Los algoritmos cubren ámbitos de aplicación y disciplinas de alto componente tecnológico que, como la inteligencia artificial, son ya clave en nuestra sociedad.

Texto de Jorge Martín Arevalillo, doctor en ciencias matemáticas y profesor e investigador del Dpto. Estadística e I.O de la UNED.

En los últimos tiempos hemos asistido a una revolución tecnológica que se ha sustanciado en un proceso de transformación social hacia una sociedad de la información y los datos. Uno de los agentes de esta transformación es la digitalización que sitúa a las organizaciones, tanto públicas como privadas, ante la necesidad de reconvertir sus estructuras para adaptarlas al escenario digital emergente. Cuando el dato está en el centro de sus decisiones estratégicas, se convierte en un activo de valor para esta transformación; se trata de la materia prima de las organizaciones que adoptan la cultura del dato y el big data como palanca para la eficiencia y la mejora competitiva. Uno de los retos del big data es el de la analítica del dato, cuyo fin último es pasar del almacenamiento masivo a la transformación del dato en información de valor, de modo que la nueva materia prima, el crudo dato del yacimiento petrolífero, se procese en la refinería analítica para poder ser consumido. Otro reto, subordinado al anterior, es potenciar la cultura analítica dentro de las organizaciones para así favorecer la toma de decisiones informadas por soluciones data driven (guiadas por datos); estas soluciones impactarán en la forma en que la administración provee servicios para el ciudadano, en la operativa comercial de un negocio y su modelo relacional con el cliente mediante una propuesta de servicios y productos que se adapten a su necesidad, incluso en el desarrollo de nuevos productos. Este doble reto hace inaplazable la evolución de las organizaciones hacia modelos operativos que favorezcan la implementación y puesta en producción de soluciones analíticas para la transformación del dato en información de valor.

La investigación

Los algoritmos matemáticos desarrollados por la investigación en Ciencia de Datos tienen gran potencial para abordar el desafío analítico, ya que cubren un amplio espectro de problemáticas, ámbitos de aplicación y disciplinas de alto componente tecnológico como por ejemplo la inteligencia artificial. La investigación también provee un aparato teórico y aplicado, en continuo desarrollo y revisión, que abarca los tres ejes del enfoque analítico: descripción, predicción y prescripción. De forma simplificada, se podría decir que las técnicas de análisis exploratorio y descriptivo de datos responderían al qué ocurre, los procedimientos para la construcción de modelos predictivos al qué va a pasar, mientras que los enfoques basados en algoritmos prescriptivos dan respuesta al qué debo hacer. Estas tres perspectivas, ya sea que se apliquen por separado o conjuntamente, reúnen un cuerpo de herramientas algorítmicas de suma utilidad para abordar el desafío analítico; cuando se usan con visión de negocio y alineadas con los objetivos estratégicos de la organización, tienen el potencial de transformar el dato en valor.

Casos de uso

Los casos de uso son innumerables y en ocasiones requieren desarrollos metodológicos ad hoc para el dominio de aplicación, lo que hace aún más relevante el papel que juega la investigación científica. Sin ánimo de ser exhaustivos, la siguiente propuesta es una muestra representativa de casos de una analítica que genera valor:

En banca comercial un algoritmo podría identificar los clientes más proclives a adquirir cierto producto, otro podría personalizar la oferta comercial mediante un sistema de recomendación que tenga en cuenta el contexto del cliente y otro automatizar el lanzamiento de campañas de vinculación de clientes por medio de la venta cruzada; también se podrían utilizar los algoritmos para procesar los datos generados por la operativa de gestión comercial con el objetivo de prescribir el canal y tipo de mensaje que hace más efectiva la colocación de un producto crediticio en función del perfil del cliente, lo que ayudaría a diseñar estrategias de marketing personalizado.

En el sector del seguro los algoritmos son útiles en los procesos de ajuste de la prima al riesgo, también para establecer una estrategia de tarificación acorde con patrones diferenciales de sensibilidad al precio, o para incrementar la efectividad de las campañas comerciales de retención de clientes clasificándolos por su riesgo de fuga y así poner el esfuerzo comercial de la retención en los de mayor riesgo. Los sensores de los vehículos también generan gran cantidad de datos, que pueden ser procesados mediante algoritmos de machine learning para descubrir patrones y tipologías de riesgo en la conducción, lo que permitirá a los actuarios adaptar la póliza y la prima a los hábitos de conducción y su riesgo asociado.

Los datos sobre los hábitos de consumo de los clientes son un activo de alto valor en el sector del gran consumo, sector en el que la Ciencia de Datos encuentra un terreno abonado para la analítica; por ejemplo: los algoritmos son de utilidad para pautar estrategias de precios, para diseñar promociones personalizadas que respondan a las necesidades reales del consumidor o para mejorar la eficacia de las campañas de lanzamiento de nuevos productos identificando los patrones de consumo más afines a las características del producto promocional.

La biomedicina también está integrando en sus prácticas el análisis de datos como factor clave para la investigación y la innovación. El desarrollo tecnológico ha reducido el coste de la medición y de la recogida de datos clínicos sobre pacientes, de todo tipo de marcadores biológicos y de los denominados datos “ómicos”. Los sistemas de salud y la industria farmacéutica se hallan inmersos en el desafío analítico de transformar la materia prima de los datos clínicos y biológicos en valor de salud pública; es aquí donde la Ciencia de Datos desempeña un papel cada vez más pujante mediante el desarrollo y aplicación de algoritmos para la identificación de dianas terapéuticas y elaboración de nuevos fármacos, para el análisis de datos de ensayos experimentales en el desarrollo de vacunas, para la identificación de marcadores asociados a ciertas enfermedades que serán de utilidad en su diagnóstico precoz, para el reconocimiento de patrones y la clasificación de imágenes, etc. Las posibilidades en un ámbito como éste, abonado para la investigación, el desarrollo y la innovación, son innumerables.

Otros sectores como telecomunicaciones, logística, turismo, industria energética, biotecnología, educación, publicidad, e-commerce, medios audiovisuales y un largo etcétera también presentan casuísticas tan ricas como las descritas anteriormente. Además, la disrupción digital ha propiciado la irrupción en el tablero de juego de nuevos actores en cuyo ADN está presente la cultura de la analítica del dato; esto les confiere ventaja competitiva frente a otros jugadores tradicionales que se hallan en fase de reconversión o de madurez. Estas organizaciones de ADN digital ya integraron el concepto data driven en sus estructuras y se hallan inmersos en dinámicas algorithm driven (guiado por algoritmos), de modo que la implementación y puesta en producción de algoritmos forman parte de su día a día en la gestión comercial, la toma de decisiones estratégicas y el desarrollo de nuevos productos. Este vivero de organizaciones nativas digitales es un nicho que ofrece muchas posibilidades para la investigación, el desarrollo y la innovación.

Transferencia a la sociedad

La investigación académica en Ciencia de Datos está llamada a jugar un papel protagonista en este entorno de oportunidades. Frente al desafío de los actores económicos en cada sector de incorporar la analítica y los algoritmos a sus estructuras organizativas, las universidades y centros de investigación se hallan ante la oportunidad de la transferencia del acervo de investigación que desarrollan con el fin de dar respuesta a los nuevos retos; esto abre un horizonte de oportunidad para una Ciencia de Datos orientada a la innovación y la generación de valor. Por otro lado, la multiforme variedad de casos de uso y el amplio espectro de ámbitos de aplicación abrirá, a su vez, líneas de investigación nuevas cuyo desarrollo dará a luz enfoques algorítmicos alternativos, ya sea por la revisión y adaptación de métodos usados en el pasado o por el desarrollo de ideas innovadoras, cuya transferencia a la sociedad revertirá, de nuevo, en valor añadido. Así se cerrará el círculo virtuoso de la transferencia de investigación en Ciencia de Datos; se trata de un círculo de innovación con algoritmos que generan valor. Quienes de ambos lados ya hayan emprendido el viaje estarán anticipando al presente las oportunidades de un futuro que está a la puerta y llama.