Analítica aumentada

La analítica aumentada es el uso del aprendizaje automático (ML) y el procesamiento del lenguaje natural (NLP) para mejorar la analítica de datos, el intercambio de datos y la inteligencia empresarial. El concepto de inteligencia aumentada, un concepto general de la analítica aumentada, fue introducido por la firma de investigación Gartner, en su edición de 2017 del "Ciclo Hype para Tecnologías Emergentes".

El software de análisis de datos puede integrar herramientas de análisis aumentadas para manejar grandes conjuntos de datos. Las organizaciones pueden ingresar información de origen de datos sin procesar en estas plataformas que luego depurarán, analizarán y devolverán datos clave para su análisis. El uso del aprendizaje automático y la PNL brinda a las herramientas de análisis aumentadas la capacidad de comprender e interactuar con los datos de manera orgánica, así como de notar tendencias valiosas o inusuales.

El campo del análisis de datos es complejo y generalmente requiere que un científico de datos extraiga cualquier valor de los macrodatos. Esta complejidad se debe en parte al hecho de que los datos deben recopilarse de una serie de fuentes dispares, como análisis web, comunicados de marketing y publicaciones en redes sociales. La recopilación de datos es solo el primer paso, también debe prepararse para el análisis mediante la organización y el perfeccionamiento antes de que el analista o científico de datos pueda obtener información útil. Luego, los resultados deben comunicarse a la organización junto con los planes de acción para capitalizar estos conocimientos.

Debido al esfuerzo manual requerido para estas tareas, los científicos de datos tienen actualmente una gran demanda y pueden resultar poco prácticos para algunas empresas. Se estima que un científico de datos puede dedicar hasta el 80% de su tiempo a recopilar, preparar y limpiar datos. Aquí es donde se puede implementar la analítica aumentada. Con la incorporación del aprendizaje automático al análisis de datos, muchas de las tareas de recopilación y preparación de datos que requieren mucho tiempo se pueden realizar de forma rápida, automática y con menos errores. Como resultado, los científicos de datos podrían dedicar más tiempo a buscar información útil.