'A data-driven company' es un libro que aborda, exactamente lo que promete su subtítulo: '21 lessons for large organizations to create value from AI', es decir, ataca todos los aspectos a considerar en una organización (en general una empresa grande) para sacarle el máximo provecho a los datos y la inteligencia artificial alcanzando el concepto de empresa data-driven. Y enfoca el tratamiento de esas materias, precisamente, como la contestación a 21 preguntas clave, 21 decisiones a adoptar por la
dirección de la empresa.
Se trata, pues, de un libro no técnico sino claramente de gestión aunque el elemento a gestionar sea de base tecnológica.
Siguiendo la idea comentada, cada capítulo de la obra se dedica a una de las preguntas formuladas y, a su vez, estas preguntas/capítulos se agrupan en cinco partes, como sigue:
- 'PART I - ORGANIZATION:' Se centra inicialmente en los aspectos organizativos y recoge cinco preguntas:
- '1. Where should the Chief Data Officer be placed on the organizational chart?:' evalua alternativas, con sus pros y sus contras en cuanto a la situación organizativa de la figura del Chief Data Officer y su cercanía o lejanía al CEO.
- '2. Data and IT - How do they live together?:' De manera muy similar, presenta y valora las distintas opciones en cuanto a la relación de las eventuales área de TI y Datos.
- '3. Is AI included in the data organization or is it separate?:' Trata ahora de valorar si se debe diferenciar la Inteligencia Artificial como una unidad diferente o incluirla dentro de la unidad de datos. También compara los perfiles de científico de datos ('data scientist') e ingeniero de datos ('data engineer') buscando entender las verdaderas necesidades respecto a ambos perfiles en una compañía.
- '4. How to measure your data maturity?:' En una orientación ligeramente diferente, analiza las diferentes dimensiones de la madurez en datos, las fases en alcanzar esa madurez y esboza cómo hacer una evaluación de esa madurez.
- '5. External monetization of data:' Finaliza esta primera parte abordando la posibilidad de monetizar los datos: la creación de una nueva proposición de valor, la estrategia de monetización y su implementación, la estructuración organizativa y el 'go to market'.
- 'PART II - BUSINESS AND FINANCE:' Es el turno ahora de los aspectos económicos y fianancieros que originan las siguientes cinco cuestiones:
- '6. How to select AI and Big Data use cases:' Proporciona algunas ideas para la selección de los casos de uso más adecuados mediante el uso de la 'Matriz de oportunidad'.
- '7. How to measure economic impact:' Ideas para medir el impacto económico, viendo cómo se puede reducir costes, cómo se puede optimizar el negocio y cómo se pueden generar nuevos ingresos.
- '8. How to fund your data journey:' Presenta diferentes alternativas de financiación y analiza cómo decidir la cantidad a invertir.
- '9. How to approach open data:' Aborda un tema algo diferente, el de los datos abiertos y la actitud ante los mismos. Primero explica el concepto de 'open data'. Luego explica algunas formas en que el uso del open data (externo) puede enriquecer los datos propios de la organización, incluyendo los retos que implica y cómo afrontarlos y finaliza introduciendo brevemente la opción contraria: publicar datos propios como datos abiertos.
- '10. AI and Big Data in small and medium-sized enterprises:' Comienza aportando algunas estadísticas sobre el uso de Inteligencia Artificial y Big Data en PYMEs para luego identificar unas condiciones mínimas para que este tipo de compañías puedan hacer un buen uso de los datos y la inteligencia artificial.
- 'PART III - TECHNOLOGY:' Se contemplan ahora cinco preguntas esencialmente técnicas:
- '11. Cloud or on-premise?:' Primero analiza por qué es interesante el cloud computing para la inteligencia artificial y el Big Data presentando diversas ventajas y luego analiza pros y contras de mantenerse 'on-premise' así como de las diferente estrategias cloud (pura o híbrida).
- '12. Local or global storage? Unified data model or not?:' Trata dos problemas relacionado con los puros datos. Por un lado si conviene o no buscar un modelo de datos unificado y, por otro. si el almacenamiento debe ser local o global. Con estas dos variables crea y analiza unos escenarios que combinan las diferentes opciones.
- '13. Where to run the analytcs:' En este caso se plantea una decisiones que aunque tiene matices técnicos, en el fondo es una decisión de negocio: dónde situar la realización de analíticas (de forma centralizada, en las unidades de negocio, etc)
- '14. Data collection strategy:' Aborda al asunto de la recolección de datos, un problema nada menor. Se identifican fuentes de datos ejemplificándolo con el caso de una telco. Luego se analizan algunos aspectos a considerar como si los datos están en un proveedor o aspectos como la privacidad, los datos abiertos, etc. Finaliza identificando los aspectos que debe incluir una estrategia de recolección de datos.
- '15. Workinf with external providers and partners:' Estudia la relación con proveedores y socios, comenzando por analizar las ventajas que puede aportar esa externalización, siguiendo con la exposición de modelos de colaboración y finalizando con ejemplos de experiencias concretas y la identificación de algunos errores a evitar.
- 'PART IV - PEOPLE:' Toca al turno de las personas y la gestión del cambio, para lo que se contestan a tres preguntas:
- '16. Winning over sceptics:' Analiza el escepticismo y la resistencia al cambio y cómo conseguir vencerlas. Estudia los motivos para esa resistencia y formas de trabajar con los escépticos.
- '17. Data democratization:' Presenta ideas para extender el uso de los datos, algunas organizativas como el acrecentar equipos para absorber más demandas de datos y otras más orientadas a herramientas, que estructura en la típica división de analítica descriptiva, predictiva y prescriptiva. Y aporta al final alguna idea sobre formación y gestión de datos.
- '18. How to create momentum with data:' Un capítulo breve para ir más allá de vencer resistencias e intentar generar apoyo e impulso a las iniciativas de datos.
- 'PART V - RESPONSIBILITY:' Y, finalmente, se aborda un tema muy querido por el autor, cual es el uso responsable de los datos y la Inteligencia Artificial, que se recoge en las tres últimas preguntas:
- '19. The social and ethical challenges of AI and Big Data:' Identifica y explica algunos de los retos éticos relacionados con el uso de los datos y la inteligencia artificial como son los sesgos, la explicabilidad, la privacidad, la autonomía, la responsabilidad, etc y da alguna breve pista de cómo afrontar dichas problemáticas.
- '20. From AI principles to responsible use of AI:' Un poco como continuación de lo iniciado en el capítulo anterior, se profundiza algo más en el uso responsable de los datos y la inteligencia artificial, hablando de la selección de unos principios éticos y contando luego cómo implementarlos.
- '21. Data as a force for good:' Defiende el uso de los datos como herramienta para el bien, para lo que primero comenta los objetivos de desarrollo sostenible, y luego aporta el caso del uso de datos en la lucha contra el COVID. Luego aporta unas consideraciones sobre la incorporación de una compañía al movimiento de 'Data for good'. Sigue profundizando bastante en ideas sobre cómo poner en marcha esa inciativa y finaliza con una breve análisis del estado actual del movimiento 'Data for good'.
Cada capítulo de los anteriores se cierra con la opinión de un experto reconocido sobre la materia tratada.
'A data-driven company' es un libro muy valioso por ese enfoque abarcador y esencialmente de negocio del tratamiento de datos, pero con unas sólidas bases técnicas y avalado, además, por la experiencia práctica y real del autor, Richard Benjamins en la gestión de datos, analítica e inteligencia artificial en grandes compañías, incluyendo su puesto actual en Telefónica.
Richard Benjamins
(Fuente: Traducción y ligera elaboración propia de su
perfil en LinkedIn)
 |
| Richard Benjamins |
Su pasión es la creación de valor a partir de los datos. Valor comercial pero también valor para la sociedad. Es el fundador del departamento de Telefónica Big Data for Social Good. Actualmente trabaja en cómo hacer los datos y la Inteligencia Artificial más sostenibles desde una perspectiva tanto de negocio como social y ética. Es asesor estratégico de Focus360 y de BigML, una startup que pone el Machine Learning en manos de la gente de negocio.
Antes de unirse a Telefónica, fue director y miembro del consejo en ISOCO, de la cual fue co-fundador en 1999. Con base en su trabajo ISOCO recibió el National Award for Computer Science.
Benjamins ha ocupado puestos en la Universidad Politécnica de Madrid, la Universidad de Amsterdam, la Universidad de Sao Paulo en Brasil, la Universidad de París-Sur en Francia y el Instituto español para la Investigación de la Inteligencia Artificial en Barcelona.
Es co-fundador del Observatorio del Impacto Social y Ético de la Inteligencia Artificial (OdiseIA) y uno de los miembros fundadores de la Incubadora Europea para startups da Datos Abiertos ( http://opendataincubator.eu/).
Ha publicado más de cien artículos científicos sobre Inteligencia Artificial, Ética e Inteligencia Artificial, sistemas basados en conocimiento, y web semántica. Ha co-presidido numerosos talleres y conferencias internacionales. Es asesor de varias startups y proyectos internacionales de investigación. Fue presidente de la conferencia K-CAP 2013 y co-presidente de la sección industrial en ISWC 2014.
Es miembro del comité editorial de IEEE Intelligent Systems y de la task force de GSMA sobre Big Data para el Bien Social.
El doctor Benjamins recibió en 1993 su doctorado en Ciencias Cognitivas / Inteligencia Artificial por la Universidad de Amsterdam.
Puedes saber más del autor visitando su perfil en LinkedIn o siguiéndole en Twitter donde se identifica como @vrbenjamins.
Ficha técnica:
Artículos de este blog relacionados
No hay comentarios:
Publicar un comentario