Como una de las áreas tecnológicas de más rápida evolución, la ciencia de datos ha experimentado un aumento en la agenda corporativa a medida que cada vez menos líderes basan sus decisiones comerciales en conjeturas. Con capacidades adicionales como inteligencia artificial (IA) y la ventaja que complementa el trabajo de los científicos de datos , el campo se está volviendo más accesible para los empleados, pero esto aún requiere capacitación en habilidades de datos, en su mayor parte. En este artículo, exploramos algunas tendencias emergentes clave en la ciencia de datos, como creen los expertos en el campo.
Mayor participación de IA y ML
En primer lugar, se cree que la participación de la inteligencia artificial y el aprendizaje automático (ML) aumentará aún más y permitirá que más industrias se vuelvan verdaderamente centradas en los datos.
“A medida que las empresas comiencen a ver los beneficios de las plataformas habilitadas para la inteligencia artificial y el aprendizaje automático, seguirán invirtiendo en estas tecnologías”, dijo Douggie Melville-Clarke , jefe de ciencia de datos de Duco .
“De hecho, el informe Duco State of Reconciliation , que encuestó a 300 jefes de empresas de servicios públicos de reconciliación global, incluidos directores de operaciones, jefes de control financiero y jefes de transformación financiera, encontró que el 42% de los encuestados investigarán el uso de más aprendizaje automático en 2021 a los efectos de la automatización inteligente de datos “.
Ciencia de datos en seguros
Melville-Clarke continuó citando la industria de seguros, a menudo percibida como un sector que ha tenido dificultades para innovar debido a los altos niveles de regulación, como un ejemplo de éxito futuro en lo que respecta a la ciencia de datos.
Explicó: “La industria de seguros, por ejemplo, ya ha adoptado la automatización para procesos como la suscripción y la generación de cotizaciones. Pero el uso más valioso de la inteligencia artificial y el aprendizaje automático es aumentar su servicio y participación de mercado a través de usos como la personalización restringida.
“La personalización es una de las formas clave en que los bancos y las compañías de seguros pueden diferenciarse, pero sin el aprendizaje automático, este proceso puede ser largo y costoso.
“El aprendizaje automático puede ayudar a estas industrias a adaptar sus productos para satisfacer las necesidades de los consumidores individuales de una manera mucho más rentable, mejorando la experiencia del cliente y aumentando la personalización”.
La evolución de la hiperautomatización
Junto con el uso creciente de modelos de IA y ML, las organizaciones han estado combinando IA con automatización de procesos robóticos (RPA) para reducir los costos operativos mediante la automatización de la toma de decisiones. Se prevé que esta tendencia, conocida como hiperautomatización , ayude a las empresas a seguir innovando rápidamente en un entorno post-COVID en los próximos años.
“En muchos sentidos, este no es un concepto nuevo: el objetivo clave de la inversión empresarial en ciencia de datos durante la última década ha sido automatizar los procesos de toma de decisiones basados en IA y ML”, explicó Rich Pugh , cofundador y director. científico de datos en Mango Solutions , una empresa de Ascent .
“Lo nuevo aquí es que la hiperautomatización está respaldada por un enfoque de ‘RPA primero’ que puede impulsar la automatización de procesos e impulsar una mayor colaboración entre las funciones analíticas y de TI.
“Los líderes empresariales deben centrarse en cómo aprovechar la automatización empresarial y la inteligencia continua para mejorar la experiencia del cliente. Ya sea que se trate de incorporar el pensamiento inteligente en los procesos que impulsarán una toma de decisiones más informada, como implementar la automatización en las decisiones de precios para brindar un servicio más eficiente y personalizado, o aprovechar los conocimientos del cliente en tiempo real más ricos junto con la automatización para ejecutar ofertas altamente relevantes. y nuevos servicios a gran velocidad.
“Embarcarnos en el viaje de la hiperautomatización comienza con el logro de algunos resultados futuros realistas y medibles. Específicamente, esto debe incluir apuntar a procesos de alto valor, enfocarse en la automatización y el cambio, e iniciar una estructura para recopilar los datos que permitirán el éxito futuro “.
SaaS y autoservicio
Dan Sommer , director senior de Qlik , identificó el software como servicio (SaaS) y un enfoque de autoservicio entre los usuarios, junto con un cambio en la analítica avanzada , como una tendencia emergente notable en la ciencia de datos.
“Para aquellos en la industria, está claro que SaaS será el nuevo mejor amigo de todos, con una mayor migración de bases de datos y aplicaciones desde entornos locales a la nube”, dijo Sommer.
“La computación en la nube ha ayudado a muchas empresas, organizaciones y escuelas a mantener las luces encendidas en entornos virtuales, y ahora veremos un enfoque mejorado en SaaS, ya que las operaciones híbridas parecen estar listas para permanecer.
“Además, veremos que el autoservicio evoluciona hacia la autosuficiencia en lo que respecta al uso eficaz de datos y análisis. Empoderar a los usuarios para que accedan a datos, conocimientos y lógica empresarial de forma más temprana e intuitiva permitirá pasar del autoservicio de visualización a la autosuficiencia de datos en un futuro próximo.
“Por último, la analítica avanzada debe tener un aspecto diferente. En tiempos de incertidumbre, ya no podemos contar con datos retrospectivos para construir un modelo integral del futuro. En cambio, debemos prestar especial atención a los valores atípicos, en lugar de excluirlos, y esto definirá cómo abordamos las amenazas en el futuro “.
Tejido de datos
Con los empleados cada vez más cómodos con el uso de herramientas de ciencia de datos para tomar decisiones, con la ayuda de la automatización y la inteligencia de la máquina, un concepto que se materializa como un tema candente para la siguiente etapa de desarrollo es el concepto de ‘tejido de datos’.
Trevor Morgan , gerente de producto de comforte AG , explicó: “Una estructura de datos es más una superposición arquitectónica sobre ecosistemas de datos empresariales masivos. El tejido de datos unifica fuentes y flujos de datos dispares a través de muchas topologías diferentes (tanto en las instalaciones como en la nube), y proporciona múltiples formas de acceder y trabajar con esos datos para el personal de la organización, y con el tejido más grande como telón de fondo contextual.
“Para las grandes empresas que se mueven con gran agilidad mientras trabajan con múltiples o muchos entornos de Big Data, la tecnología de estructura de datos proporcionará los medios para aprovechar toda esta información y hacerla viable en toda la empresa”.
Nuevas trayectorias profesionales y roles
Otra tendencia importante a tener en cuenta con respecto al futuro de la ciencia de datos son las nuevas trayectorias profesionales y los trabajos que surgirán en los próximos años.
“Según el Informe sobre el futuro del trabajo 2020 del Foro Económico Mundial ( WEF ) , el 94% de los empleadores del Reino Unido planean contratar nuevo personal permanente con habilidades relevantes para las nuevas tecnologías y esperan que los empleados existentes adquieran nuevas habilidades en el trabajo”, dijo Anthony Tattersall , vicepresidente de empresa, EMEA en Coursera .
“Además, los principales trabajos emergentes de WEF en el Reino Unido (científicos de datos, especialistas en inteligencia artificial y aprendizaje automático, big data e Internet de las cosas) requieren habilidades de esta naturaleza.
“Por lo tanto, imaginamos que el acceso a una variedad de credenciales relevantes para el trabajo, incluido un camino hacia trabajos digitales de nivel de entrada, será clave para volver a capacitarse a escala y acelerar la recuperación económica en los próximos años”.
El ‘científico de datos industriales’
En lo que respecta a los nuevos roles que surgirán en la ciencia de datos, Adi Pendyala , director senior de Aspen Technology , predice la aparición del ‘Científico de datos industriales’: “Estos científicos serán una nueva generación de expertos en dominio de datos impulsados por la tecnología y con acceso a más datos industriales que nunca, así como a las herramientas de análisis y AI / ML accesibles necesarias para traducir esa información en inteligencia procesable en toda la empresa.
“Los científicos de datos industriales representarán un nuevo tipo de encrucijada entre nuestra comprensión tradicional de los científicos de datos ciudadanos y los expertos en el dominio industrial: trabajadores que poseen la experiencia en el dominio de los últimos pero que se están desplazando cada vez más hacia el ámbito de los datos ocupado por los primeros”.
Nuevas herramientas
Muchas organizaciones se ven afectadas por la escasez de científicos de datos en proporción a la demanda, pero Julien Alteirac , vicepresidente regional de UK&I en Snowflake , cree que las nuevas herramientas, impulsadas por ML, podrían ayudar a mitigar esta brecha de habilidades en el futuro cercano.
“Cuando se trata de analizar datos, la mayoría de las organizaciones emplean una gran cantidad de analistas de datos y un número limitado de científicos de datos, debido en gran parte al suministro limitado y los altos costos asociados con los científicos de datos”, dijo Alteirac.
“Dado que los analistas carecen de la experiencia en ciencia de datos necesaria para construir modelos de ML, los científicos de datos se han convertido en un posible cuello de botella para ampliar el uso de ML. Sin embargo, las herramientas de aprendizaje automático nuevas y mejoradas que son más fáciles de usar están ayudando a las organizaciones a darse cuenta del poder de la ciencia de datos.
“Los analistas de datos tienen acceso a modelos potentes sin necesidad de crearlos manualmente. Específicamente, el aprendizaje automático automatizado ( AutoML ) y los servicios de inteligencia artificial a través de API están eliminando la necesidad de preparar datos manualmente y luego construir y entrenar modelos. Las herramientas de AutoML y los servicios de inteligencia artificial reducen la barrera de entrada para el aprendizaje automático, por lo que ahora casi cualquier persona podrá acceder y utilizar la ciencia de datos sin necesidad de tener formación académica “