Grandes datos

Atención al análisis predictivo y la intuición durante la gestión de crisis

El papel de los grandes datos en el análisis predictivo no niega la importancia de centrarse en la intuición y considerar la experiencia, especialmente durante una crisis.

Por que los directores ejecutivos deben liderar las iniciativas de

A principios de este año, trabajé en un proyecto de prevención de riesgos de la cadena de suministro. Una solución evaluada fue una herramienta de análisis de terceros que recopila datos GPS, meteorológicos, económicos, financieros y políticos de todo el mundo y luego los combina con detalles relevantes sobre proveedores específicos, como su estado financiero personal y sus capacidades, y como clave a la urgencia con la que suministran componentes a las cadenas de suministro corporativas.

A través de una serie de algoritmos analíticos, el software evalúa todos estos datos frente a indicadores clave y luego propone un sistema que alerta a los proveedores de misión crítica de la cadena de suministro de la empresa y también los considera vulnerables por varias razones.

El objetivo de la empresa era identificar a sus proveedores de misión crítica y de alto riesgo antes de que se convirtieran en un problema y encontrar formas de reducir el riesgo.

Este es solo uno de los muchos proyectos en los que las organizaciones se han centrado en el poder de los grandes datos y el análisis predictivo para reducir el riesgo y mejorar el rendimiento.

En otro caso, la Fundación Nacional de Ciencias (NSF) y la Agencia de Ciencia y Tecnología de Japón (JST) están colaborando en la investigación de gestión de desastres utilizando big data para predecir o predecir eventos catastróficos. En el proceso, están definiendo sistemas capaces de descifrar entre datos masivos, ruidosos y heterogéneos para facilitar la toma de decisiones oportunas ante desastres. Además de la detección, visualización, análisis y predicción de datos en tiempo real, estos sistemas requieren un razonamiento asociativo no lineal para el análisis situacional y el modelado de respuestas. Este trabajo es muy prometedor. Por ejemplo, ¿seremos capaces de predecir el próximo gran terremoto y tomar medidas preventivas para proteger la vida humana y minimizar los efectos dañinos?

LEER  Evite la parálisis de la causa raíz con canalizaciones de recopilación de datos

Si bien la gente está entusiasmada con la perspectiva, también hay voces y proyectos que advierten que los grandes datos tienen sus límites. Por ejemplo, en 1999, el Mars Climate Orbiter se desintegró en la atmósfera superior de Marte porque la NASA usó unidades de medida diferentes a las definidas en su software de análisis.

Durante el huracán Sandy, 20 millones de tuits ayudaron a las organizaciones humanitarias a llegar a personas que ni siquiera sabían que las necesitaban; tuits, publicaciones de Facebook y fotos ayudaron a las organizaciones de ayuda durante el tifón que azotó el centro de Filipinas, pero en 2013, un informe de la ONU de 2010 dijo que muchas de las decisiones tomadas por profesionales humanitarios durante los desastres no se basan en datos empíricos de ningún tipo.

Los expertos también advierten que los gobiernos y las empresas recopilan datos de tamaños de muestra sesgados, lo que puede no brindarles una imagen lo suficientemente completa de lo que realmente está sucediendo.

¿Cuál es la noticia?

«No hay duda de que Big Data tiene increíbles beneficios que ofrecer”, dice Big Data Insight Group, un foro de big data. «Puede transformar cualquier organización, independientemente de su tamaño o sector, y brindar beneficios que pueden mejorar drásticamente el éxito de cualquier negocio Conocimientos cruciales de procesos, productos y servicios… pero solo porque los beneficios están ahí… siempre habrá una necesidad de experiencia e intuición».

Esta es también la razón por la cual las organizaciones que buscan mover big data a sus análisis y pronósticos predictivos están mejor atendidas por:

  • Validar que las muestras de big data que recopilan para el análisis sean lo suficientemente grandes como para ser representativas de la situación que están tratando de evaluar;
  • ver sus sistemas analíticos como predictivos en lugar de concluyentes; y
  • Mantenga el juicio humano, la experiencia y la intuición como factores activos y evaluativos que estos sistemas no necesariamente brindan.

LEER  Las 10 empresas de análisis de datos más innovadoras en 2023

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba