Estás leyendo la publicación: Entrega de análisis a escala para la cadena comercial de clientes de extremo a extremo
Tarun Srinivasan, vicepresidente, líder operativo global, análisis en Genpact, discutió los pasos para construir canalizaciones de análisis que ahorren costos para los clientes durante su charla en la cuarta edición de la Cumbre de desarrolladores de aprendizaje automático (MLDS) titulada, “Entrega de análisis a escala para el final”. para terminar la cadena comercial de los clientes”. Se profundizó en la aplicación de herramientas/técnicas analíticas convencionales y tecnologías AI/ML de la nueva era en servicios analíticos como preparación de datos, inteligencia comercial, pronósticos, optimización y servicios de asesoría.
“Menos del 0,5 por ciento de los datos generados en el mundo se analiza realmente alguna vez. Cada día generamos más y más datos. Puedo asegurar que todos tendremos trabajos en el espacio analítico en el futuro, incluso si analizamos solo el 0,5 por ciento de los datos totales. Debido a COVID-19, hemos visto una adopción acelerada de análisis como nunca antes. Estamos viendo un movimiento consciente de autónomo a autónomo”, dijo Srinivasan.
Describió los problemas comunes que plantean los clientes, que incluyen:
- ¿Cómo podemos escalar nuestros esfuerzos analíticos?
- No tenemos suficientes datos buenos
- Tenemos sistemas heredados obsoletos que no se comunican entre sí
- No tenemos suficiente talento analítico
- La organización de TI no habla con el negocio.
Continuidad analítica
En la parte inferior de la pirámide se encuentra la capa fundamental. “A medida que subimos, la complejidad aumenta pero el valor también aumenta exponencialmente. Desafortunadamente, la mayoría de los esfuerzos se están realizando en la base de la pirámide. Esto restringe a los científicos de datos a pasar tiempo de calidad hacia arriba”, dijo Srinivasan.
El enfoque debe estar en cómo usar la inteligencia artificial y el aprendizaje automático para ayudar en los procesos de la capa fundamental. Una vez que ML simplifica la capa inferior, los científicos de datos pueden gastar su energía en otras prioridades como el análisis descriptivo, el modelado predictivo, etc.
Creación de sistemas de análisis escalables
Srinivasan elaboró sobre los dos elementos fundamentales para construir sistemas escalables:
- Modelo de gobierno sólido: asegúrese de que la cadena de valor de análisis de extremo a extremo esté alineada con la visión de la empresa y que exista un modelo sólido de participación de análisis. El modelo debe tener un mecanismo de interacción constante con los clientes finales. La incubación de habilidades bilingües (los científicos de datos también tienen experiencia en un dominio determinado, como finanzas, cadena de suministro, fabricación, etc.) también es crucial.
- Sólido modelo de ejecución: asegúrese de contar con la infraestructura adecuada, como canalizaciones de datos automatizadas, herramientas líderes para el análisis y la preparación de datos. Crear la experiencia adecuada para el cliente también es fundamental.
Reducción de costo
Srinivasan describió cómo se pueden usar los análisis en los procesos comerciales para ahorrar dinero a los clientes. Las empresas poseen una gran cantidad de datos de gastos de los proveedores. Los datos históricos de gastos se pueden analizar para extraer información comercial.
“Esto es principalmente análisis de hojas de cálculo. El poder radica en su simplicidad. Cuando analiza los datos de gastos, obtiene muchos conocimientos importantes: cómo ha variado el precio del proveedor durante un período de tiempo; ¿Existe alguna dependencia de la cantidad de piezas compradas? dependencia de la ubicación; dependencia de varios índices de precios, etc. Una vez que pueda comprender las razones de las variaciones de precios, podrá predecir el precio y también usarlo como un mecanismo de negociación con los proveedores”.
Análisis de contratos
La mayoría de los clientes tienen cientos y miles de contratos, ya sea con clientes finales o proveedores. Debido a su gran volumen, los contratos no tienen buena visibilidad. No muchos clientes industriales tienen buenas soluciones de tecnología de gestión de contactos. Los contratos pueden ser en forma de imágenes escaneadas y pdf.
En Genpact, las tecnologías OCR de visión artificial se utilizan para leer los documentos con gran precisión en muchos idiomas. Las técnicas de NLP se implementan para extraer información de los datos. Luego, el aprendizaje automático se utiliza para clasificar y crear una base de datos estructurada.
Diagnóstico y pronóstico
Si una aeronave se encuentra con un problema en el aire, se transmite un mensaje a la estación de tierra y, por lo general, la resolución de problemas ocurre después de que la aeronave aterriza.
Los análisis pueden mejorar la precisión de los pronósticos y reducir el tiempo de inactividad. “Observamos que los algoritmos y las reglas que se utilizan para generar alertas son rudimentarios y están basados en el diseño. Hemos utilizado análisis para asegurarnos de que las alertas de derechos se generen en el momento adecuado cuando el avión aterriza. Teníamos un gran historial de alertas y trabajo realizado anteriormente para trabajar para lograr esto. Es un caso clásico de ML supervisado, ya que podríamos traer IA para construir algoritmos para mejorar drásticamente la precisión”, dijo Srinivasan.
Innovación en salud
Los análisis pueden beneficiar enormemente a los profesionales médicos, especialmente a los radiólogos en tiempos de COVID-19. Debido a la pandemia, el estrés de los radiólogos ha aumentado debido al gran volumen de solicitudes de escaneo. Los radiólogos pueden aprovechar los análisis para analizar los datos de escaneo históricos para hacer los diferenciales para nuevos escaneos. El objetivo no es eliminar a los radiólogos sino ayudarlos a tomar decisiones informadas.
