Inteligencia empresarial basada en IA

Prefacio

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

La cultura pop ha tenido un gran impacto en la forma en que vemos la IA. Si algo nos han enseñado las películas de ciencia ficción como Matrix y Terminator es que la IA va a por nosotros y que la IA tiene un toque humano. El Terminator de Arnold Schwarzenegger nos mostró cómo podría ser una IA convertida en humano. De Matrix aprendimos que quizá ni siquiera nos demos cuenta de que nuestras vidas están controladas por una inteligencia artificial superior.

Aunque creo que ambas conclusiones son problemáticas, creo que transmiten algo de verdad en el contexto de la inteligencia empresarial(BI). La IA viene a por nosotros y puede que tenga un toque humano. Pero antes de entrar en detalles, aclaremos primero algunos términos clave. ¿Qué es exactamente el BI? El BI es difícil de definir porque depende de a quién preguntes, cuándo y en qué contexto.

Sin embargo, la definición de BI para el contexto de este libro es bastante sencilla. Defino el BI desde un punto de vista sistémico: la inteligencia empresarial es un sistema o software que permite a los usuarios y analistas empresariales examinar datos de múltiples fuentes dentro de una organización con el objetivo de tomar decisiones mejor informadas. Por tanto, cuando me refiero a BI, este término está estrechamente relacionado con sistemas de BI como Microsoft Power BI, Tableau y Looker, y las infraestructuras subyacentes que hacen funcionar estos sistemas.

Echemos un vistazo rápido a IA, un término que exploraremos con mucho más detalle en el transcurso de este libro. En primer lugar, la IA alimenta todo tipo de procesos empresariales en la actualidad. Más del 50% de las empresas de todo el mundo están inmersas en un proceso de IA, con al menos algunos pequeños casos de uso o primeros proyectos de prueba de concepto (PdC). Los casos de uso de IA más populares son los siguientes:

• Motores de búsqueda

• Predicción de bajas

• Previsión de la demanda

• Tratamiento de documentos

• Mantenimiento predictivo

• Segmentación y personalización de clientes

• Control de calidad y monitoreo de procesos en la fabricación

Si te fijas en la amplitud de los casos de uso de la IA, sería ingenuo pensar que el impacto de las iniciativas de IA se saltaría el dominio del BI. Es inevitable y sólo cuestión de tiempo que una parte de las tareas tradicionales de BI, como la planificación y la previsión, se vean superadas por la IA. Si intentas vencer a la IA en la búsqueda de patrones en los datos, ¡buena suerte! Probablemente perderás.

En segundo lugar, cuando pensamos en la IA, a menudo pensamos en la tecnología que sustituye nuestros puestos de trabajo. Sin embargo, ¿hasta qué punto es realista esta preocupación? Pregúntate, ¿cuándo esperas que un sistema automatizado de IA de extremo a extremo o un robot sea lo suficientemente bueno como para hacerse cargo del 100% de tu trabajo diario? ¿Cinco años más? ¿Diez años más? ¿Nunca? Por otra parte, ¿cuándo crees que un colega sentado a tu lado podría utilizar la IA para superarte en tareas importantes? ¿El año que viene? ¿El mes que viene? ¿Esa persona ya está en la empresa? Es importante darse cuenta de que la IA en sí no está sustituyendo nuestros puestos de trabajo. Más bien, las personas que saben cómo aprovechar la IA están entrando en las organizaciones y cambiando el statu quo. Aquí es donde entran en escena los científicos de datos.

Poco después de que se acuñara el término data science en 2008, surgió una oleada de aspirantes a científicos de datos, con una amplia variedad de formación, desde cursos online y bootcamps hasta títulos universitarios especializados. Fueron contratados por empresas líderes mundiales con la esperanza de generar un impacto empresarial significativo con los datos. Los científicos de datos fueron incluso nombrados el "trabajo más sexy del siglo" por la Harvard Business Review.¹

De repente, los profesionales de datos "tradicionales", como los analistas empresariales y los profesionales de BI, se encontraron al margen, mientras que los nuevos científicos de datos se incorporaban para trabajar en casos de uso apasionantes de la IA. Esto provocó una desconexión entre ambas partes.

Cuando me convertí en la primera científica de datos en una organización empresarial, me enfrenté a grandes expectativas por parte de la alta dirección, así como a miradas recelosas de los departamentos de datos más "establecidos". Debo admitir que los comienzos fueron duros. Cuando examiné por primera vez el almacén de datos de la empresa, pensé: ¿qué dificultad puede tener generar informes estáticos a partir de lo que yo llamaba "datos pequeños"? Por otro lado, mis colegas de BI se mostraban igual de escépticos sobre mi trabajo: ¿cómo podría siquiera obtener una sola métrica de forma fiable a partir de fuentes de datos brutos sin una armada de especialistas? ¿Y cómo podía trabajar sin un alcance fijo del proyecto y unos resultados claramente definidos?

Hizo falta un esfuerzo considerable por ambas partes para apreciar los objetivos, los retos y las habilidades del otro. Pero al final todo encajó. El equipo de BI, por ejemplo, me ayudó a comprender mejor cómo calcular las métricas de forma coherente a lo largo del tiempo, teniendo en cuenta los cambios permanentes en los sistemas informáticos y los procesos empresariales. Por otro lado, yo sugerí técnicas que podrían ayudarnos a ofrecer mejores previsiones, obtener perspectivas más rápidas y, en general, proporcionar una mejor experiencia de BI, gracias a la automatización.

Es hora de derribar el muro entre las "tribus de datos" en las organizaciones y unirlas para lograr el impacto más profundo. He escrito este libro para ayudar a los que están en el lado del BI a comprender cómo pueden beneficiarse de los resultados de los científicos de datos (por ejemplo, modelos y algoritmos) y cómo pueden utilizar el aprendizaje automático (ML) para mejorar su experiencia de BI. Además, voy a explicar las metodologías pertinentes para identificar buenos casos de uso de la IA y cómo implementarlos de forma ágil, para que puedas ponerte directamente manos a la obra y elevar tu BI al siguiente nivel.

Para ello, no voy a centrarme demasiado en detalles como el entrenamiento o la implementación de modelos ML: eso es algo que puedes dejar a los científicos de datos. En lugar de eso, descubrirás cómo utilizar los modelos de forma eficaz para tus fines y construir primeros prototipos o PoC rápidas. Gracias a tecnologías como la IA como servicio (AIaas) y el aprendizaje automático de máquinas (AutoML), podremos abarcar muchos servicios de IA sin preocuparnos demasiado por los detalles subyacentes.

Este libro no te convertirá en un científico de datos, pero te acercará a la comprensión de su papel y de cómo pueden ayudarte con el tuyo. Aprovecharás tus conocimientos actuales y aprenderás a implantar eficazmente los servicios de IA en tus propios flujos de trabajo y cuadros de mando. Al final de este libro, deberías ser capaz de colaborar aún más eficazmente con tus colegas de la ciencia de datos, o incluso de realizar algunas de las auténticas tareas de la ciencia de datos por tu cuenta.

Quién debería leer este libro

Este libro de te aportará el máximo valor si ya eres un profesional de los datos con experiencia o un experto en datos empresariales de una organización. Asumo que conoces bastante bien los datos de tu empresa (o al menos las partes con las que trabajas) y que eres consciente de las trampas y advertencias que pueden tener. En tu papel de profesional de BI, analista empresarial, analista de datos o desarrollador de software con muchos datos, conoces bien el valor de los datos de tu organización en un caso de uso concreto.

Lo que aún quieres averiguar es cómo la IA puede añadir valor a tu empresa, mejorar los procesos o proporcionar mejores conocimientos. Quieres adquirir experiencia práctica construyendo tú mismo un caso de uso de la IA de principio a fin, o al menos comprenderlo de principio a fin. Aún no eres un experto en IA, pero quieres aprender más en este campo.

Para sacar el máximo partido a este libro, no tengas miedo de programar un poco tú mismo. Aunque nos ceñiremos a las herramientas sin código en la mayoría de los casos, en ciertas áreas es simplemente más fácil ejecutar un pequeño script en Python o R para garantizar un funcionamiento sin problemas. Por ejemplo, extraeremos datos de API REST HTTP para construir predicciones de IA en nuestros cuadros de mando. O haremos algún procesamiento básico de datos en pandas de Python o Tidyverse de R. Si estás abierto y dispuesto a aprender algunas de estas prácticas, este libro te dará todo lo que necesitas para crear una primera versión de un prototipo de caso de uso de IA por tu cuenta, sin ninguna ayuda, gracias a las plantillas de código listas para usar.

Aunque no presupongo mucho desde un punto de vista técnico, espero que estés familiarizado con los flujos de trabajo básicos del análisis de datos. Por ejemplo, deberías saber cómo analizar datos en múltiples dimensiones, crear gráficos de líneas y de barras, y entender conceptualmente cómo funciona un archivo CSV. Términos como estadística descriptiva o regresión lineal no deberían asustarte demasiado.

Todos los ejemplos de BI de este libro se muestran utilizando Microsoft Power BI. Si ya conoces Power BI, esto es una gran ventaja. Si no, este libro te introducirá en los conceptos principales, pero puede que merezca la pena leer alguno de los recursos adicionales que se enumeran en la siguiente sección.

Microsoft Power BI y Azure

Aunque todos los conceptos y metodologías de este libro están escritos para ser universales, los ejercicios se explican dentro de una única pila tecnológica. A efectos de este libro, estoy utilizando software de Microsoft, en particular Power BI Desktop como frontend de BI y Microsoft Azure para los servicios en la nube y de IA. Si prefieres otras herramientas, deberías poder cambiar fácilmente de contexto, ya que la mayoría de las interfaces y flujos de trabajo son bastante similares en otras herramientas de BI de, como Tableau y Qlik, o para los servicios de IA en la nube de Amazon Web Services o Google Cloud Platform.

Para seguir los ejemplos de este libro, necesitarás tener acceso al siguiente software:

Escritorio Microsoft Power BI

La versión gratuita será suficiente para seguir los ejemplos. Puedes descargar Microsoft Power BI desde su sitio web. Si nunca has trabajado con Power BI, puede que te interese consultar la guía "Introducción a Power BI".

Servicios en la nube Microsoft Azure

Para este libro, utilizaremos servicios de IA de la plataforma en la nube Microsoft Azure. Deberías poder trabajar completamente dentro de tu nivel de suscripción gratuita. Puedes registrarte para obtener una cuenta Azure gratuita si aún no tienes una. Sin embargo, dependiendo de la frecuencia con la que realices los ejercicios y del tamaño de tus conjuntos de datos, podrías llegar a los límites de la capa gratuita. Consulta la calculadora de precios de Microsoft Azure cuando tengas dudas sobre los costes asociados.

Objetivos de aprendizaje

En al final de este libro, deberías entender lo siguiente:

• Cómo la IA puede generar impacto empresarial en entornos de BI

• Cuáles son los casos de uso más importantes de la IA en la inteligencia empresarial

• Cómo iniciarse en la IA mediante la creación rápida de prototipos

• ¿Qué herramientas de creación de prototipos existen en el contexto de la IA?

• Cómo crear soluciones basadas en IA en el contexto del BI

• Cómo construir un prototipo de principio a fin para verificar la rentabilidad de la IA

• Cómo pasar del prototipo a la producción

Podrás hacer lo siguiente

• Utiliza AutoML para una clasificación automatizada y una mejor previsión

• Implementar servicios de recomendación para apoyar la toma de decisiones

• Extrae información de los datos de texto a escala con servicios de procesamiento del lenguaje natural

• Extraer información de documentos e imágenes con servicios de visión por ordenador

• Construye interfaces de usuario interactivas para prototipos de cuadros de mando basados en IA

• Poner en práctica un estudio de caso integral para crear un panel de análisis de clientes basado en IA

Navegar por este libro

Ahora que entiendes el trasfondo de este libro y lo que espero que consigas, echemos un vistazo a su estructura.

El libro está dividido en dos partes. La Parte 1(Capítulo 1 a Capítulo 4) te proporciona los fundamentos teóricos. La Parte 2(Capítulo 5 a Capítulo 11) proporciona ejemplos prácticos que demuestran cómo construir mejores cuadros de mando y previsiones, y desbloquear datos no estructurados con ayuda de la IA.

El capítulo 1, "Crear valor empresarial con la IA", examina el impacto de la IA en el panorama del BI y cómo puedes utilizarla normalmente en un contexto de BI. También conocerás un marco que te ayuda a priorizar los casos de uso de la IA/ML en función de su impacto empresarial.

El capítulo 2, "Del BI a la Inteligencia para la Toma de Decisiones: Evaluar la viabilidad de los proyectos de IA", se centra en la viabilidad técnica de los proyectos de IA. Conocerás los patrones típicos de las soluciones de IA e intuirás cómo se construyen los servicios de IA. Al final, serás capaz de evaluar la viabilidad de un proyecto de IA que te permita crear una hoja de ruta de casos de uso priorizados para tus casos de uso de BI.

El Capítulo 3, "Fundamentos del Aprendizaje Automático", abarca algunos conceptos fundamentales del ML que te permitirán no sólo aplicar técnicas de IA, sino también comprender lo que hacen y cómo encaja todo esto en un panorama más amplio. También cubriremos algunos escollos básicos del ML.

El capítulo 4, "Creación de prototipos", te introduce en una de las herramientas más potentes de la gestión ágil de proyectos y la ciencia de datos: la creación de prototipos. Aprenderás qué son los prototipos, por qué son importantes y cómo construir prototipos impactantes para sistemas de IA.

El Capítulo 5, "Análisis descriptivo potenciado por la IA", da comienzo a la Parte 2, la parte práctica del libro. Aprenderás a implementar las capacidades de la IA para ayudarte a ejecutar análisis descriptivos más rápidamente y proporcionar una forma más intuitiva y fluida de interactuar con grandes conjuntos de datos.

El Capítulo 6, "Análisis de diagnóstico potenciado por IA", va un paso más allá no sólo en la descripción de los datos, sino también en darles sentido mediante el apoyo a los análisis de diagnóstico para revelar patrones interesantes de forma automática, de modo que tengas más tiempo para centrarte en la interpretación de los datos.

En el Capítulo 7, "Análisis predictivo potenciado por IA ", aprenderás a mirar más allá de los conocimientos históricos y a aplicar el análisis predictivo potenciado por IA utilizando varios ejemplos de clasificación, previsión y detección de anomalías.

El Capítulo 8, "Análisis prescriptivo potenciado por IA", va un paso más allá, no sólo para predecir resultados, sino también para prescribir las siguientes mejores acciones a realizar mediante el uso de sistemas de recomendación.

En el Capítulo 9, "Aprovechamiento de los datos no estructurados con IA", aprenderás por fin a salir del ámbito de los datos tabulares y explorarás cómo la IA puede ayudarte a automatizar el procesamiento de datos no estructurados, como archivos de texto, documentos e imágenes.

Capítulo 10, "Reunirlo todo: Crear un panel de análisis de clientes basado en IA ", reúne todo esto. Construirás un panel de análisis de clientes potenciado por la IA que se basa en los bloques de construcción individuales que has aprendido en los capítulos anteriores.

Una vez celebrado el éxito de tu primer PoC de BI potenciado por IA, el Capítulo 11, "Dar los siguientes pasos: Del Prototipo a la Producción", trata de los siguientes pasos necesarios para pasar del prototipo a la producción y concluir lo que has aprendido.

Este libro va acompañado de un sitio web que contiene todos los archivos de demostración y fragmentos de código utilizados para los ejercicios prácticos. Asegúrate de marcar este sitio web para seguirlo sin problemas. Cada capítulo tiene referencias directas a los recursos de este sitio web.

¿Estás preparado? Coge las llaves y salta al asiento delantero. Estaré a tu lado con indicaciones, navegando por el paisaje de la inteligencia empresarial impulsada por IA.

Convenciones utilizadas en este libro

En este libro se utilizan las siguientes convenciones tipográficas:

Cursiva

Indica nuevos términos, URL, direcciones de correo electrónico, nombres de archivo y extensiones de archivo.

Constant width

Se utiliza en los listados de programas, así como dentro de los párrafos para referirse a elementos del programa como nombres de variables o funciones, bases de datos, tipos de datos, variables de entorno, sentencias y palabras clave.

Constant width bold

Muestra comandos u otros textos que deben ser tecleados literalmente por el usuario.

Constant width italic

Muestra el texto que debe sustituirse por valores proporcionados por el usuario o por valores determinados por el contexto.

Consejo

Este elemento significa un consejo o sugerencia.

Nota

Este elemento significa una nota general.

Advertencia

Este elemento indica una advertencia o precaución.

Utilizar ejemplos de código

El material complementario (ejemplos de código, ejercicios, etc.) está disponible para su descarga en https://www.aipoweredbi.com.

Si tienes una pregunta técnica o un problema al utilizar los ejemplos de código, envía un correo electrónico a [e-mail].

Este libro está aquí para ayudarte a hacer tu trabajo. En general, si se ofrece código de ejemplo con este libro, puedes utilizarlo en tus programas y documentación. No es necesario que te pongas en contacto con nosotros para pedirnos permiso, a menos que estés reproduciendo una parte importante del código. Por ejemplo, escribir un programa que utilice varios trozos de código de este libro no requiere permiso. Vender o distribuir ejemplos de los libros de O'Reilly sí requiere permiso. Responder a una pregunta citando este libro y el código de ejemplo no requiere permiso. Incorporar una cantidad significativa de código de ejemplo de este libro en la documentación de tu producto sí requiere permiso.

Agradecemos, pero generalmente no exigimos, la atribución. Una atribución suele incluir el título, el autor, la editorial y el ISBN. Por ejemplo,"AI-Powered Business Intelligence por Tobias Zwingmann (O'Reilly). Copyright 2022 Tobias Zwingmann, 978-1-098-11147-2".

Si crees que el uso que haces de los ejemplos de código no se ajusta al uso legítimo o al permiso concedido anteriormente, no dudes en ponerte en contacto con nosotros en [e-mail].

Aprendizaje en línea O'Reilly

Nota

Durante más de 40 años, O'Reilly Media ha proporcionado formación tecnológica y empresarial, conocimientos y perspectivas para ayudar a las empresas a alcanzar el éxito.

Nuestra red única de expertos e innovadores comparten sus conocimientos y experiencia a través de libros, artículos y nuestra plataforma de aprendizaje online. La plataforma de aprendizaje en línea de O'Reilly te ofrece acceso bajo demanda a cursos de formación en directo, rutas de aprendizaje en profundidad, entornos de codificación interactivos y una amplia colección de textos y vídeos de O'Reilly y de más de 200 editoriales. Para más información, visita https://oreilly.com.

Cómo contactar con nosotros

Por favor, dirige tus comentarios y preguntas sobre este libro a la editorial:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Norte
• Sebastopol, CA 95472
• 800-998-9938 (en Estados Unidos o Canadá)
• 707-829-0515 (internacional o local)
• 707-829-0104 (fax)

Tenemos una página web para este libro, donde se enumeran erratas, ejemplos y cualquier información adicional. Puedes acceder a esta página en https://oreil.ly/ai-powered-bi.

Envía un correo electrónico a [e-mail] para comentar o hacer preguntas técnicas sobre este libro.

Para obtener noticias e información sobre nuestros libros y cursos, visita https://oreilly.com.

Encuéntranos en LinkedIn: https://linkedin.com/company/oreilly-media.

Síguenos en Twitter: https://twitter.com/oreillymedia.

Míranos en YouTube: https://youtube.com/oreillymedia.

Agradecimientos

Escribir libros es lo más cerca que están los hombres de tener hijos.

Norman Mailer

Esta cita resuena en mí. No sólo porque el proceso de escritura de este libro duró casi exactamente nueve meses. Sino sobre todo porque me recuerda a quién tengo que dar las gracias en primer lugar por todo: a mi familia.

Escribir significa sacrificarse. Sacrificas mucho de tu tiempo, energía y otras cosas de la vida por un montón de palabras en una pantalla con un resultado muy incierto. Por tanto, no puedes dar por sentado que cuentas con el apoyo de tu familia para un empeño tan absurdo. Tengo la suerte de haber podido contar siempre con el apoyo de mi maravillosa esposa Çiğdem. Su amor, confianza y optimismo han hecho posible todo esto y ella me inspira cada día. Las palabras "gracias" no pueden expresar lo que siento. Sois los mejores. Os quiero.

Ambos no seríamos nada sin nuestras madres. Por eso, me gustaría dar las gracias a mi madre Anett y, sobre todo, a mi suegra Gülten por estar siempre a nuestro lado y no abandonarnos nunca. Si no fuera por ellas, no tendríamos la posibilidad de seguir persiguiendo nuestros sueños mientras criamos a los tres hijos más hermosos de la tierra.

También quiero dar las gracias a todo el equipo de O'Reilly por hacer posible este libro. En especial, quiero dar las gracias a Michelle Smith por su apoyo y por creer en mí. Estoy muy contenta de que me confiara la oportunidad única de trabajar en un proyecto tan maravilloso. También me gustaría dar las gracias especialmente a mi editora de desarrollo, Rita Fernando, por sus magníficas opiniones, comentarios y apoyo en general. Sin su ayuda y nuestras reuniones periódicas, ¡me habría caído del barco muchas veces! Gracias por ser una increíble entrenadora de escritura y guiarme a través del libro capítulo a capítulo. Y por último, pero no por ello menos importante, Chris Faucher, ¡gracias por tu dedicación a la hora de convertir un montón de manuscritos salvajes en un libro tan hermoso, y por insuflarle vida! No puedo apreciar lo suficiente tu ayuda.

Muchos caminos pueden llevar a escribir un libro. El mío empezó con George Mount. Si nunca nos hubiéramos conocido, si él no hubiera mencionado este tema, si no me hubiera animado a escribir... este libro nunca habría existido. Es un bello ejemplo de cómo las grandes cosas empiezan con pequeños pasos. ¡Estoy muy agradecida por haber dado ese primer paso contigo, George!

Revisar un libro técnico es casi tan difícil como escribirlo. Por eso quiero dar las gracias a George Mount, Donald Farmer y Michael Norris por revisar críticamente el contenido y aportar sus valiosos comentarios con gran atención al detalle.

Este libro abarca tantos temas y conceptos que es imposible que una sola persona los conozca todos. Muchas personas han trabajado conmigo o me han dado su opinión para hacer de este libro lo que es hoy. Entre ellas están Ram Kumar, Alexander Niltop, Franco Arda, Piotr Menclewicz, Felix Urban, Marek Drob y muchos otros. ¡Muchas gracias por ello!

Y, por último, quiero dar las gracias a todos los que contribuyen al ecosistema de código abierto con proyectos como Python, R y todo lo que ello conlleva. Sin vuestro trabajo de base, sería sencillamente imposible plasmar tantos conceptos en un solo libro práctico.

¹ Thomas H. Davenport y DJ Patil, "Científico de datos: El trabajo más sexy del siglo XXI", Harvard Business Review, octubre de 2012, https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century.