Schumpeter y su Destrucción Creativa

🔗- Sin datos, sin futuro.

" Curly: Uh-oh, ¡se está sofocando! Larry: ¡No te preocupes, conozco la maniobra Heineken!" -Los tres chiflados.

Los proveedores de bienes y servicios públicos/privados de hoy enfrentan una tarea tan novedosa como difícil, mantenerse al día con el procesamiento de datos, su acumulación, protección y su regulación, sumado a la necesidad de lograr lo que muchos han llamado los estándares de la "nueva revolución industrial".

La destrucción creativa de Schumpeter no es solo un nombre elegante, es el proceso mediante el cual se desmantelan las prácticas de pre-establecodas o de larga data, dando paso a nuevas formas de innovación.

Muchos ejecutivos y gerentes de organizaciones públicas aún incurren en errores notorios con respecto a lo que Data Science puede hacer por sus organizaciones, considerando que las tecnologías más avanzadas en el mercado son un gasto, en lugar de la inversión más razonable.

La cita mencionada anteriormente tiene una intención clara (además de las risas que puede proporcionar), pretendiendo mostrar que muchas organizaciones hoy están siendo arrastradas a la obsolescencia, víctimas de su falta de capacidades de procesamiento de datos, sin siquiera notar esta deficiencia elemental.

Como Curly, la cantidad insuperable de datos no está ayudando a estas organizaciones, ya que solo está contribuyendo a su asfixia definitiva.

Aún quellos que notan este grave problema no siempre logran identificar los métodos apropiados para superar los nuevos requisitos impuestos por nuestra era de selección digital.

🔗- Data Science. Ya no es una opción.

Casi todas las acciones, transacciones, ventas, quejas, interacciones entre sujetos o comportamientos individuales, están generando datos.

Los datos deben considerarse hoy en día como lo que realmente son, la sustancia enriquecedora que proporciona la información necesaria para la optimización de procesos y productos, el desarrollo, el marketing y todos los demás aspectos de la generación de valor en nuestra economía moderna.

Los datos disponibles no disminuyen de ninguna manera, ya que se crean cantidades insuperables diarias de estos. Sin embargo, la disponibilidad de profesionales con las habilidades requeridas para su procesamiento y utilización no es proporcional a su demanda.

Los datos crecen de una manera imparable, lo que obliga no solo a más y mejores profesionales en Data Science, sino también obliga a las empresas y organizaciones a buscar métodos que les permitan procesar material tan rico, hasta ahora no disponible para muchos.

El problema es claro, no todas las organizaciones tienen acceso a los beneficios generados por la ciencia de datos, lo que a su vez los deja significativamente atrás de los competidores que realmente tienen las herramientas y personal para cosechar estos beneficios. Las organizaciones que no adopten estrategias y sistemas de decisiones basados en datos sufrirán el avance de competidores capaces de ganar la cuota de mercado disponible solo para ellos.

La disparidad entre las organizaciones que tienen un programa de ciencia en datos claro y competente, y las que no, es evidente, ya que estas últimas no tendrán acceso a ninguna de las herramientas proporcionadas por esta tecnología (visualización de datos, análisis de datos, procesamiento de datos, minería de datos, etc.). Kodak, Nokia, Blockbuster, Blackberry, son solo algunas de las miles de organizaciones que no adoptaron soluciones de mercado innovadoras basadas en datos.

🔗- AI, a Terminator le gusta ayudar.

“Los algoritmos capaces de hacer predicciones no eliminan la necesidad de cuidado al establecer conexiones entre causa y efecto; no son un reemplazo para los experimentos controlados. Pero lo que pueden hacer es extremadamente poderoso: identificar patrones sutiles para ser detectados por la observación humana, y usar esos patrones para generar ideas precisas e informar una mejor toma de decisiones. El desafío para nosotros es comprender sus riesgos y limitaciones y, a través de una gestión eficaz, desbloquear su notable potencial ". - Harvard Business Review.

La simple recopilación de datos sería completamente inútil si no hubiese nadie para analizarlos, de manera similar a las bibliotecas llenas de textos escritos en un lenguaje incomprensible (los programadores están familiarizados con tales ironías).

Sin embargo, la tecnología hoy en día ha superado nuestras propias expectativas, ya que se están desarrollando sistemas que permiten procesar y analizar datos automáticamente, contribuyendo a proporcionar a las organizaciones cerebros digitales calificados que los ayudarán a acceder a ciertos conjuntos de datos.

La mayoría de las veces los científicos de datos, en combinación con expertos del campo, son los que administran el análisis y la utilización de datos, siendo sus habilidades altamente valoradas en el mercado digital. A pesar de esto, los objetivos de las nuevas tecnologías no son sustituir, sino ayudar a estos científicos, contribuyendo y proporcionando herramientas para que los profesionales en Datos utilicen y, simultáneamente, mejoren y optimicen su propio trabajo.

Es en este punto que los sistemas de IA hacen su aparición, ya que son una herramienta vital para analizar conjuntos de datos, ayudar al trabajo de los analistas y al mismo tiempo proporcionar información precisa sobre determinadas tareas (v. gr. Detección de fraude, procesamiento de texto a través de NLP, etc...).

Debemos tener en cuenta que el aprendizaje automático es una parte fundamental de la implementación de IA, ya que un conjunto de algoritmos basados en datos permite la creación de modelos de predicción de alta precisión, así como muchas otras funciones requeridas por el uso de datos.

El aprendizaje automático es esencialmente el proceso por el cual un programa determinado aprende a tomar decisiones inteligentes y altamente precisas, utilizando grandes cantidades de datos. El software tradicional utiliza la lógica codificada por humanos para tomar decisiones.

El enfoque novedoso que permite el aprendizaje automático es que no requiere expertos humanos, ya que no requiere la codificación de las estrictas reglas lógicas que se necesitan para tomar decisiones.

El término Inteligencia artificial abarca una amplia gama de metodologías. Hoy en día, el aprendizaje automático es un aspecto impulsor del desarrollo de inteligencia artificial y el crecimiento empresarial moderno.

ML (Machine Learning) no es necesariamente nuevo, ya que muchas de las ideas implementadas fueron originalmente desarrolladas a principios de 1900.

Lo que cambia hoy, además de los avances tecnológicos, es que, debido a que registramos y almacenamos tanta información, los algoritmos de ML que se han desarrollado son cada vez más útiles.

Durante la década de 1950, no había una forma concebible de buscar en Google imágenes de gatos lindos para generar un conjunto de datos de imágenes de gatos (pobres almas).

Machine Learning ayuda a las empresas a acelerar el tiempo que lleva extraer información valiosa de grandes cantidades y volúmenes de datos no estructurados, inconsistentes y desestructurados. Las estadísticas clásicas también agregan mayor valor cada día a medida que la cantidad de datos disponibles para los analistas crece exponencialmente.

🔗- Procesamiento y almacenamiento de datos. GDPR, no permite trucos.

Para cualquiera que no haya estado viviendo debajo de una roca (siempre que no haya tenido wifi), está claro que las Regulaciones de Datos actuales están comenzando a ponerse al día con los beneficios tecnológicos cosechados. La minería, el procesamiento, el almacenamiento y la distribución abusiva y no consensuada de datos han generado una gran indignación entre ciertos países y clases políticas, lo que ha resultado en métodos más estrictos de control y almacenamiento.

El ejemplo más claro de las nuevas regulaciones es el Reglamento General de Protección de Datos (UE) 2016/679, o GDPR por sus siglas en Inglés.

Se debe cumplir con los requisitos y restricciones establecidos en el instrumento mencionado para evitar las sanciones y restricciones también contempladas en este documento.

En otras palabras, el almacenamiento, procesamiento, minería, transferencia y análisis de datos debe cumplir con los estándares establecidos por el GDPR, de lo contrario, se impondrán sanciones a las organizaciones, según el Estado en el que se lleve a cabo la infracción (Art. 84. Sanciones).

Cualquier solución que permita a las empresas mitigar los riesgos asociados con el cumplimiento de reglas en manejo de datos contribuye a su transparencia y seguridad, al tiempo que disminuye los costos operativos derivados de multas y sanciones.

🔗- RPA . Automatización robótica de procesos.

"Domo Arigato Mr. Roboto." - Styx.

La AUTOMATIZACIÓN ROBÓTICA DE PROCESOS no es solo una herramienta , sino también un paradigma que tiene el potencial de revolucionar el mercado laboral.

Muchos confunden los términos AI y RPA cuando se trata de procesos automatizados dentro de una organización, error no sólo común, sino también significativo. RPA es el uso de robots virtuales para llevar a cabo ciertas actividades, imitando el trabajo humano con sistemas de computación, para automatizar los procesos comerciales y organizacionales.

Debido a la gran cantidad de actividades humanas que se llevan a cabo dentro de una organización, los sistemas RPA permiten una amplia gama de casos de uso y prácticas de implementación. Los RPA pueden ser simples robots basados en reglas que realizan tareas simples (como la entrada de datos), o pueden ser una variedad totalmente orquestada de sub-robots y modelos de IA, automatizando prácticas comerciales más complejas y sofisticadas.

RPA es una tecnología autosuficiente, ya que el mercado para esta solución en particular ha crecido de modo que lidera la transformación digital, ya que ha impactado todos los aspectos de las organizaciónes, desde la gestión de clientes hasta la infraestructura y los modelos comerciales en general.

"Las tres principales compañías de software RPA se acercan a valores superiores a los 10 mil millones." - Craig Le Clair, Analista Principal. Forrester.

🔗- Verdadero valor.

Es innegable el valor que RPA está creando para las industrias y empresas en su conjunto, sirviendo tanto a estados y empresas en la optimización y reducción de sus costos operativos.

En el caso de las instituciones gubernamentales , los procesos de digitalización y automatización permiten alcanzar potenciales ganancias en productividad.

Los gobiernos deberían apuntar a digitalizar sus servicios en gran volumen, por ejemplo los procesos intensivos en mano de obra, ya que al enfocarse en estas categorías de costo significativo se potencia y acorta el retorno de inversion.

Las empresas que desarrollan tecnologías RPA son actualmente organizaciones aceleradas y altamente valoradas, ya que son las que impulsan la optimización general de los procesos en todo el mundo y tienen el potencial de acelerar la implementación de todas las otras tecnologías de las que hemos hablado.

“Las empresas más exitosas del mundo de hoy funcionan con software y emplean menos empleados que sus predecesores. Facebook emplea solo a 25,000 personas. Genera unos asombrosos $ 1.6 millones en ingresos para cada uno. Apple genera $ 1.85 millones por empleado, y Alphabet, matriz de Google, genera $ 1.2 millones ”. - Craig Le Clair, Analista Principal. Forrester.

🔗-Sobreviviente.

"At first I was afraid, I was petrified" -Gloria Gaynor. "Survive".

Como expuso Charles Darwin en su trabajo "Sobre el origen de las especies mediante la selección natural, o la preservación de las razas favorecidas en la lucha por la vida", la adaptación es clave para la supervivencia evolutiva. Aquellos seres que no son capaces de enfrentar un entorno cambiante eventualmente desaparecerán.

Teniendo en cuenta el acelerado ritmo de nuestros desarrollos tecnológicos, todos debeiamos estar informados sobre los beneficios que las tecnologías más avanzadas nos brindan. Quienes no adopten métodos y procesos novedosos serán obsoletos, víctimas de las nuevas olas de innovación.

Como describió Schumpeter, las prácticas obsoletas serán desmanteladas por el proceso de Destrucción Creativa, ya que el sistema capitalista exhibe este incesante impulso hacia el progreso y la innovación.

🔗Bibliografía.

https://www.mckinsey.com/industries/public-sector/our-insights/when-governments-turn-to-ai-algorithms-trade-offs-and-trust “When governments turn to AI: Algorithms, trade-offs, and trust”, Anusha Dhasarathy, Sahil Jain, & Naufal Khan, McKinsey & Company, McKinsey Insights, February, 2019.

https://itnext.io/cloud-native-rpas-with-python-a22cdb6690d0 “Building Cloud Native RPA’s in Python using Destructible Infrastructure”, David Emmanuel Katz, IT Next, Linkit, Medium, 2019, May 29.

https://www.forbes.com/sites/danielnewman/2019/08/14/rpa-in-the-real-world-driving-marketing-analytics-productivity-and-security/#3841b9232c4e “RPA In The Real World: Driving Marketing, Analytics, Productivity And Security”, Daniel Newman, Forbes, 2019, Aug 14.

https://go.forrester.com/blogs/predictions-2019-automation-technology "How Automation Is Impacting Enterprises In 2019”, Craig Le Clair, Blogs, Forrester, Apr 23 2019

https://www.mckinsey.com/industries/public-sector/our-insights/transforming-government-through-digitization “Transforming government through digitization”, Bjarne Corydon, Vidhya Ganesan, and Martin Lundqvist, McKinsey & Company, McKinsey Insights, November 2016

“Algorithms Need Managers, Too.”, Michael Luca, Jon Kleinberg and Sendhil Mullainathan, Harvard Business Review, Reprint R1601H, originally January-February 2016.

Schumpeter, Joseph A., "Creative Destruction: From Capitalism, Socialism and Democracy". Harper, New York, 1975, orig. pub. 1942.

Otras publicaciones