Para la IA, los datos erróneos equivalen a comida basura

Aunque algunas de las herramientas de IA más decisivas aún están en fase de desarrollo para las empresas, estos pasos esenciales ya son válidos para poner tus datos en orden.

La IA es buena si se le proporcionan buenos datos. 

«¿Dónde está mi pedido?»

Las empresas que utilizan cada vez más la inteligencia artificial formulan esta clase de preguntas para responder rápidamente. Pero antes de enviarlas a un cliente, considere estas dos posibles respuestas generadas por IA.

Respuesta 1:

Gracias por preguntar. ¿Cuál es tu nombre, correo electrónico y número de pedido? ¿Dónde hiciste el pedido?

Respuesta 2:

Jon, ¡gracias por tu fidelidad como miembro de Nivel Oro! ¿Cómo puedo ayudarte? ¿Hay algún problema con la taza que tienes en el carrito, con la bolsa de mensajero que estás mirando en nuestro sitio web o con cualquier otra cosa?

El cliente se sentirá de manera muy distinta según lo que se responda. La diferencia está en los datos.

La diferencia de datos

La IA generativa promete remodelar significativamente la forma de gestionar las relaciones con los clientes, pero para ello requiere datos precisos, actualizados, accesibles y completos.

• Esto se denomina IA basada en datos. Se centra en la idea de que los sistemas de IA se desarrollan utilizando únicamente datos de calidad.
• Las empresas también deben tener una visión conectada y siempre actualizada de la actividad de los clientes.

Trailblazer

«Quizás tengas datos, pero ¿son actuales, fidedignos y completos?», afirma Carl Brundage, arquitecto técnico certificado especializado en datos y análisis de Odaseva. «De lo contrario, podrías tener una idea equivocada de cómo es tu cliente en realidad».

• Una imagen completa de la situación del cliente, es decir, saber qué, cómo, dónde y cuándo efectúa una acción, es esencial para incorporar contenido valioso a la IA.  

Medidas que ya puede aplicar tu empresa

Aunque algunas de las herramientas de IA más decisivas aún están en fase de desarrollo para las empresas, ya puedes aplicar estos pasos esenciales para poner tus datos en orden:

• Asegura la calidad de tus datos. Elimina duplicados, valores atípicos, errores y otros elementos que afecten negativamente a la toma de decisiones. 
• Conecta tus fuentes de datos (marketing, ventas, servicio, comercio) en un único registro y actualizado en tiempo real, para que la IA ofrezca las mejores recomendaciones.  

Cómo la Fórmula 1 conectó los datos de sus clientes y consiguió un 88 % de satisfacción de los aficionados

Los datos de los clientes ahora están en un único lugar. Esto permite conectar las interacciones hechas en persona con las digitales, para extraer la información adecuada y comunicarla a los aficionados en el momento adecuado.

Sentar las bases de una IA basada en datos

Los datos de los clientes son la clave para ofrecer experiencias excelentes. Si se quiere crear un programa de IA eficaz, no es necesario que los datos sean perfectos, pero sí que deben estar limpios y en orden. Es decir, sin errores, formatos incorrectos, duplicados ni con etiquetas erróneas. 

Los expertos en datos de Tableau ofrecen estas indicaciones sobre cómo limpiar datos, un primer paso importante para unificar conjuntos de datos en proyectos de IA:

Eliminar observaciones duplicadas o irrelevantes

Cuando se combinan conjuntos de datos de varios lugares, se crean entradas duplicadas. Las observaciones irrelevantes se generan cuando los datos (por ejemplo, consumidores de más edad) no se corresponden con el problema que se intenta analizar (por ejemplo, hábitos de compra entre los «millennials»). Su eliminación incrementa la eficiencia, utilidad y exactitud del análisis para un sistema de IA. 

Corregir errores estructurales

Sucede cuando los datos incluyen faltas de ortografía, uso incorrecto de mayúsculas y minúsculas o errores de etiquetado. Por ejemplo, «N/D» y «no disponible» significan lo mismo, pero no se analizan igual porque se generan de forma diferente. Las entradas deben ser coherentes para que el sistema de IA efectúe un análisis preciso y completo. 

Filtrar valores atípicos no deseados

A menudo hay observaciones que no parecen coincidir con los datos que se analizan. Puede deberse a una introducción incorrecta de datos; sin embargo, a veces el valor atípico ayuda a demostrar una teoría en la que se está trabajando. Sea como fuere, un análisis es necesario para determinar su validez.  

Cómo solucionar los datos que faltan

Los datos que faltan o están incompletos no solo son un problema muy común en los conjuntos de datos, sino que también pueden reducir la precisión de los modelos de IA. Este problema puede resolverse de varias formas: 

• Elimina observaciones que incluyan valores omitidos, aunque de este modo se perderá información.
• Introduce los valores que faltan según otras observaciones, pero se puede perder la integridad de los datos porque se usan suposiciones, no observaciones reales
• Quizás merezca la pena modificar la forma de utilizar los datos para navegar eficazmente por los valores que faltan.

Validar

Después de limpiar los datos, deberías poder responder a estas preguntas: 

• ¿Tienen sentido los datos? 
• ¿Los datos siguen las reglas correctas de su campo? 
• ¿Prueban o refutan tu teoría? ¿Aportan alguna idea?
• ¿Puedes encontrar tendencias que ayuden a fundamentar la próxima teoría? Si no es así, ¿se debe a continuos problemas de calidad de los datos? 

IA basada en datos + CRM = combinación nefasta

La IA ya ha empezado a transformar la CRM y la forma en que las empresas conectan con sus clientes y les prestan servicio. Sin buenos datos integrados, precisos y en tiempo real, la IA es inútil. Además, sin la IA es imposible que ingentes cantidades de datos resulten comprensibles. 

La solución es combinar las dos prácticas. Esto te ayudará a identificar y prever tendencias, retos y oportunidades en todas las líneas de negocio y a atender mejor a tus clientes.  

Un perfil de cliente unificado, como el que ofrece Data Cloud, ofrece una visión completa de todos tus usuarios, sea cual sea su clase. Tradicionalmente, los datos de marketing se ubicaban en los sistemas de marketing, los de servicio en los sistemas de servicio, etc. Esto impedía tener una visión completa de la actividad de los clientes. 

Brundage afirma que «es absolutamente necesario disponer de un perfil de cliente unificado y de confianza, en un único lugar y actualizado en tiempo real. Según los datos, puede que una acción realizada el mes pasado se haga de forma diferente este mes. Si los datos están obsoletos, son los que usará la IA». 

Una conocida pirámide demuestra la jerarquía de la gestión del conocimiento. Los datos ocupan la parte inferior: representan todo lo que se recopila; progresan a información, luego a conocimiento y, finalmente, a sabiduría, situada en la parte superior. 

Los datos y la información proporcionan poco contexto y no responden al «por qué» de cualquier cuestión. Pero si se integran en capas y en tiempo real con IA, se pueden observar patrones, predecir tendencias y establecer conexiones entre aspectos que, a primera vista, no parecen tener ningún sentido. 

«El conocimiento es saber que un tomate es una fruta», afirma Brundage. «La sabiduría es saber que no se usa como ingrediente en una ensalada de frutas».