\n

      El \u00faltimo v\u00e9rtice del tri\u00e1ngulo m\u00e1gico de Reale es el <\/span>dataset<\/i><\/b>,<\/span><\/i> que se refiere a los datos que un proyecto abarca y usa. El dataset es el factor indispensable para crear <\/span>data<\/span><\/i> science<\/span><\/i>, ya que <\/span>sin datos no se puede hacer ciencia de datos<\/b>. Pero para crear modelos de datos no basta con tener un gran bruto de datos, han de ser de calidad y adem\u00e1s estar gobernados. <\/span><\/p>\n

      La gobernanza de datos se refiere al control que se tiene sobre los mismos, como por ejemplo saber cu\u00e1l es su origen, qu\u00e9 procesos los han transformado y cu\u00e1l es su significado, entre otras caracter\u00edsticas. Sin esta informaci\u00f3n, los modelos de datos que se puedan crear m\u00e1s all\u00e1 de ser in\u00fatiles pueden llegar a ser contraproducentes e incluso peligrosos para la empresa. El uso de datos no gobernados puede llevar a activar decisiones de negocio masivas err\u00f3neas<\/strong> que pongan en riesgo toda la estructura de la empresa.<\/span><\/p>\n

      C\u00f3mo escalar proyectos de Data Science<\/h2>\n

      Como comenta Victor Santamar\u00eda, su experiencia en este sector le ha hecho darse cuenta de que la <\/span>incertidumbre<\/b> es una parte muy importante a la hora de trabajar con ciencia de datos. La incertidumbre es algo a lo que los cient\u00edficos de datos est\u00e1n m\u00e1s que acostumbrados<\/strong>, ya que antes de procesar su <\/span>dataset<\/span><\/i> no saben qu\u00e9 respuestas o incluso preguntas generar\u00e1n los datos. Las personas encargadas de la parte de negocio suelen trabajar con m\u00e9tricas y procesos t\u00e9cnicos m\u00e1s predecibles, por lo que los proyectos conducidos por datos estar\u00e1n asociados en mayor o menor medida a un cambio cultural en las empresas. Por ello, la clave para que las empresas empiecen a mirar hacia modelos exitosos basados en Inteligencia Artificial ser\u00e1 la creaci\u00f3n de buenas sinergias entre los encargados de la ciencia de datos y de negocio.<\/span><\/p>\n

      \u201cLos planes a largo plazo cada vez tienen menos sentido, hay que ser muy flexibles, muy din\u00e1micos, muy \u00e1giles a la hora de implementar las estrateg\u00edas de Data Science y de decidir cu\u00e1les son las iniciativas de mayor valor para tu estrateg\u00eda de negocio<\/strong>\u201d, se\u00f1ala Santamar\u00eda. \u00bfQuieres conocer m\u00e1s acerca de c\u00f3mo escalar proyectos de Data Science a empresas y sus diferentes estrateg\u00edas? Puedes ver la masterclass completa en el siguiente v\u00eddeo.<\/span><\/p>\n