Los datos, por naturaleza, son siempre subjetivos (muchos sesgos implícitos sobre qué se mide y cómo) y carecen de sentido sin interpretación humana.
Creo que hay cuatro retos importantes que la IA no puede abordar (al menos por ahora, ¿quizás nunca?) sin un humano que aporte contexto. Aquí van mis apuestas, del más fácil al más difícil de resolver:
1 - Variables externas medibles - una campaña de la competencia, el tiempo, la celebración de un partido de fútbol, una pandemia, normalizar los datos por la población de un país... Todas estas variables, a menudo no incluidas en tus conjuntos de datos internos, suelen ser cruciales para explicar por qué ha ocurrido algo. Entre los retos que mencionaré, este es el más "sencillo", y la IA, especialmente ayudando a encontrar datos alternativos de empresas como Cybersyn, será de gran ayuda. Sin embargo, el abanico de variables de datos externos es tan amplio que probablemente sigamos necesitando humanos para decidir qué datos buscar en cada contexto, con experiencia en la materia.
2 - Variables internas difíciles/imposibles de medir. Las variables más importantes y predictivas suelen ser extremadamente caras, difíciles o directamente imposibles de medir. Incluso medir los factores sociodemográficos o firmográficos de los clientes suele ser un reto. Pedir la edad en un formulario crea fricción, y pedir el género levanta sospechas sobre cómo se utilizarán esos datos. La psicografía es aún más difícil de medir. Podría inferirse a partir de un flujo de clics de eventos de comportamiento al usar un producto digital. Pero a menudo, estas variables solo pueden medirse a través de entrevistas de persona a persona, extrayendo información a través del arte de las ventas y la complicidad humana - comúnmente llamados datos cualitativos. Estas conversaciones a menudo inspiran nuevas variables en las que nadie había pensado.
3 - Los humanos pueden identificar y adaptarse a tendencias emergentes que los modelos de datos preexistentes no reconocen. Aprender de los datos pasados es posible, pero los humanos adaptan continuamente su comportamiento. Por ejemplo, puedes ofrecer descuentos a los clientes que compraron ciertos productos para incentivarles a comprar otros. Sin embargo, tus clientes aprenderán, y el cupón podría canibalizar futuras compras de otros productos sin que te des cuenta. Lee el Book of Why para saber más sobre esto.
4 - Entender el proceso de análisis de datos es fundamental para generar la confianza necesaria para la toma de decisiones. Muchas personas desconfían de sus médicos y de la ciencia, incluso si estos profesionales saben más de medicina. Si no explican bien el diagnóstico, las personas pueden recurrir a pseudoterapias que les parezcan lógicas. Cualquier análisis implica numerosas microdecisiones y suposiciones sobre los datos. Esto incluye cómo se muestrean y filtran los datos, qué variables se ignoran, cuáles se consideran y cómo se visualizan. Pequeños cambios en los criterios pueden llevar a conclusiones totalmente opuestas. Esta incertidumbre significa que prácticamente nadie, por mucho que crea en los datos, puede estar totalmente seguro de las conclusiones extraídas.
Sin herramientas (como Graphext) que permitan una comprensión intuitiva y directa de por qué se tomaron decisiones de análisis específicas, es muy probable que los responsables de la toma de decisiones no adquieran la confianza y convicción suficientes para actuar con audacia y decisión. Estas interfaces deben guiar e infundir confianza en el proceso de análisis, que es lo que pretendemos conseguir con Graphext .