Byte TI organizó un webinar, patrocinado por Aitana y H&K, que contó con la participación de Agustín de Lozar, Responsable de Desarrollo de Negocio BI de Aitana y Eduardo Cejudo, Machine Learning Engineer de H&K y donde se abordó cómo la analítica avanzada ayuda a convertir datos dispersos en conocimiento útil, anticipar escenarios y apoyar decisiones empresariales con mayor rigor. Los ponentes insistieron en la calidad, la gobernanza y la cultura del dato como bases para que la tecnología genere valor real.
El encuentro comenzó explicando que es la analítica avanzada. Ambos ponentes la presentaron como un conjunto de técnicas que van mucho más allá de la simple lectura de datos históricos. Eduardo Cejudo, Machine Learning Engineer de H&K, la definió así: “La analítica avanzada es un término muy amplio que engloba varias técnicas, principalmente consiste en utilizar técnicas estadísticas, modelos predictivos, machine learning o también se conoce como aprendizaje automático y más recientemente inteligencia artificial pues para extraer conocimientos de los datos y apoyar la toma de decisiones en las empresas”.
El ponente subrayó que su valor no está solo en describir lo que ocurrió, sino en explicar por qué ocurrió, anticipar qué puede pasar y recomendar acciones. En sus palabras, “no solo el objetivo no solo es describir qué ha ocurrido, sino que permite entender el por qué ha ocurrido cierta fenomenología utilizando los datos, anticipar qué puede suceder en el futuro y también recomendar acciones concretas”. Esa capacidad de pasar del análisis retrospectivo al predictivo fue uno de los ejes centrales del webinar.
Desde la perspectiva de negocio, Agustín de Lozar, Responsable de Desarrollo de Negocio BI de Aitana, recalcó que el objetivo final es mejorar la toma de decisiones y aportar más profundidad al análisis. Señaló que estas herramientas permiten “ver el dato de distintas perspectivas” y encontrar patrones y comportamientos que, en el trabajo cotidiano, pueden pasar desapercibidos. También insistió en que la tecnología potencia la capacidad humana, no la sustituye.
Para ilustrarlo, puso un ejemplo práctico: una caída de ventas. Sin analítica avanzada, la explicación puede quedarse en conjeturas; con modelos y herramientas más sofisticadas, es posible identificar si el descenso responde a clientes cerrados, a la ausencia temporal de un comercial o a otras interacciones entre variables. Esa diferencia, explicaron, es la que convierte el dato en una palanca útil para el negocio.
Por qué fallan los proyectos
Uno de los mensajes más repetidos del encuentro fue que la tecnología ya no suele ser el principal problema. Eduardo Cejudo afirmó que “la tecnología como tal no suele ser el problema” y añadió que “hoy existen frameworks open source y soluciones de IA con costes mucho más bajos que en el pasado. El obstáculo real suele estar en la calidad, la organización y la coherencia de los datos”.
Tal y como explicó el propio Cejudo, “muchas compañías disponen de grandes volúmenes de información, pero esta aparece dispersa en varios sistemas, con inconsistencias o sin una definición clara. Esa situación dificulta extraer valor y hace que muchos proyectos no despeguen”. En su opinión, los fallos no se explican por falta de herramientas, sino por una mala secuencia en la adopción: primero debe entenderse el problema de negocio y después elegirse la tecnología adecuada.
Cejudo lo resumió con claridad: “Primero hay que definir bien y entender el problema que se quiere resolver o las decisiones que se quieran tomar, y luego en base a eso implementar la tecnología”. También advirtió de que, sin una estrategia clara, la tecnología por sí sola aporta poco valor. A ello añadió dos piezas esenciales como son el gobierno del dato y la adopción real por parte de los equipos, porque solo así los modelos se convierten en apoyo efectivo para decidir.
Agustín de Lozar coincidió en el diagnóstico y puso el foco en la calidad del dato. Recordó que muchas empresas operan sobre entornos ERP y asumen que la información que contienen es suficiente y correcta, pero no siempre es así. Según explicó, “suelen faltar campos, no se registra toda la información o los procesos de negocio no están bien gestionados, lo que deteriora los resultados cuando se aplican modelos avanzados. La IA, si tiene malos datos o no tiene campos completos no va a ofrecer ninguna solución”. A partir de aquí, defendió que la preparación del dato es un trabajo previo imprescindible y que la cultura de la empresa debe cambiar para acompañar esa transformación. “La dirección tiene que estar alineada y tiene que tener claro el valor que le va a aportar implementar”, sostuvo, remarcando que la estrategia debe nacer arriba y extenderse a toda la organización.
Cultura del dato y escalado
La conversación derivó después hacia una cuestión crítica en muchos proyectos como es la distancia entre el lenguaje técnico y el lenguaje de negocio. Agustín de Lozar defendió que la solución no pasa por elegir entre una parte u otra, sino por combinar ambas. “Eso es un win-to-win”, dijo, “porque los equipos directivos deben comprender las posibilidades y límites de la tecnología, mientras que los perfiles técnicos necesitan entender mejor el negocio”.
También planteó que el aprendizaje debe ser progresivo. Su idea fue clara: “Aprende a pedir”. Según explicó, conviene construir pequeños modelos para que el usuario de negocio practique, se familiarice y aprenda a formular mejor sus necesidades. De ese modo, la implantación deja de ser un ejercicio puramente técnico y se convierte en una evolución conjunta entre negocio y tecnología. En su opinión, ese acercamiento evita desarrollar soluciones que el usuario “ni ha pedido, ni ha solicitado, ni sabe cómo funciona”.
Eduardo Cejudo coincidió con esa visión y añadió que ahora existe más margen para esa transferencia de conocimiento en ambas direcciones, porque la implementación consume menos tiempo y menos recursos que antes. En consecuencia, los programadores pueden dedicar más energía a entender el negocio y a hacer las preguntas correctas a los responsables de área. Eso mejora la calidad de las soluciones y reduce la distancia entre lo que se necesita y lo que se construye.
Escalar la analítica
El último bloque se centró en las señales que muestran que una empresa todavía no está preparada para escalar su analítica. Cejudo destacó varios indicadores como las definiciones distintas de un mismo dato entre departamentos, la falta de automatización, la dependencia de hojas de cálculo y la ausencia de responsables claros de la gestión de la información. También advirtió que si las decisiones siguen tomándose por intuición y no por datos, la adopción será débil aunque la tecnología exista.
Agustín de Lozar reforzó esa idea con una visión organizativa. Bajo su punto de vista, “muchas empresas acumulan datos sin una estrategia clara y hacen proyectos muy locales que no tienen impacto global. El reto no es resolverlo todo de golpe, sino garantizar que cada iniciativa tenga valor tangible”.
La analítica avanzada, concluyeron ambos, solo escala cuando existe calidad, estrategia, gobernanza y una cultura corporativa dispuesta a usar el dato como base de decisión.
