Xavier Torres Fatsini es profesor de ESADE Business & Law School en ‘Business and Excel Solutions’ y experto en Business Intelligence y Data Science, además de Business Intelligence and Data Science Manager en Lear Corporation. Recientemente participó en una nueva edición del ciclo de jornadas organizadas por el Club Tarragona Esade Alumni, donde impartió un taller práctico de Microsoft Excel titulado Bocaditos de Excel: Análisis al alcance de todos.
¿Hay que saber usar Excel para manejar datos?
Digámoslo así: para empezar a manejar datos, Excel es la herramienta más adecuada por su flexibilidad y manejo. Pensemos que lleva en el mercado casi 40 años y ha evolucionado enormemente.
¿Qué papel juegan nuevas propuestas como Microsoft Power BI?
Las herramientas de Business Intelligence, como efectivamente Power BI, también de Microsoft, permiten dar un paso más en el análisis de datos. De un modo bastante intuitivo, al estilo de ‘drag and drop’, se pueden crear reportes y visualizaciones interactivas de alta calidad. El paso lógico después de tener un reporting en Excel es pasar a herramientas de Business Intelligence como Power BI para, en último término, analizar y visualizar los datos y tomar decisiones de forma más rápida y de mejor calidad.
Decisiones informadas.
Obviamente, para modelos de datos más complejos e indicadores de gestión más elaborados se requerirán de unos conocimientos más exhaustivos y específicos. Aunque hay que tener en cuenta que, al final, lo más importante es tener buena materia prima. Es decir, buenos datos que alimenten estos reportes y visualizaciones.
Se suele distinguir entre Big Data, Small Data... o simplemente ‘My Data’. ¿De qué hablamos cuando hablamos de datos?
La cantidad de datos suele ser lo de menos cuando hablamos de datos e inteligencia de negocio. Hay que premiar la calidad del dato, que no haya errores, que sean fiables y actualizados. Cuando damos un paso adicional de complejidad en los tipos de análisis, y pasamos del Business Intelligence al Machine Learning o Inteligencia Artificial, la cantidad de datos empieza a tener relevancia para poder desarrollar modelos de predicción más fiables.
«Las pymes empiezan a tener muchos datos, pero no están siendo explotados»
¿Por qué?
Porque, seguramente, cuantos más datos tenga la máquina para aprender, mejores serán los modelos predictivos. Por ejemplo, si quieres que una máquina aprenda a identificar perros y solo le proporcionas 100 fotos de perros, cuando después le muestres una nueva foto para que diga si en ella hay un perro, la máquina acertará muy poco. En cambio, si el modelo lo entrenamos con 100.000 fotos de perros, seguramente el porcentaje de acierto subirá.
¿Para qué sirven los datos y por qué es importante prestarles atención? ¿Puede poner algún ejemplo práctico?
Para facilitar la toma de decisiones. Imaginemos al director de Marketing de una empresa a nivel nacional, donde el año pasado se hicieron 50 tipos de campañas de descuento diferentes en 40 ciudades. Para el diseño de las campañas de este año, imaginemos que en cuatro clics y tres visualizaciones sepamos qué campaña ha funcionado mejor en cada ciudad, y con un par de clics más podamos acceder al detalle de cada una de ellas para ver las causas. ¿No facilita eso el diseño de las nuevas campañas?
¿Aprovechan hoy sus datos las pymes? ¿En qué medida? ¿Cómo pueden sacarles un mayor provecho de manera sencilla?
Es uno de los principales problemas de hoy en día. Empiezan a tener muchos datos pero no están siendo explotados. El uso de herramientas ‘low code’, es decir, que casi no requieren de conocimientos de programación, como PowerBI, puede ayudar a explotar estos datos.
«Las máquinas nunca podrán sentir ni tener conciencia: al menos eso quiero creer»
Si ya cuesta aclarar conceptos como Big Data y Small Data, ¿qué sucede cuando hablamos de Inteligencia Artificial? ¿Qué es IA y qué no? ¿Qué nos quieren hacer pasar por IA?
Lo de ‘Inteligencia Artificial’ o ‘Machine Learning’ suena a ciencia ficción, pero no es nada más que matemáticas y estadística aplicada para que nuestras máquinas, nuestros ordenadores, encuentren patrones en un mar de datos para facilitar predicciones. Predecir los ingresos de varios puntos de venta, predecir si una mancha en un TAC puede ser un tumor, predecir si un cliente de suscripción puede abandonar pronto o no, predecir la siguiente palabra que escribirás en WhatsApp... Y todas estas predicciones funcionan en base a modelos que hay detrás. Modelos que se entrenan, que aprenden, de datos históricos y reales. Como el ejemplo de las fotos de los perros que hemos comentado.
En este proceso de transformación digital, de Inteligencia Artificial y robotización, ¿cuál debe ser el valor añadido que aportemos como humanos?
Por un lado, la creatividad (aunque algunos digan que las máquinas ya hacen sus pinitos en este campo). También la gestión de personas y equipos, la capacidad de ordenar ideas abstractas y proyectos complejos... A las máquinas, a los modelos estadísticos, alguien les tendrá que decir cómo son las cosas para que aprendan. Y esa tarea solo nos pertenece a nosotros, los humanos. Además, las máquinas nunca podrán sentir ni tener conciencia. Al menos eso quiero creer. Y para crecer, como organización o como persona, eso es imprescindible.