7 razones por las que la analítica y el aprendizaje automático no cumplen los objetivos empresariales

Solución: Los equipos de ciencia de datos deben considerar algunas técnicas para resolver este problema, incluida la implementación de pruebas A/B para medir el impacto en el usuario de diferentes implementaciones y encuestar cualitativamente a los usuarios finales. Los desarrolladores y los científicos de datos también deben asegurarse de que las aplicaciones y los flujos de trabajo sean observables para capturar y revisar problemas de rendimiento, defectos de software, problemas con los modelos de aprendizaje automático o problemas de usabilidad.

Proporcionar analítica sin automatización ni integración

Poner más datos, predicciones, cuadros de mando e informes en manos de los usuarios finales puede ser valioso, pero tiene un coste potencial en productividad. Los equipos de ciencia de datos pueden crear más trabajo para los empleados cuando las herramientas de informes desplegadas están desconectadas de las plataformas utilizadas para los flujos de trabajo y la toma de decisiones. Una segunda preocupación es cuando los análisis ofrecen nuevas perspectivas, pero se necesita un trabajo manual significativo para tomar medidas al respecto. La automatización y la integración deben ser prioridades del programa de entrega de analítica.

“Las analíticas están pensadas para ser consumidas por humanos, y son la parte que no es escalable”, afirma Vanja Josifovski, CEO y cofundadora de Kumo. “La mayoría de los casos de uso empresariales clave, como la personalización y las recomendaciones, son predictivos. El camino para desbloquear el valor aquí es hacer que el aprendizaje automático sea más fácil y automatizado, y luego ampliarlo a los casos de uso de IA”.