Después de más de un año de pandemia la “normalidad” ha ido regresando poco a poco en los diferentes países gracias a la vacunación masiva que hemos estado atestiguando. A medida que esto va pasando, dentro de las empresas nos empezamos a encontrar con una clara realidad. Los datos recabados durante este año que pasó son muy poco predictivos para el futuro. Son una “irregularidad” en la historia que, esperemos, no se repita dentro de mucho tiempo. Lo cual hace de estos datos un verdadero dilema dentro de las empresas y se requiera de un análisis profundo sobre la mejor forma de utilizarlos.
El hecho de que existan estos datos atípicos pone en una situación difícil o aventajada a muchas compañías. Una empresa de aviación, o de entregas como Estafeta, van a tener datos de muy distinta naturaleza que se generaron durante la cuarentena. Una empresa de aviación tuvo muy pocos vuelos, y sus datos representan una imagen estéril y desalentadora que resultaría en la quiebra de esta. En contraste, Estafeta ha visto uno de sus años más redituables con grandes crecimientos en las entregas y el comercio electrónico y a su vez están expandiendo operaciones para dar cabida al incremento en demanda.
Las dos, la imagen fúnebre y desalentadora de la aerolínea, y la imagen esperanzadora de Estafeta, no muestran la realidad como es, son la representación de un año atípico, que debe de analizarse muy cautelosamente para poder obtener estrategias que puedan ser útiles en un futuro. Y no simplemente crear modelos que serán inútiles y una pérdida de recursos. Y peor aún, que pueden llevar a estrategias devastadoras para ambas empresas.
Un modelo de Inteligencia Synthetic depende mucho de los datos que tiene la empresa para poder generar predicciones e intuiciones a futuro y así generar valor. Pero si los datos no son representativos de la realidad, el modelo tampoco lo será, y se obtendrá mínimo o nulo valor a partir del mismo. En el peor de los casos se tomarán decisiones basadas en modelos de la realidad erróneos.
Existen diversas estrategias para tratar datos atípicos y que son pocos representativos de la realidad. Por un lado, podemos simplemente olvidar que existen dichos datos, y trabajar con lo que tenemos de datos históricos de años anteriores. Esta es una estrategia que posiblemente sea útil para la industria del turismo y la aviación, las fechas pico y los fines de semana seguirán siendo los momentos fuertes, independientemente de que durante la pandemia no lo hayan sido. Los destinos más populares, seguramente regresaran a niveles prepandemia en el corto plazo. Y los turistas posiblemente mantendrán muchos de sus patrones de compra prepandemia.
Otra estrategia, es recabar datos en tiempo actual, e ir ajustando los modelos a medida que la pandemia vaya terminando, esta estrategia resulta útil para las marcas de retail, para poder ajustar y planear sus inventarios, a medida que la demanda de comercio en línea vaya disminuyendo, y las personas vayan regresando a las tiendas. Sin embargo, es importante remarcar que, para el caso del comercio en línea, es muy possible que muchas tendencias que nacieron por la pandemia vayan a permanecer en el futuro, por lo cual es importante no desechar los datos y aprender de ellos.
Es importante identificar la estrategia indicada para la empresa que llevamos, y así saber qué tipos de datos utilizar y qué tipo de datos simplemente desechar. Puede ser el caso que incluso dentro de una misma empresa se deban de seguir estrategias distintas para distintas partes de la operación del negocio.
Al closing del día, la Inteligencia Synthetic debe ser un motor de crecimiento y optimización de la empresa, y para esto, las herramientas deben de tener los mejores datos que representen el presente y pasado de la industria. Y es aquí, donde radica mucho el valor de un buen científico de datos, en la capacidad de identificar los problemas, e identificar qué estrategias se deben de seguir dependiendo de la coyuntura histórica de la empresa.
” Fuentes www.elfinanciero.com.mx ”
