El panorama actual de los datos demanda agilidad y autonomía. La capacidad de las áreas de negocio para autogestionarse en el análisis y la explotación de datos es un imperativo. En este contexto, la inteligencia artificial generativa emerge como un diferenciador y habilitador clave, cerrando la brecha entre las áreas de datos y analytics y los usuarios finales.

Tradicionalmente, el desafío principal para los profesionales de datos y analytics ha sido la velocidad de entrega y la implementación de un verdadero self-service. La conversación sobre el self-service no es nueva; sin embargo, la IA generativa lo eleva a un nuevo nivel, permitiendo una unificación fluida entre el negocio y los proveedores de servicios de datos.

Abordando los Desafíos del Self-Service con IA Generativa

La implementación de la IA generativa como habilitador en el self-service de datos conlleva diversos desafíos inherentes al mercado actual:

• Capacidad de Procesamiento: Garantizar que la infraestructura subyacente pueda manejar el volumen y la complejidad de los datos para ofrecer una experiencia fluida al usuario final.
• Confianza y Precisión: Asegurar que los usuarios finales confíen en los datos y en la analítica generada, lo que exige alta precisión en los resultados.
• Seguridad y Gobernanza: Mantener niveles robustos de seguridad y gobernanza de datos, especialmente al descentralizar el acceso y la manipulación de la información.
• Velocidad (Time to Market): Reducir drásticamente el tiempo que tardan los usuarios en obtener la información que necesitan, reemplazando las solicitudes tradicionales a equipos de BI o datos por una autogestión de extremo a extremo.

Una ventaja competitiva en esta nueva era de tecnologías embrionarias es la capa semántica (semantic layer). Esta capa permite que el lenguaje natural del área de negocio sea comprendido e interpretado por el sistema, eliminando la barrera del skill técnico. En lugar de ejecutar consultas SQL directas a una base de datos, las preguntas del usuario final viajan a la capa semántica a través de una API, lo que representa un punto diferencial crucial. Además, a nivel arquitectónico, la buena práctica de diferenciar la capa física del data warehouse o data lakehouse de la capa semántica, con sus respectivos controles de seguridad, es fundamental.

Casos de Uso Transformadores con IA Generativa

Veamos tres casos de uso prácticos que ilustran el poder de la autogestión y el self-service habilitados por la IA generativa:

1. Asistencia de Self-Service: Democratizando el Acceso a los Datos

Este caso está diseñado para usuarios con poco conocimiento técnico, permitiéndoles interactuar con los datos usando lenguaje natural. La plataforma subyacente, con BigQuery y Looker de Google, facilita esta interacción. Un usuario puede simplemente escribir "top 10 productos por venta" y obtener la información de inmediato.

Lo más notable es la evolución de esta interacción. No solo se trata de escribir en un chat, sino también de interactuar a través de comandos de voz, lo que simplifica enormemente el acceso a los datos desde dispositivos móviles. La capacidad conversacional de modelos como Gemini, que actúa detrás de escena, permite flexibilidad en la formulación de preguntas. Se puede pedir un cambio de gráfico con "cambiar el gráfico de línea", "muéstralo con otro gráfico distinto que sea de línea", o simplemente "gráfico línea", sin necesidad de un lenguaje inducido. El resultado es instantáneo, adaptable y exportable, desde la visualización hasta el resumen.

2. Insight Summarization: El Analista de Datos Personalizado

Para aquellos con skill técnico pero quizás menos conocimiento del negocio, esta función actúa como un analista de datos virtual. Dentro de un dashboard (por ejemplo, en Looker con Vertex AI de Google), la herramienta genera insights automáticamente a partir de los datos que se están visualizando.

El sistema no solo presenta métricas básicas como ventas totales o beneficios, sino que realiza un deep dive en los datos, sugiriendo investigaciones sobre el rendimiento de ventas en periodos específicos o analizando la relación entre beneficio y venta. Incluso proporciona next steps y revela información no directamente visible en el dashboard. La inteligencia reside en que estos insights se actualizan dinámicamente al aplicar filtros, permitiendo un análisis detallado y comparativo de productos, vendedores o regiones.

3. Analítica Descriptiva y Predictiva Unificada

Tradicionalmente, la analítica descriptiva (BI tradicional) y la analítica predictiva han operado en silos. El tercer caso de uso demuestra cómo estas dos vertientes pueden combinarse en una única plataforma. Un usuario final, sin ser un experto en ciencia de datos, puede visualizar métricas históricas y al mismo tiempo generar proyecciones o predicciones.

La herramienta presenta datos históricos (en verde) y sobre estos, realiza forecasts (predicciones) con escenarios pesimistas, optimistas y realistas. Esta integración elimina la necesidad de que los usuarios de negocio dependan de científicos de datos para obtener proyecciones, empoderándolos con una visión unificada del pasado y el futuro de sus datos.

El Futuro del Self-Service y la Transformación Organizacional

El futuro del self-service impulsado por la IA generativa apunta hacia herramientas que no solo responden a preguntas, sino que también sugieren proactivamente nuevas preguntas basadas en el historial del usuario, emulando la experiencia de los sistemas de recomendación. Además, la visualización de datos será impulsada por agentes inteligentes que recomendarán el tipo de gráfico más adecuado para el análisis en curso, mejorando significativamente la experiencia del usuario.

En este contexto de profunda transformación digital, empresas como Grupo AlEn están redefiniendo su enfoque. Samuel González, CDO de Grupo AlEn, compartió el journey de su compañía, una empresa con 75 años de trayectoria y una integración vertical impresionante, que no era inherentemente digital.

La transformación en Grupo AlEn se enfoca en tres pilares:

• Ganar al Consumidor: Entender y satisfacer las necesidades del cliente.
• Operaciones del Futuro: Optimizar procesos para una mayor eficiencia.
• Soporte de Procesos End-to-End: Visualizar y gestionar procesos de manera integral, trascendiendo los silos departamentales.

Los habilitadores clave de esta transformación incluyen un profundo conocimiento del cliente y el consumidor (con un 97% de penetración en los hogares mexicanos), y un énfasis significativo en el talento y la cultura. El change management es el foco principal, buscando movilizar tanto a los "corredores" (quienes ya están en la iniciativa) como a los "joggers" (escépticos) y a quienes se resisten psicológicamente al cambio.

La creación de un área dedicada a datos y analítica avanzada es un testimonio de este compromiso. El desafío no es solo tecnológico, sino cultural. El data literacy es fundamental para empoderar a los equipos y convertirlos en agentes de cambio. Los "casos de éxito" se convierten en la moneda de cambio para demostrar el valor y la importancia de esta transformación.

Los retos que enfrenta Grupo AlEn, comunes en la industria manufacturera y retail, incluyen:

• Calidad de Datos: Un terreno fértil para la construcción de una base sólida de datos.
• Integración de Sistemas: Unificar diversas plataformas para una visión coherente.
• Talento y Change Management: Desarrollar las capacidades internas y gestionar la adopción de nuevas mentalidades.
• Cultura de Datos: Fomentar una cultura donde los datos sean el centro de la toma de decisiones.

En última instancia, la transformación busca convertir estos retos en capacidades, enfocándose en la productividad y la mejora de la experiencia del consumidor. El objetivo es llevar a toda la compañía a un nivel de data driven, capitalizando cada pequeño éxito y construyendo una base sólida para el futuro. La colaboración con socios especializados como Corbi, en conjunto con la tecnología de Google, es fundamental para recorrer este camino hacia una compañía verdaderamente autogestionada y orientada a los datos.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla: