Gartner: la evaluación de los efectos financieros de los datos y los equipos de inteligencia artificial se ha vuelto fundamental
En Resumen
El problema de evaluar los efectos financieros de los equipos de datos, IA y ML se ha vuelto crítico.
En el mundo del futuro brillante de la IA, todos solo hablan de los impresionantes efectos del análisis de datos y de lo que los equipos de datos pueden aportar a la mesa en general. ¿Has visto estos efectos en la realidad: flujos de caja específicos como resultado de la implementación de proyectos de análisis de datos? La respuesta es probablemente ambigua. Así que Gartner discutió el problema de evaluar los efectos de los equipos de datos en su liderazgo conferencia sobre datos y analitica este año.
Según el estudio de Gartner, desde 1975 ha habido una disminución constante en la proporción de empresas que miden el impacto financiero específico de los proyectos de análisis de datos (crecimiento de ingresos, reducción de costos, crecimiento de la productividad y reducción de riesgos). Ya en 2020, más del 90% de las inversiones en datos (frente al 17% en 1975) se justificaban por los llamados objetivos estratégicos: creación de innovaciones, datos como activo y valor de marca.
Y luego puede hablar mucho sobre cómo y por qué llegamos a esto y qué sucederá a continuación en el contexto de las nubes que se acumulan en el entorno macroeconómico mundial.
¿Por qué se ha formado la tendencia?
Justificar el efecto del análisis de datos en términos de objetivos estratégicos es, en muchos casos, bastante normal. El desarrollo de la industria en los últimos años ya se ha vuelto obvio para todos, parece: ChatGPT aquí hace que el último disparo sea el último que duda. En el momento de un gran avance, ninguna empresa que quiera sobrevivir quiere quedarse irremediablemente atrás.
Justificar el efecto con objetivos estratégicos a veces es forzado cuando no se invierte en comprender qué efectos financieros reales pueden traer las inversiones en datos y cómo se pueden medir. Muchas empresas invierten grandes cantidades en proyectos de mejora de procesos de negocio basados en datos, pero al mismo tiempo ahorran en crear una metodología para evaluar los efectos de estos proyectos (test AB, análisis post-inversión de proyectos de datos, etc.). Con cada nuevo proyecto, estas empresas se atascan cada vez más en la trampa de la incertidumbre; para ellos, el riesgo de la quiebra final de toda la actividad de datos es creciente, o el equipo de datos está sobreinflado sin comprender el éxito de sus actividades.
Al mismo tiempo, en la práctica, la introducción de dichas metodologías siempre ha tenido los mayores efectos en todos los proyectos de datos.
¿Qué pasará después?
El lado oscuro es la creciente vulnerabilidad de los equipos de datos en una situación macroeconómica difícil en los mercados mundiales. Si el 90% de los efectos de algunos tipos de equipos no se pueden “tocar” porque están en algún lugar del futuro brillante, cuando la crisis económica se intensifique, serán estos equipos los primeros en ser golpeados. Desafortunadamente, el comienzo de esta tendencia se confirmó en gran medida en 2022, y una serie de cambios a gran escala despidos en grandes empresas.
El lado positivo es el creciente interés en las evaluaciones de impacto financiero real. En el contexto de todo lo anterior, esperamos que en 2024-2025 haya un cambio de tendencia y que un efecto financiero real justifique más inversiones.
Y esto significará un aumento en el interés por métodos como Reliable ML: cómo organizar el trabajo de los equipos de datos para que el efecto de sus actividades sea medible y financieramente positivo. Para hacer esto, debe pensar en el diseño del sistema ML (para no involucrarse en proyectos obviamente no rentables o irrealizables), inferencia causal (para no caer en la trampa de patrones falsos) y pruebas AB (para correctamente entender si su prototipo traerá dinero al escalar).
Leer más noticias relacionadas:
Observación
En línea con la Directrices del Proyecto Confianza, tenga en cuenta que la información proporcionada en esta página no pretende ser ni debe interpretarse como asesoramiento legal, fiscal, de inversión, financiero o de cualquier otro tipo. Es importante invertir sólo lo que pueda permitirse perder y buscar asesoramiento financiero independiente si tiene alguna duda. Para mayor información sugerimos consultar los términos y condiciones así como las páginas de ayuda y soporte proporcionadas por el emisor o anunciante. MetaversePost se compromete a brindar informes precisos e imparciales, pero las condiciones del mercado están sujetas a cambios sin previo aviso.
Sobre el Autor
Damir es el líder del equipo, gerente de producto y editor en Metaverse Post, que cubre temas como AI/ML, AGI, LLM, Metaverse y Web3-campos relacionados. Sus artículos atraen una audiencia masiva de más de un millón de usuarios cada mes. Parece ser un experto con 10 años de experiencia en SEO y marketing digital. Damir ha sido mencionado en Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto y otras publicaciones. Viaja entre los Emiratos Árabes Unidos, Turquía, Rusia y la CEI como nómada digital. Damir obtuvo una licenciatura en física, que él cree que le ha dado las habilidades de pensamiento crítico necesarias para tener éxito en el panorama siempre cambiante de Internet.
Más artículos
Damir es el líder del equipo, gerente de producto y editor en Metaverse Post, que cubre temas como AI/ML, AGI, LLM, Metaverse y Web3-campos relacionados. Sus artículos atraen una audiencia masiva de más de un millón de usuarios cada mes. Parece ser un experto con 10 años de experiencia en SEO y marketing digital. Damir ha sido mencionado en Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto y otras publicaciones. Viaja entre los Emiratos Árabes Unidos, Turquía, Rusia y la CEI como nómada digital. Damir obtuvo una licenciatura en física, que él cree que le ha dado las habilidades de pensamiento crítico necesarias para tener éxito en el panorama siempre cambiante de Internet.
