A pesar de ser consideradas como una de las grandes palancas de crecimiento para los negocios, muchas PYMEs todavía son reticentes a apostar por el big data y la inteligencia artificial en su día a día, generalmente por temor a su complejidad y coste.
Sin embargo, la consultoría de data science Prenomics afirma que, a día de hoy, es precisamente en las pymes dónde puede ser más fácil implementar soluciones analíticas y de inteligencia artificial, hasta ahora más propias de grandes empresas tecnológicas. “En las pymes, a nivel tecnológico, puede ser más sencillo empezar a implementar este tipo de soluciones sobre todo por el hecho de partir de cero y de tener más flexibilidad en la puesta en marcha de nuevos procesos”, explica Roger Agustín, CEO de Prenomics.
Agustín recomienda apostar por utilizar el big data y la inteligencia artificial para ayudar a las pymes a resolver cuestiones tan relevantes para los negocios como mejorar sustancialmente las previsiones de la demanda mediante el uso de modelos de series temporales; incrementar el retorno en inversiones de marketing online recomendando acciones directas en segmentos de usuario de alta probabilidad de viralidad; o transformar un departamento de soporte al cliente para optimizar la priorización de la respuesta, con el objetivo de maximizar la satisfacción de los clientes de perfil rentable.
Por otro lado, Prenomics ha detectado que este 2019 se está consolidando una tendencia en el sector del data science según la cual las empresas de esta área cada vez apuestan más por ofrecer servicios pre-estructurados de inteligencia de datos a sus clientes, para que cualquier miembro de una empresa (particularmente los usuarios de negocio) pueda utilizarlos de forma casi directa, con procesos de instalación e integración muy ágiles. De esta manera, no es estrictamente necesario ni incorporar analistas de datos dentro de las PYMEs ni realizar proyectos a medida con costes elevados.
En particular, Prenomics ha detectado un aumento en la oferta y demanda de los siguientes servicios, que años atrás no existían o no estaban suficientemente desarrollados:
- Productos de machine learning plug and play: Como APIs de análisis de textos y su sentimiento (MonkeyLearn o la NLP API de Google) o chatbots de atención al cliente que hacen que no sean necesarios grandes volúmenes de datos para entrenar algoritmos. Estas herramientas posibilitan utilizar algoritmos ya directamente entrenados y en forma de producto.
- Consumo y exportación fácil de los datos de cualquier aplicación moderna: Tanto motores de ecommerce, ERPs, CRMs como sistemas de gestión de tickets o las propias redes sociales. Casi todos estos servicios permiten acceder a la información que tienen dentro y estructurarla para su consumo analítico.
- Herramientas de visualización de la información de auto-consumo (Business Intelligence): Permiten acceder a grandes volúmenes de información de forma sencilla así como navegar en ella conforme aparecen las preguntas de negocio sin necesidad de experiencia técnica.
- Servicios de auto-modelización: Herramientas que permiten modelar conjuntos de datos de forma automática. Los hay tanto comerciales (p.ej: DataRobot, AWS ML) como libres (p.ej: librería AutoML)
- Infraestructuras en la nube: Proveedores como Amazon Web Services, Google Cloud o Microsoft Azure hacen que a día de hoy, sin un gran conocimiento técnico, se pueda construir una infraestructura analítica en pocos clicks y con un coste totalmente ajustado al tamaño de cada negocio, que puede escalar fácilmente con el mismo.
- Consultorías de data science especializadas: Cada vez existen más empresas que combinan la visión estratégica con el conocimiento analítico y de todas las tecnologías anteriores que permiten construir soluciones que hace años solo estaban al alcance de muy pocas organizaciones.
