Errores humanos en el análisis de datos, y cómo solucionarlos utilizando la IA

Desde estrellar naves espaciales hasta hundir barcos, pasando por transferir miles de millones de dólares a destinatarios no deseados y causar muertes por sobredosis de medicamentos, el error humano en el análisis de datos tiene ramificaciones de gran alcance para las organizaciones.

Los motivos de los errores humanos en el análisis de datos pueden ser muchos, como la falta de experiencia, el cansancio o la pérdida de atención, la falta de conocimientos o los sesgos tan comunes en la interpretación de los datos. Sin embargo, lo que es frecuente entre estos errores es que están relacionados con los humanos que leen, procesan, analizan e interpretan los datos. La inteligencia artificial puede combatir eficazmente el error humano asumiendo el trabajo pesado que supone parsear, analizar, profundizar y diseccionar volúmenes de datos imposiblemente grandes. También puede llevar a cabo funciones aritméticas, lógicas y estadísticas de alto nivel a una escala que, de otro modo, sería imposible por medio de la analítica de autoservicio dirigida por humanos.

Sailakshmi Baskaran, Analytics Evangelist at ManageEngine.

A continuación, se presentan cinco de los errores humanos más comunes que pueden eliminarse utilizando la IA:

Es fácil detectar un coche amarillo cuando siempre estás pensando en un coche amarillo. El sesgo de confirmación afecta a la forma en que buscamos, interpretamos y recordamos la información. En el mundo de los negocios, el instinto visceral suele triunfar sobre los datos, y estos se manipulan, se omiten, se tergiversan o se malinterpretan para que coincidan con las propias creencias. Y en los casos en los que los datos no coinciden con las creencias, la información se descalifica y no se tiene en cuenta. La inteligencia artificial elimina esta manera de seleccionar los datos; utiliza los datos históricos para buscar tendencias, patrones y valores atípicos, proporcionando resultados precisos y sin sesgos.

Lockheed Martin, una de las empresas aeroespaciales más importantes del mundo, utiliza datos históricos de proyectos, también llamados datos oscuros, para gestionar sus proyectos de forma proactiva. Al correlacionar y analizar cientos de métricas, la empresa fue capaz de identificar los indicadores principales y atrasados del progreso del programa, predecir la degradación del programa y aumentar la previsión del proyecto en un 3%.

Demasiadas organizaciones luchan con problemas relacionados con los datos, como la organización de múltiples fuentes de datos, la falta de colaboración entre las fuentes de datos, la baja precisión de los datos y la escasa accesibilidad a los mismos. En España, además, se suma el problema de la brecha digital, desde la escasez de profesionales de TI a empleados con dificultades para digitalizarse, que muchas empresas y organizaciones no saben como paliar.

La inteligencia artificial puede romper fácilmente los silos comunicando y correlacionando grandes conjuntos de datos procedentes de varias aplicaciones, bases de datos o fuentes de datos mediante técnicas de modelado de datos relacionales. Además de que puede paliar la falta de habilidades de TI simplificando los procesos, de forma que no se necesite un nivel elevado de TI para llevarlos a cabo.

La aversión a las pérdidas está en la naturaleza humana. Toyota restó importancia al impacto de los frenos defectuosos en sus coches, lo que hizo que algunos modelos de Toyota fueran retirados de la lista de vehículos recomendados por Consumer Reports. BP restó importancia al impacto del vertido de petróleo en el Golfo de México publicando pulidos anuncios en los que se disculpaba por un “vertido menor”, hasta que recibió duras críticas del entonces presidente Barack Obama, que dijo que la empresa debería haber utilizado su presupuesto de relaciones públicas para limpiar el vertido.

Minimizar las pérdidas crea una visión de túnel e incapacita a los líderes para tomar decisiones eficaces. Y a largo plazo, esto puede resultar costoso para la organización. Debido al ADN analítico de la inteligencia artificial, entiende e interpreta los datos tal y como son y no favorece las tendencias positivas sobre las negativas, eliminando indiscutiblemente la tendencia humana a favorecer los resultados positivos. Esto hace que la analítica impulsada por la IA sea un aliado ideal para los líderes que buscan tomar decisiones basadas en hechos completos y no en una imagen parcial.

Otro inconveniente de la analítica dirigida por el ser humano es la costumbre de presentar predicciones infladas del futuro. Ya se trate de la previsión de las necesidades presupuestarias de la organización, de la predicción de los daños materiales tras una catástrofe natural o de la predicción del déficit fiscal o de las tasas de inflación, los humanos tienden a inflar las predicciones basándose en sus propias suposiciones y experiencias. Por el contrario, la analítica dirigida por la IA tiende a ser más precisa porque hace predicciones basadas en fuerzas impulsoras o detenedoras y en estímulos externos o del entorno. La Marina de Estados Unidos aprovecha la inteligencia artificial y el aprendizaje automático para predecir los fallos de las piezas de forma proactiva y planificar el mantenimiento preventivo de sus aviones y barcos. Esto permite a los marineros dedicar más tiempo a las misiones y menos a la reparación de las aeronaves cuando fallan.

Profundizar en el análisis de la causa raíz de los problemas puede situar a las empresas a años luz de otras que no siguen estas prácticas. El análisis de la causa raíz puede identificar los agentes que causan un problema, insinuar medidas correctivas y ofrecer ideas para prevenir esos problemas en el futuro. Pero con demasiadas fuentes de datos, estructuras y silos, resulta imposible para los humanos cotejar, analizar y profundizar para realizar el análisis de la causa raíz. Los análisis basados en la IA pueden sortear estas barreras al profundizar sin esfuerzo en múltiples niveles de datos simultáneamente. Además, la IA también puede superponer varios escenarios posibles para llegar a la causa más probable de un problema.

Los beneficios de la analítica impulsada por la IA son muchos, desde proporcionar información procesable en minutos hasta eliminar errores o sesgos en la analítica de autoservicio. Ahora que cada vez más líderes empresariales recurren a la IA para obtener conocimientos que impulsen su negocio, podemos esperar ver una creciente adopción de la IA en la analítica en Oriente Medio y en todo el mundo.