Cómo el análisis de datos easy puede poner sus datos a trabajar antes de que esté ‘Listo para ML’



Únase a los ejecutivos del 26 al 28 de julio para la semana AI & Edge de Rework. Escuche a los principales líderes discutir temas relacionados con la tecnología AL/ML, IA conversacional, IVA, NLP, Edge y más. Reserva tu pase free of charge ahora!


Los datos se han convertido en el nuevo santo grial de las empresas. Desde empresas emergentes jóvenes hasta gigantes con décadas de antigüedad, todos los sectores recopilan (o esperan que las empresas recopilen) grandes volúmenes de información estructurada, semiestructurada y no estructurada para mejorar sus ofertas principales, así como para impulsar la eficiencia operativa.

La thought que surge enseguida es implementar aprendizaje automáticopero no todas las organizaciones tienen el plan o los recursos para datos móviles de inmediato.

“Vivimos en una época en la que las empresas solo recopilan datos, sin importar el caso de uso o lo que vayan a hacer con ellos. Y eso es emocionante, pero también un poco estresante por el volumen de datos que se recopilan y la forma en que se recopilan, porque no necesariamente siempre se hace con un caso de uso en mente”, Ameen Kazerouni, directora de datos y análisis de teoría naranja Health, dijo durante una sesión en VentureBeat’s Conferencia Transformar 2022.

Comenzando pequeño

El problema representa un obstáculo importante para el crecimiento basado en datos, pero según Kazerouni, las empresas no siempre tienen que nadar en la parte más profunda y hacer grandes inversiones en IA y ML desde el principio. En su lugar, pueden comenzar poco a poco con prácticas básicas de datos y luego acelerar.

El ejecutivo, que anteriormente dirigió los esfuerzos de IA en Zappos, dijo que una de las primeras iniciativas cuando se trata de volúmenes masivos de datos debería ser la creación de un lenguaje estandarizado y compartido para analizar la información que se recopila. Esto es importante para garantizar que el valor derivado de los datos signifique lo mismo para todas las partes interesadas.

“Creo que muchos directores ejecutivos, directores de operaciones y directores financieros de empresas que han recopilado grandes volúmenes de datos se encuentran con este problema, en el que todos usan el mismo nombre para las métricas, pero el valor es diferente según la fuente de datos de la que los obtuvieron. . Y ese casi nunca debería ser el caso”, señaló.

Una vez que el lenguaje compartido esté listo, el siguiente paso debe ser conectarse con los ejecutivos para identificar procesos repetitivos que consumen mucho tiempo y que están siendo manejados por expertos en el dominio que, de lo contrario, podrían ayudar en asuntos de datos más urgentes. Según Kazerouni, estos procesos deben simplificarse o automatizarse, lo que democratizará los datos, poniéndolos a disposición de las partes interesadas para una toma de decisiones más informada.

“A medida que esto suceda, comenzará a ver los beneficios de sus datos de inmediato (y observará problemas más grandes), sin tener que hacer grandes inversiones tecnológicas por adelantado o decir, encontremos algo en lo que podamos cambiar el aprendizaje automático y trabajar desde atrás. eso”, dijo el ejecutivo.

Enfoque centralizado de centro y radios

Para obtener los mejores resultados, Kazerouni enfatizó que las empresas jóvenes que no son nativas de la tecnología deben centrarse en un enfoque centralizado en lugar de intentar construir todo internamente. Solo deben centrarse en un diferenciador y utilizar soluciones de mercado para obtener la tecnología necesaria para realizar el trabajo.

“Sin embargo, también creo en tomar los datos de ese proveedor y llevarlos internamente a un centro o lago de datosque utiliza efectivamente los datos en el punto de generación con el fin de que [it] fue generado para. Y si necesita aprovechar esos datos en otro lugar o conectarlos a un activo de datos diferente, llévelos al centro centralizado, conecte los datos allí y luego redistribuya según sea necesario”, agregó.

La paciencia es clave

Si bien estos métodos generarán resultados a partir de los datos sin requerir una gran inversión en aprendizaje automático, las empresas deben tener en cuenta que el resultado llegará a su debido tiempo, no de inmediato.

“Le daría al líder de datos el espacio y el permiso para tomar dos o incluso tres cuartos para sentar las bases. Un buen líder de datos usará esos tres cuartos para identificar una automatización o analítica caso de uso que permite invertir en bloques de construcción críticos a lo largo del camino mientras proporciona algo de ROI al closing”, dijo Kazerouni, al tiempo que señaló que cada caso de uso aumentará la velocidad de los resultados, reduciendo la línea de tiempo a dos, tal vez incluso una cuarta parte.

mira el toda la discusión sobre cómo las empresas pueden poner sus datos a trabajar antes de estar listos para ML.

La misión de VentureBeat es ser una plaza pública digital para que los responsables de la toma de decisiones técnicas adquieran conocimientos sobre tecnología empresarial transformadora y realicen transacciones. Obtenga más información sobre la membresía.