La clave para que su empresa esté preparada para el futuro reside en la incorporación de las últimas tendencias tecnológicas y la digitalización estratégica de tus operaciones empresariales. Combinar soluciones nuevas y transformadoras con métodos empresariales probados no solo es un enfoque práctico, sino esencial para competir en esta era digital. Utilizando las últimas tendencias en transformación digital como guía, empiece a imaginar el viaje que supone preparar su empresa para el futuro con el fin de desbloquear las oportunidades del mañana.
#1 Personalización
No hay que subestimar la importancia de las experiencias personalizadas de los clientes. Ahora más que nunca, los consumidores se enfrentan a un sinfín de opciones. Para diferenciarse de la competencia, las empresas deben utilizar los datos y la información sobre el comportamiento de los clientes para crear experiencias personalizadas y dinámicas que satisfagan y conquisten a su público. Analice el historial de compras, los datos demográficos, la actividad web y otros datos para comprender a su cliente, así como tus gustos y aversiones. Utilice esta información para diseñar experiencias de cliente personalizadas que aumenten la conversión, la retención y, en última instancia, la satisfacción.
#nº 2 Inteligencia artificial
La IA está en todas partes. Desde vehículos autónomos y hogares inteligentes hasta asistentes digitales y chatbots, la inteligencia artificial se utiliza en una amplia gama de aplicaciones para mejorar, simplificar y agilizar las tareas de la vida cotidiana. Para las empresas, la IA y el Machine Learning tienen el poder de extraer y descifrar grandes cantidades de datos que pueden ayudar a predecir tendencias y previsiones, ofrecer experiencias interactivas personalizadas a los clientes y agilizar los procesos operativos. Las empresas que se apoyan en decisiones basadas en la IA se ven impulsadas hacia un mundo de eficiencia, precisión, automatización y competitividad.
#3 Sostenibilidad
Las empresas, especialmente las del sector manufacturero, se enfrentan a una presión cada vez mayor para actuar de forma más responsable y tener en cuenta los objetivos medioambientales, sociales y de gobernanza corporativa (ASG) a la hora de tomar decisiones empresariales. Las transformaciones digitales son una forma de apoyar el desarrollo sostenible interno, ya que permiten reducir los residuos, optimizar el uso de los recursos y mejorar la transparencia. Con la sostenibilidad en mente, las empresas pueden construir tus infraestructuras de datos y tecnología para reducir el impacto. Por ejemplo, las empresas pueden cambiar a un hardware más eficiente desde el punto de vista energético o reducir el consumo de electricidad migrando a la nube.
#4 Migración a la nube
Cada vez más empresas están migrando tus datos de las instalaciones locales a la nube. De hecho, se calcula que en 2027 el 50% de las empresas utilizarán servicios en la nube1. ¿A qué se debe esta transición masiva? El ahorro de costos es uno de los principales factores. Aprovechar las plataformas de almacenamiento en la nube elimina la necesidad de costosos centros de datos y hardware de servidor, reduciendo así importantes gastos de infraestructura. Y aunque navegar por un proyecto de migración a la nube puede parecer un reto, muchos recurren a socios de computación en nube para dirigir la migración de datos y garantizar un cambio indoloro.
Prepare su empresa para el futuro mediante la transformación digital con Kopius
Al adoptar estas tendencias de transformación digital, su empresa no solo se adapta al panorama empresarial actual, sino que también desbloquea nuevas oportunidades de crecimiento. Preparar su empresa para el futuro requiere una combinación de perspicacia estratégica y conocimientos técnicos. Aquí es precisamente donde un socio de transformación digital, que posee un profundo conocimiento de estas tendencias, puede equipar a su empresa con los recursos y soluciones para evolucionar con confianza. Póngase en contacto con Kopius hoy mismo y hablemos de un viaje de transformación que prepare a su empresa para el futuro digital.
El auge de modelos generativos como ChatGPT y Stable Diffusion ha generado mucho debate sobre el futuro del trabajo y el lugar de trabajo asistido por IA. Hay una gran expectación por las nuevas e impresionantes capacidades que promete esta tecnología, así como preocupación por la pérdida de puestos de trabajo a causa de la automatización. Veamos en qué punto nos encontramos hoy, cómo podemos aprovechar estas nuevas tecnologías de texto generadas por IA para potenciar la productividad y qué cambios pueden suponer para un lugar de trabajo moderno.
Es la pregunta que todo el mundo se hace. La IA puede generar imágenes, música, texto y código. ¿Significa esto que tu trabajo como diseñador, desarrollador o redactor está a punto de automatizarse? Pues sí. Tu trabajo se automatizará en el sentido de que será mucho más eficiente, pero tú seguirás al mando.
En primer lugar, no toda automatización es mala. Antes de que se generalizaran las computadoras, los impuestos se hacían con papel y lapicera. ¿Abandonaron los programas fiscales modernos el negocio de los contables? En absoluto. Facilitó su trabajo automatizando tareas repetitivas, aburridas y repetitivas. Los contables fiscales son ahora más eficientes que nunca y pueden centrarse en dominar la legislación fiscal en lugar de perder horas empujando papel. Se ocupan de casos fiscales más complicados, personalizados y adaptados a usted o a su empresa. Del mismo modo, es justo suponer que estas nuevas herramientas generativas de IA aumentarán los trabajos creativos y los harán más eficientes y agradables, no los suplantarán por completo.
En segundo lugar, los modelos generativos se entrenan con contenidos creados por humanos. Esto molesta a muchos, especialmente a los creadores, cuyas obras se utilizan como datos de entrenamiento sin el permiso explícito del artista, lo que permite al modelo replicar su estilo artístico único. Stability.ai planea resolver este problema permitiendo a los artistas optar por que tus obras no formen parte del conjunto de datos, pero, siendo realistas, no hay forma de garantizar el cumplimiento y no hay forma definitiva de demostrar si su arte se sigue utilizando para entrenar modelos. Pero esto abre interesantes oportunidades. ¿Qué pasaría si concedieras la licencia de tu estilo a una empresa de inteligencia artificial? Si eres un artista de éxito y tu trabajo tiene demanda, podría haber un futuro en el que concedieras licencias para que tu trabajo se utilizara como datos de entrenamiento y te pagaran cada vez que se generara una nueva imagen basada en tus creaciones anteriores. Es posible que los creadores de IA responsables puedan calcular el nivel de actualizaciones de gradiente durante el entrenamiento y el porcentaje de activación neuronal asociado a muestras específicas de datos para calcular cuánto de tu arte bajo licencia fue utilizado por el modelo para generar un resultado. Del mismo modo que Spotify paga una pequeña cantidad al músico cada vez que alguien reproduce una de tus canciones, o que sitios web como Flaticon.com pagan una cantidad al diseñador cada vez que se descarga uno de tus iconos. Resumiendo, es probable que pronto veamos controles más estrictos sobre cómo se construyen los conjuntos de datos de formación en lo que respecta a las obras con licencia frente al dominio público.
Veamos algunas implicaciones positivas de este lugar de trabajo y esta tecnología asistidos por IA en relación con algunas funciones creativas y cómo esta tecnología puede agilizar determinadas tareas.
Como diseñador de interfaz de usuario, cuando diseñas interfaces web y para móviles es probable que dediques mucho tiempo a buscar imágenes de archivo. Las imágenes deben ser relevantes para la empresa, tener los colores adecuados, dejar espacio para superponer texto, etc. Algunas imágenes pueden ser oscuras y difíciles de encontrar. Se pueden pasar horas buscando la imagen de archivo perfecta. Con la IA, basta con generar una imagen a partir de un texto. Puede pedir al modelo que cambie la iluminación y los colores. ¿Necesitas espacio para un título? Utiliza inpainting para despejar una zona de la imagen. ¿Necesitas añadir un elemento específico a la imagen, como un cucurucho de helado? Muéstrale a AI dónde lo quieres y lo integrará sin problemas. ¿Necesitas buscar códigos de colores RGB/HEX complementarios? Pídele a ChatGPT que genere algunas combinaciones.
¿Va a desaparecer el trabajo de los fotógrafos? Lo más probable es que no. Siguen apareciendo nuevos dispositivos y hay que incorporarlos periódicamente a los datos de formación. Si somos inteligentes a la hora de conceder licencias de estos activos con fines de capacitación, es posible que tengas más ingresos que antes, ya que la IA puede utilizar una parte de tu imagen y pagarte una tarifa parcial por cada solicitud muchas veces al día, en lugar de que un usuario compre una licencia por vez. Sí, hay que trabajar para habilitar esta funcionalidad, por eso es importante plantearse las cosas ahora y trabajar hacia una solución que beneficie a todos. Pero los modelos generativos entrenados hoy estarán lamentablemente obsoletos dentro de diez años, así que los modelos seguirán necesitando nuevos datos del mundo real generados por humanos para mantener su relevancia. Las empresas de IA tendrán una ventaja competitiva si pueden obtener licencias de conjuntos de datos de alta calidad, y nunca se sabe cuáles de tus imágenes utilizará la IA; incluso podría averiguar qué fotos tomar más para maximizar ese flujo de ingresos.
Los ingenieros de software, especialmente los que trabajan en servicios profesionales, a menudo tienen que alternar entre varios lenguajes de programación. Incluso en el mismo proyecto, pueden utilizar Python, JavaScript / TypeScript y Bash al mismo tiempo. Es difícil cambiar de contexto y recordar todas las peculiaridades de la sintaxis de un lenguaje en particular. ¿Cómo hacer eficientemente un bucle for en Python vs Bash? ¿Cómo desplegar un Cognito User Pool con un autorizador Lambda usando AWS CDK? Acabamos googleando estos fragmentos porque trabajar con tantos lenguajes nos obliga a recordar conceptos de alto nivel en lugar de elementos sintácticos específicos. GitHub Gist existe con el único propósito de descargar fragmentos de código útil de la memoria local (tu cerebro) a un almacenamiento externo. Con tanto que aprender, y cosas en constante evolución, es más fácil ser consciente de que existe una técnica o algoritmo concreto (y dónde buscarlo) que recordarlo con insoportable detalle como si recitáramos un poema. Herramientas como ChatGPT integradas directamente en el IDE reducirían la cantidad de tiempo que los desarrolladores dedican a recordar cómo crear una nueva clase en un lenguaje que hace tiempo que no utilizan, cómo configurar la lógica de bifurcación o construir un script que mueva un montón de archivos a AWS S3. Podrían simplemente pedirle al IDE que rellene esta repetición de tareas para pasar a resolver los desafíos algorítmicos más interesantes.
Un ejemplo de cómo usar los decoradores de Python en ChatGPT . El texto y el fragmento de código de ejemplo son muy informativos.
Para los redactores, puede ser difícil superar el bloqueo del escritor que supone no saber por dónde empezar o cómo concluir un artículo. A veces resulta difícil describir de forma concisa un concepto complicado. ChatGPT puede ser útil en este sentido, sobre todo como herramienta para buscar rápidamente información aclaratoria sobre un tema. Aunque es justificada tener precaución, como ha demostrado recientemente Stephen Wolfram, CEO de Wolfram Alpha, que argumenta de forma convincente que las respuestas de ChatGPT no siempre deben tomarse al pie de la letra... Así que la clave está en investigar por tu cuenta. Así las cosas, el modelo de OpenAI suele ser un buen punto de partida para explicar un concepto y, como mínimo, puede ofrecer pistas para seguir investigando. Pero por ahora, los escritores siempre deben verificar tus respuestas. Recordemos también que ChatGPT no ha sido entrenado con ninguna información nueva creada después del año 2021, por lo que no está al tanto de las novedades sobre la guerra en Ucrania, las cifras actuales de inflación o las recientes fluctuaciones del mercado bursátil, por ejemplo.
En conclusión
Los modelos de base como ChatGPT y Stable Diffusion pueden aumentar y agilizar los flujos de trabajo, y aún están lejos de poder amenazar directamente un puesto de trabajo. Son herramientas útiles mucho más capaces que los modelos de aprendizaje profundo de enfoque espefício, y requieren cierto grado de supervisión y precaución. ¿Serán aún mejores estos modelos dentro de 5-10 años? Sin duda. Y para entonces, puede que nos hayamos acostumbrado a ellos y tengamos varios años de experiencia trabajando con estos agentes de IA, incluidas tus peculiaridades y errores.
Hay una cosa importante que debemos tener en cuenta sobre los Modelos Fundacionales y el futuro del lugar de trabajo asistido por IA: en el presente, la capacitación sigue siendo muy costosa. No están conectados a Internet y no pueden consumir información en tiempo real, en modo de entrenamiento incremental en línea. No hay una base de datos en la que cargar los nuevos datos, lo que significa que para incorporar nuevos conocimientos, el conjunto de datos debe crecer para encapsular la información reciente, y el modelo debe afinarse o volver a entrenarse desde cero en este conjunto de datos más grande. Es difícil verificar que el modelo produzca información objetivamente correcta, ya que el conjunto de datos de entrenamiento no está etiquetado y el procedimiento de entrenamiento no está totalmente supervisado. Hay alternativas interesantes de código abierto en el horizonte (como la StableDiffusion basada en U-Net), y técnicas para ajustar partes del modelo más grande a una tarea específica, pero éstas tienen un enfoque más específico, requieren cantidad de retoques con hiperparámetros, y en general están fuera del alcance de este artículo en particular.
Es difícil predecir exactamente dónde estarán los modelos básicos dentro de cinco años y cómo influirán en el lugar de trabajo asistido por IA, ya que el campo del Machine Learning evoluciona rápidamente. Sin embargo, es probable que los modelos básicos sigan mejorando en términos de precisión y capacidad para gestionar tareas más complejas. Por ahora, sin embargo, parece que aún nos queda algo de tiempo antes de preocuparnos seriamente por perder nuestros puestos de trabajo a manos de la IA. Deberíamos aprovechar esta oportunidad para mantener ahora conversaciones importantes que garanticen que el futuro desarrollo de estos sistemas tenga una trayectoria ética.
Para obtener más información sobre nuestras soluciones de IA generativa, ponte en contacto con nosotros hoy mismo. Kopius es líder en consultoría y servicios de tecnología digital nearshore.
Aquí se presenta lo que separa a los modelos fundacionales de los modelos habituales de IA. Exploramos las razones por las que estos modelos son difíciles de entrenar y cómo entenderlos en el contexto de los modelos de IA más tradicionales.
¿Qué son los Modelos Fundacionales?
¿Qué son los modelos básicos y en qué se diferencian de los modelos tradicionales de IA de aprendizaje profundo? El Centro de IA Centrada en el Ser Humano del Instituto Stanford define un modelo básico como "cualquier modelo entrenado con datos amplios (generalmente utilizando autosupervisión a escala) que puede adaptarse a una amplia gama de tareas posteriores". Esto describe también muchos modelos estrechos de IA, como MobileNets y ResNets, que también pueden ajustarse y adaptarse a distintas tareas.
Las distinciones clave aquí son "autosupervisión a escala" y "amplia gama de tareas".
Los modelos Foundation se entrenan con cantidades ingentes de datos sin etiquetar o semietiquetados, y el modelo contiene órdenes de magnitud más de parámetros entrenables que un modelo de aprendizaje profundo típico destinado a ejecutarse en un smartphone. Esto hace que los modelos básicos sean capaces de generalizarse a una gama mucho más amplia de tareas que los modelos más pequeños entrenados en conjuntos de datos específicos del dominio. Es un error común pensar que arrojar muchos datos a un modelo hará que de repente haga algo útil sin más esfuerzo. En realidad, estos modelos de gran tamaño son muy buenos para encontrar y codificar patrones intrincados en los datos con poca o ninguna supervisión, patrones que pueden explotarse de diversas formas interesantes, pero es necesario realizar una buena cantidad de trabajo para utilizar este conocimiento oculto aprendido de forma útil.
La arquitectura de los modelos básicos de IA
El aprendizaje no supervisado, semisupervisado y por transferencia no son conceptos nuevos y, hasta cierto punto, los modelos de fundamentos también entran en esta categoría. Estas técnicas de aprendizaje se remontan a los inicios de los modelos generativos, como las máquinas de Boltzmann restringidas y los autocodificadores. Estos modelos más sencillos constan de dos partes: un codificador y un descodificador. El objetivo de un autocodificador es aprender una representación compacta (conocida como codificación o espacio latente) de los datos de entrada que capte los rasgos o características importantes de los datos, lo que se conoce como "separación lineal progresiva" de los rasgos que definen los datos. Esta codificación puede utilizarse después para reconstruir los datos de entrada originales o generar datos sintéticos completamente nuevos introduciendo variables latentes modificadas de forma inteligente en el descodificador.
Un ejemplo de arquitectura de un modelo autoencodificador convolucional de imágenes se entrena para reconstruir su propia entrada, por ejemplo: imágenes. La modificación inteligente del espacio latente permite generar imágenes completamente nuevas. Esto se puede ampliar añadiendo un modelo adicional que codifique las indicaciones de texto en representaciones latentes que el descodificador entienda para permitir la funcionalidad de texto a imagen.
Muchos modelos modernos de ML utilizan esta arquitectura, y la parte del codificador se denomina a veces columna vertebral, mientras que el decodificador se denomina cabeza. A veces los modelos son simétricos, pero con frecuencia no lo son. Muchas arquitecturas de modelos pueden servir como codificador o columna vertebral, y el resultado del modelo puede adaptarse a un problema específico modificando el decodificador o la cabeza. No hay límite en el número de cabezas que puede tener un modelo, ni en el número de codificadores. Las columnas vertebrales, las cabezas, los codificadores, los decodificadores y otras abstracciones de alto nivel son módulos o bloques construidos a partir de múltiples capas lineales, convolucionales y de otros tipos de redes neuronales básicas. Podemos intercambiarlas y combinarlas para producir diferentes arquitecturas de modelos a medida, del mismo modo que utilizamos diferentes marcos y bibliotecas de terceros en el desarrollo de software tradicional. Esto, por ejemplo, nos permite codificar una frase en un vector latente que luego puede descodificarse en una imagen.
Modelos básicos para el procesamiento del lenguaje natural
Los modelos modernos de Procesamiento del Lenguaje Natural (PLN) como ChatGPT entran en la categoría de Transformadores. El concepto de transformador se introdujo en el artículo de 2017 "Attention Is All You Need" de Vaswani et al. y desde entonces se ha convertido en la base de muchos modelos de vanguardia en PNL. La innovación clave del modelo transformador es el uso de mecanismos de autoatención, que permiten al modelo sopesar la importancia de las diferentes partes de la entrada al hacer predicciones. Estos modelos utilizan lo que se denomina una "incrustación", que es una representación matemática de una entrada discreta, como una palabra, un carácter o un fragmento de imagen, en un espacio continuo de alta dimensión. Las incrustaciones se utilizan como entrada para los mecanismos de autoatención y otras capas del modelo transformador para realizar la tarea específica que se esté llevando a cabo, como la traducción de idiomas o el resumen de textos. ChatGPT no es el primero ni el único modelo de transformador que existe. De hecho, los transformadores se han aplicado con éxito en muchos otros ámbitos, como la visión por computadora y el procesamiento de sonido.
Entonces, si ChatGPT se construye sobre conceptos ya existentes, ¿qué lo hace tan diferente de todas las demás arquitecturas de modelos de última generación que ya se utilizan hoy en día? Una explicación simplificada de lo que distingue a un modelo básico de un modelo de aprendizaje profundo "normal" es la inmensa escala del conjunto de datos de entrenamiento, así como el número de parámetros entrenables que tiene un modelo básico en comparación con un modelo generativo tradicional. Una red neuronal excepcionalmente grande entrenada en un conjunto de datos verdaderamente masivo proporciona al modelo resultante la capacidad de generalizarse a una gama más amplia de casos de uso que tus hermanos más estrechamente enfocados, sirviendo así de base para un número incalculable de nuevas tareas y aplicaciones. Un modelo tan amplio codifica muchos patrones, características y relaciones útiles en tus datos de entrenamiento. Podemos extraer este acervo de conocimientos sin necesidad de volver a entrenar toda la parte codificadora del modelo. Podemos acoplar diferentes cabezas nuevas y utilizar técnicas de aprendizaje por transferencia y de ajuste fino para adaptar el mismo modelo a diferentes tareas. Así es como un solo modelo (como Stable Diffusion) puede realizar a la vez tareas de conversión de texto en imagen, de imagen en imagen, de repintado, de superresolución e incluso de generación de música.
Desafíos en la formación de Modelos Fundacionales
La potencia de cálculo de la GPU y los recursos humanos necesarios para entrenar desde cero un modelo básico como GPT eclipsan los disponibles para desarrolladores individuales y equipos pequeños. Los modelos son sencillamente demasiado grandes y el conjunto de datos demasiado difícil de manejar. Estos modelos no pueden (por ahora) entrenarse de forma rentable de principio a fin y repetirse utilizando hardware básico.
Aunque los conceptos pueden estar bien explicados por la investigación publicada y entendidos por muchos científicos de datos, las habilidades de ingeniería y los costos exorbitantes necesarios para conectar cientos de nodos de GPU durante meses a la vez estirarían los presupuestos de la mayoría de las organizaciones. Y eso sin tener en cuenta los costos de acceso a los conjuntos de datos, almacenamiento y transferencia de datos asociados a la alimentación del modelo con cantidades masivas de muestras de entrenamiento.
Hay varias razones por las que modelos como ChatGPT están actualmente fuera del alcance de los particulares para formarse:
Datos necesarios: El entrenamiento de un gran modelo lingüístico como ChatGPT requiere una cantidad masiva de datos de texto. Estos datos deben ser de alta calidad y diversos, y suelen obtenerse de diversas fuentes, como libros, artículos y sitios web. Estos datos también se preprocesan para obtener el mejor rendimiento, lo que supone una tarea adicional que requiere conocimientos y experiencia. Los costos de almacenamiento, transferencia de datos y carga de datos son tustancialmente más elevados que los que se utilizan para modelos con un enfoque más limitado.
Recursos informáticos: ChatGPT requiere importantes recursos informáticos para entrenarse. Esto incluye clústeres en red de potentes GPU y una gran cantidad de memoria volátil y no volátil. La ejecución de un clúster informático de este tipo puede alcanzar fácilmente los cientos de miles por experimento.
Tiempo de formación: Entrenar un modelo básico puede llevar varias semanas o incluso meses, dependiendo de los recursos informáticos disponibles. Cablear y alquilar tantos recursos requiere mucha habilidad y un generoso compromiso de tiempo, por no hablar de los costos de computación en la nube asociados.
Experiencia: Para llevar a buen término un curso de formación se requieren conocimientos de Machine Learning, procesamiento del lenguaje natural, ingeniería de datos, infraestructura en la nube, redes y mucho más. La mayoría de las personas no pueden adquirir fácilmente este amplio conjunto de competencias interdisciplinares.
Acceso a modelos de IA preentrenados
Dicho esto, hay modelos preentrenados disponibles, y algunos pueden ajustarse con una menor cantidad de datos y recursos para un conjunto de tareas más específico y reducido, lo que constituye una opción más accesible para particulares y organizaciones más pequeñas.
El entrenamiento de Stable Diffusion requirió 600.000 dólares, el equivalente a 150.000 horas de GPU. Es decir, un cluster de 256 GPUs funcionando 24 horas al día, 7 días a la semana durante casi un mes. Stable Diffusion se considera una reducción de costos en comparación con GPT. Por lo tanto, aunque es posible entrenar tu propio modelo de base utilizando proveedores de nube comerciales como AWS, GCP o Azure, el tiempo, el esfuerzo, la experiencia necesaria y el costo total de cada iteración imponen limitaciones a su uso. Existen muchas soluciones y técnicas para reutilizar y volver a entrenar parcialmente estos modelos, pero por ahora, si quieres entrenar tu propio modelo básico desde cero, lo mejor que puedes hacer es solicitarlo a una de las pocas empresas que tienen acceso a los recursos necesarios para llevar a cabo esta tarea.
La cantidad de datos es enorme y crece cada vez más. Hemos rastreado seis grandes tendencias basadas en datos para el año que viene.
Analítica digital visualización de datos, calendario financiero, monitor de pantalla en perspectiva
Los datos son una de las oportunidades más innovadoras y de mayor crecimiento en la actualidad para dar forma a nuestra forma de trabajar y liderar. IDC predice que, para 2024, la incapacidad de llevar a cabo una estrategia basada en los datos y la IA afectará negativamente al 75 % de las mayores empresas públicas del mundo. Y para 2025, el 50% de esas empresas promoverán la toma de decisiones basada en datos mediante la integración de análisis en su software empresarial (frente al 33% en 2022), lo que impulsará la demanda de más soluciones de datos y empleados expertos en datos.
Aquí mostramos cómo cambiarán las tendencias de datos a partir de 2023:
La democratización de los datos impulsa la cultura de datos
Si cree que los datos sólo son relevantes para los analistas con conocimientos avanzados de ciencia de datos, tenemos noticias para usted. La democratización de los datos es una de las tendencias más importantes en materia de datos. El estudio de Gartner prevé que el 80 % de las iniciativas basadas en datos que se centran en los resultados empresariales se convertirán en funciones empresariales esenciales en 2025.
Las organizaciones están creando una cultura de datos mediante la atracción de talentos expertos en datos y la promoción del uso de datos y la educación de los empleados a todos los niveles. Para apoyar la democratización de los datos, estos deben ser exactos, fáciles de digerir y accesibles.
Según un estudio de McKinsey, las empresas con mejores resultados cuentan con un responsable de datos en la dirección ejecutiva y ponen los datos y las herramientas de autoservicio al alcance de todos los empleados de primera línea.
2. La hiperautomatización y los datos en tiempo real reducen los costos
Los datos en tiempo real y su automatización serán las herramientas de big data más valiosas para las empresas en los próximos años. Gartner prevé que, para 2024, la hiperautomatización rápida permitirá a las organizaciones reducir los costos operativos en un 30 %. Y para 2025, el mercado de software de hiperautomatización alcanzará casi los 860.000 millones de dólares.
3. La inteligencia artificial y el Machine Learning (IA y ML) siguen revolucionando las operaciones
La capacidad de implementar IA y ML en las operaciones será un diferenciador significativo. Verta Insights descubrió que los líderes del sector que superan financieramente a tus homólogos tienen más del doble de probabilidades de lanzar proyectos, productos o funciones de IA y han realizado inversiones en IA/ML a un nivel superior que tus homólogos.
Las tecnologías de IA y ML impulsarán el mercado del procesamiento del lenguaje natural (PLN). El PLN permite a las máquinas comprender el lenguaje humano hablado y escrito y comunicarse con nosotros. Según un estudio de MarketsandMarkets, el tamaño del mercado del PLN pasará de 15.700 millones de dólares en 2022 a 49.400 millones en 2027.
Hemos asistido a la oleada de interés por ChatGPT de OpenAI, un software de generación de lenguaje conversacional. Esta tecnología altamente escalable podría revolucionar toda una serie de casos de uso, desde resumir cambios en documentos legales hasta cambiar por completo nuestra forma de buscar información a través de interacciones similares al diálogo, afirma CNBC.
Esto puede tener implicaciones en muchas industrias. Por ejemplo, el sector sanitario ya emplea la IA para recomendaciones de diagnóstico y tratamiento, participación de los pacientes y tareas administrativas.
4. La arquitectura de datos conduce a la modernización
La arquitectura de datos acelera la transformación digital porque resuelve problemas de datos complejos mediante la automatización de procesos de datos básicos, aumenta la calidad de los datos y minimiza los silos y los errores manuales. Las empresas se modernizan apoyándose en la arquitectura de datos para conectar datos entre plataformas y usuarios. Las empresas adoptarán nuevo software, agilizarán las operaciones, encontrarán mejores formas de utilizar los datos y descubrirán nuevas necesidades tecnológicas.
Según MuleSoft, las organizaciones están preparadas para automatizar la toma de decisiones, mejorar dinámicamente el uso de los datos y reducir los esfuerzos de gestión de datos hasta en un 70% mediante la incorporación de análisis en tiempo real en su arquitectura de datos.
5. Las soluciones multi-nube optimizan el almacenamiento de datos
El uso de la nube se está acelerando. Las empresas optarán cada vez más por una nube híbrida, que combina los mejores aspectos de las nubes privadas y públicas.
Las empresas pueden acceder a los datos recopilados por servicios en la nube de terceros, lo que reduce la necesidad de crear sistemas personalizados de recopilación y almacenamiento de datos, que suelen ser complejos y caros.
6. Una mejor gobernanza y regulación de los datos protegen a los usuarios
Una gobernanza de datos eficaz se convertirá en la base de unos datos impactantes y valiosos.
A medida que más países aprueben leyes para regular el uso de diversos tipos de datos, la gobernanza de datos pasa a un primer plano en las prácticas de datos. El GDPR europeo, la PIPEDA canadiense y la PIPL china no serán las últimas leyes que se introduzcan para proteger los datos de los ciudadanos.
Gartner ha pronosticado que en 2023 el 65 % de la población mundial estará sujeta a normativas como el GDPR. A su vez, será más probable que los usuarios confíen tus datos a las empresas si saben que están más reguladas.
Valence trabaja con tus clientes para implementar un marco de gobernanza, encontrar fuentes de datos y riesgos de datos, y activar la organización en torno a este enfoque innovador de la gobernanza de datos y procesos, incluyendo educación, formación y desarrollo de procesos. Más información.
Qué aportan estas tendencias de datos
A medida que transcurre 2023, las organizaciones que comprenden las tendencias actuales de los datos pueden aprovecharlos para ser más innovadoras, estratégicas y adaptables. Nuestro equipo ayuda a los clientes con evaluaciones de datos, diseñando y estructurando activos de datos y creando soluciones modernas de gestión de datos. Integramos estratégicamente los datos en los negocios de los clientes, utilizamos el Machine Learning y la inteligencia artificial para crear perspectivas proactivas, y creamos visualizaciones de datos y cuadros de mando para que los datos tengan sentido.
Ayudamos a nuestros clientes a desarrollar una solución y crear una arquitectura de datos moderna que admita una escalabilidad diferenciada habilitada para la nube, capacidad de autoservicio y un plazo de comercialización más rápido para nuevos productos y soluciones de datos. Más información.
"La tecnología es un instrumento que cambiará la sociedad. Las mujeres tienen un papel en cómo se utiliza esa tecnología y cómo cambiará la sociedad". Aravinda Gollapudi, Directora de Plataforma y Tecnología de Sage
Nos sentamos con Aravinda Gollapudi, Directora de Plataforma y Tecnología de Sage, una empresa de 2.000 millones de dólares que proporciona a las pequeñas y medianas empresas software de finanzas, recursos humanos y nóminas. En Sage, dirige una organización distribuida por todo el mundo de unos 270 empleados que se ocupan de productos, tecnología, gestión de versiones, gestión de programas y mucho más. Aravinda también completa su trabajo técnico como consejera de Artifcts y Loopr.
Hablamos con Aravinda de tecnología y de cómo encajan las mujeres en esta industria. Compartimos lo más importante de ese intercambio.
¿Cuál es su papel en la tecnología? ¿Qué hace hoy?
Creo un modelo operativo para que las plataformas, los procesos y las organizaciones combinen velocidad y escala. Esto impulsa el liderazgo en el mercado y las soluciones innovadoras al tiempo que acelera la velocidad a través de la estructura organizativa. Para ello, lidero la organización tecnológica de servicios financieros nativos en la nube para el mercado medio en Sage, al tiempo que dirijo la hoja de ruta de productos y la estrategia para la plataforma como líder de la unidad de negocio.
También asesoro, sirvo de mentor y colaboro con directores ejecutivos de empresas emergentes como asesor del consejo en torno a tecnologías como IA/ML, SAAS, nube, estrategia organizativa y modelos de negocio. También ayudo a reunir a mi red para impulsar las actividades de salida al mercado.
Mi función me brinda una oportunidad única de impulsar la convergencia de los resultados empresariales y los habilitadores de tecnología/inversión mediante la identificación, el diseño y el liderazgo de soluciones para el mercado, para hoy, para mañana y para el futuro.
¿Cómo empezó en el mundo de la tecnología?
Creo que mi inclinación hacia la tecnología puede atribuirse a mi interés por las matemáticas. Tengo edad suficiente para apreciar cómo los ordenadores personales impulsaron la adopción exponencial de la tecnología.
La actual generación de tecnólogos tiene a su alcance una inmensa potencia informática, pero yo empecé mi incursión en la tecnología cuando tenía que utilizar servidores UNIX para hacer mi trabajo.
Al principio de mi career, quise dedicarme al mundo académico y a la investigación en física. Tras licenciarme en Física, me dediqué a la investigación en óptica cuántica. Pasé mucho tiempo programando modelos en lenguaje Fortran, que se utiliza en la informática científica. Fortran me introdujo en la programación informática.
Mi interés por la tecnología aumentó mientras cursaba mi segundo máster en Ingeniería Informática. Aunque estudiaba hardware y software, me incliné por la programación de software.
¿Qué puede decirnos de las personas que le allanaron el camino? ¿Cómo influyeron los mentores en su éxito?
Gran parte de mi carrera la forjaron muy pronto mis padres, que son profesores. Me inculcaron la importancia del aprendizaje y del trabajo. Mi padre fue profesor y director de escuela, y fue un modelo a seguir con respecto a la ética del trabajo, la disciplina, el respeto y el valor. Mi madre, con tus múltiples másteres y su afán de aprendizaje continuo, nos enseñó que era importante seguir aprendiendo.
Más adelante en mi career, tuve la suerte de contar con el apoyo de mis jefes, mentores y colegas. Los aproveché para aprender el oficio en torno al software, pero también en torno al diseño organizativo, la estrategia de producto y el liderazgo en general. Tengo la suerte de contar con mentores que me retaron a ser mejor y a vigilar mis errores. Todavía hoy me apoyo en ellos. Algunos de mis mentores son Christine Heckart, Jeff Collins, Himanshu Baxi, Keith Olsen y Kathleen Wilson. Han sido mis jefes o mentores, me han dado información sincera, me han motivado y me han ayudado a desarrollar mis dotes de liderazgo.
Sería negligente si no mencionara el apoyo y el ánimo de mi marido. Siempre me ha empujado a asumir desafíos y me ha apoyado mientras compaginábamos familia y trabajo.
¿Cómo podemos mejorar la tecnología para las mujeres?
Si queremos mejorar la tecnología para las mujeres, debemos invertir en las chicas tecnólogas. Los responsables de contratación deben superar los prejuicios inconscientes y crear oportunidades para las chicas en career .
La tutoría es crucial: Tenemos que reconocer que el aprendizaje y la trayectoria profesional suelen ser diferentes para las mujeres. Tener un mentor fuerte, independientemente del sexo, ayuda a las mujeres a aprender a enfrentarse a las situaciones y a desarrollar su career. Las mujeres líderes que pueden asumir este papel de compartir su experiencia y servir de mentoras a las estrellas en ciernes ayudará a las que no tienen un camino recto en tus carreras.
Dado el menor porcentaje de mujeres representadas en la tecnología, me alegra ver la tendencia en los últimos tiempos a elevar este tema a todos los niveles. Al convertirse en mentores, los defensores de la diversidad pueden tener un impacto real en la mejora de la tendencia.
Tenemos que invertir en alianzas y tutoría y destacar la importancia de la diversidad de género. Por ejemplo, en el caso de los consejos de administración, organizaciones como 50/50 Women on Boards destacan el valor de la diversidad de género y trabajan en el apoyo legislativo. Necesitamos más de eso o, de lo contrario, dejaremos atrás a la mitad de la población.
¿Qué le gustaría que supiera más gente para apoyar a las mujeres en la tecnología?
Ojalá más gente comprendiera el impacto del sesgo inconsciente. La mayoría de la gente no tiene intención de tenerlo, pero la naturaleza humana hace que nos inclinemos por determinadas decisiones o acciones. La industria tecnológica mejoraría mucho si más gente tomara medidas sencillas para evitar su sesgo inconsciente, como tomar decisiones en varios entornos (evitando el impacto de la hora del día), ver que los nombres y los acentos no influyan en las decisiones de contratación e invertir en diversidad.
¿Qué es lo próximo en tecnología? ¿Qué tendencias le entusiasman?
Hay tres tendencias importantes que me entusiasman en este momento: la Inteligencia Artificial/Machine Learning, datos y tecnología sostenible.
Vivimos en el mundo de la IA en todas partes y aún hay más por llegar. Cinco de cada seis estadounidenses utilizan servicios de IA todos los días. Espero que la IA siga dando forma a la automatización y a las interacciones inteligentes, y mejore la eficiencia.
También es un momento apasionante para trabajar con datos. Avanzamos hacia un mundo digital hiperconectado, y la antigua forma de hacer las cosas nos obligaba a aprovechar enormes cantidades de datos digitales procedentes de fuentes aisladas. La tendencia avanza hacia la creación de redes y conexiones que impulsarán interacciones más complejas entre máquinas. Esta conectividad de datos afectará a nuestras vidas en el hogar, la escuela, la oficina, etc., y cambiará radicalmente nuestra forma de hacer negocios.
Y estoy especialmente entusiasmado con las tendencias en tecnología sostenible. Veremos más inversiones en tecnologías que reducen el impacto de la tecnología hambrienta de computación. Preveo una evolución hacia inversiones más sostenibles desde el punto de vista medioambiental, que nos ayudarán a reducir el uso de recursos derrochadores como los centros de datos, el almacenamiento y la informática.
¿Qué necesita ahora más que nunca el mundo de la tecnología?
El mundo de la tecnología necesita una mayor seguridad de los datos y más diversidad.
Los datos son muy accesibles en nuestras vidas (en parte gracias a las redes sociales), por lo que necesitamos más inversión en privacidad y seguridad. Ya hemos visto el impacto de esta necesidad en la vida personal, el panorama político y las empresas.
Durante demasiado tiempo, no hemos invertido lo suficiente en diversidad, por lo que tenemos mucho que recuperar. En el mundo de la tecnología, estamos lamentablemente rezagados en cuanto a diversidad en los puestos de liderazgo, sobre todo en el sector tecnológico estadounidense, donde alrededor del 20% de los puestos de liderazgo tecnológico están ocupados por mujeres.
Los datos son omnipresentes, las herramientas y los marcos de trabajo están al alcance de la mano y la tecnología se estudia antes en las escuelas, cada vez son más jóvenes quienes se inician en la creación de productos y aplicaciones tecnológicas. Hemos reducido la barrera de entrada (lenguajes, marcos de trabajo, conjuntos de herramientas de bajo código o sin código) para facilitar la adopción de la tecnología sin la sobrecarga de cursos complejos. Con todas estas mejoras, ¿por qué seguimos tan retrasados en materia de diversidad? En el sector tecnológico estadounidense, el 62% de los puestos de trabajo están ocupados por estadounidenses blancos. Los asiático-americanos ocupan el 20% de los puestos. Los latinoamericanos ocupan el 8% de los puestos. Los negros ocupan el 7% de los puestos. Sólo el 26,7% de los empleos tecnológicos están ocupados por mujeres.
Tenemos las herramientas y la formación. Ahora tenemos que cambiar el perfil de la mano de obra para incluir a una comunidad más diversa.
¿Qué consejo le daría a quien lea esto?
A las mujeres que estén leyendo esto, les animo encarecidamente a que eviten las dudas sobre sí mismas y ganen confianza armándose de conocimientos y mentores. Si sacamos lo mejor de nosotras mismas, podremos centrarnos en las oportunidades y no en los obstáculos. La tecnología es un facilitador que cambiará las reglas del juego en la configuración de la sociedad. Las mujeres tienen un papel que desempeñar en el uso de esa tecnología y en el cambio de la sociedad.
Hablamos con Claudia Rostagnol, jefa del equipo técnico e ingeniera de software sénior, sobre las mujeres en la tecnología y mucho más. Claudia vive en Uruguay y lleva tres años en nuestra organización, trabajando exclusivamente para un cliente del sector financiero como jefa de equipo técnico. Hablamos sobre cómo está funcionando la industria para las mujeres en la tecnología, y qué tendencias todas las personas en la tecnología deben prestar atención.
A nivel mundial, las mujeres representan el 40 por ciento de la fuerza laboral, y sólo el 17 por ciento de la fuerza laboral de la industria tecnológica está compuesta por mujeres. Operamos en Argentina y en toda América Latina y, según datos de Women in Technology, sólo el 16% de los argentinos que se matriculan en careers relacionadas con la industria tecnológica son mujeres. Además, sólo el 14% de los puestos técnicos son ocupados por mujeres.
He aquí lo más destacado de nuestra conversación con Claudia:
¿Qué trabajo realiza para Valence LatAm?
Hace casi 3 años que trabajo con el cliente de Valence LatAm, Berxi, como jefe de equipo técnico. Berxi presta servicios al sector de los seguros, ofreciendo pólizas a pequeñas empresas y profesionales.
Nuestro objetivo con Berxi es migrar, de un sistema monolítico a una arquitectura de microservicios, mientras mantenemos todo funcionando y también añadimos nuevas características o productos. Trabajo con los desarrolladores para ayudarles a construir software; con el analista de negocio y el propietario del producto para identificar los requisitos y gestionar el trabajo; con el arquitecto para definir la arquitectura y el diseño de las piezas de software (microservicios con una API bien definida - REST y basada en eventos,) y con el equipo de QA para coordinar las pruebas en diferentes entornos y la corrección de errores con el equipo de desarrollo. ¡Mi papel es muy dinámico e interesante!
¿Cómo empezó en el mundo de la tecnología?
Empecé a interesarme por la tecnología cuando era sólo una niña de 8 años en Uruguay, con un lenguaje de programación para niños llamado "Logo". Con Logo, podía programar los movimientos de una tortuga que se movía en la pantalla con instrucciones muy sencillas. Desde entonces me interesan los ordenadores y la programación.
Estudié programación informática durante la primaria, la secundaria y el bachillerato. Luego me pareció muy natural ir a la Facultad de Ingeniería para convertirme en Ingeniero Informático.
Cuando terminé la career de ingeniería, conocí a varios colegas durante unas prácticas en Francia. Uno de ellos se convirtió en mi marido, Daniel De Vera, y otro es Pablo Rodríguez-Bocca, que llegó a ser mi tutor en el máster. Cofundamos una pequeña start-up llamada GoalBit Solutions y trabajamos juntos durante 6 años. Aprendí y crecí mucho (académica y profesionalmente) durante ese tiempo.
¿Qué puede decirnos de las personas que le allanaron el camino? ¿Cómo influyeron los mentores en su éxito?
Tengo que reconocer a mi familia, ¡especialmente a mis padres! Siempre me apoyan, aunque no entiendan este mundo técnico.
Mi marido me ayudó a encontrar oportunidades en una empresa estadounidense llamada Vidillion, donde empecé como ingeniera superior de software. Su director de tecnología, Steve Popper, fue un gran mentor y una persona muy amable. Me enseñó mucho sobre tecnología y sobre el trabajo a distancia y la industria tecnológica estadounidense. Seguimos siendo amigos, incluso viviendo a 10.000 km de distancia el uno del otro. Gracias a Steve, adquirí más confianza en mis habilidades y en mi idioma.
Hablemos de lo que está por llegar en el campo de la tecnología. ¿Qué tendencias vislumbra?
La IA se utiliza cada día más y para todo. Me he interesado por la IA a lo largo de mi career. Es una herramienta muy poderosa y tenemos que pensar en cómo utilizarla bien. Hay una tendencia hacia la IA responsable, lo cual es positivo.
Además, ahora todo ocurre en la nube. La computación en nube lo alimenta todo, incluidos nuestros ordenadores y teléfonos móviles, y todo el mundo está conectado y almacenando/publicando cosas en Internet. Así que creo que hay mucho que hacer: redes sociales, criptomonedas, aplicaciones móviles para todo, educación a distancia, etc.
¿Qué tecnología necesita el mundo ahora más que nunca?
Gestión y seguridad de los datos - Cuando compartimos nuestra información, pensamientos, fotos, vídeos e intereses, en Internet, generamos datos que pueden ser procesados y analizados de diferentes maneras y con diferentes fines como el marketing, las ventas y la conectividad. Todos estos datos pueden ser útiles y, al mismo tiempo, peligrosos si no se gestionan y utilizan correctamente. Estamos compartiendo mucha información, que potencialmente puede hacerse pública si no se protege.Apoyo el pedido de seguridad y normativas adicionales.
Fabricación de hardware cradle-to-cradle - El aumento exponencial del uso de la tecnología está generando residuos técnicos y basura digital. Con frecuencia desechamos dispositivos para tener el último modelo o el más potente, y esa basura no es biodegradable ni fácilmente reciclable. El mundo necesita una política clara sobre qué hacer con toda esa basura.
Claudia es jugadora de voleibol, aquí con una copa de campeona.
Hablemos de cómo mejorar la tecnología para las mujeres. ¿Crees que la tecnología está cambiando para las mujeres?
La tecnología está cambiando para las mujeres en el sentido de que ahora somos más aceptadas, pero estamos lejos de un sistema equitativo, y no está cambiando rápido. Veo demasiadas conferencias y eventos sobre tecnología en los que la mayoría de los participantes o ponentes son hombres. Los hombres siguen accediendo a puestos y salarios más altos que las mujeres. Los permisos de paternidad y maternidad no son iguales para hombres y mujeres.
Necesitamos un cambio cultural en la industria tecnológica, que llevará tiempo. Pero estamos progresando. Significa mucho para mí ver cómo nuestra empresa apoya a las mujeres en la tecnología con eventos como FemIT y seminarios técnicos en los que las ponentes son mujeres, e incluso entrevistas como esta.
Otras empresas también tienen iniciativas internas para reconocer el trabajo de las mujeres y tratarnos igual que a los hombres. Sin embargo, sigo viendo demasiadas diferencias en el número de mujeres que son ascendidas a puestos importantes, o en el salario que recibimos por el mismo puesto, especialmente en LATAM.
Sigo oyendo historias de mujeres a las que se pregunta si piensan tener hijos como parte del proceso de entrevista en otras organizaciones. A las mujeres se les hacen preguntas invasivas que no se hacen a los hombres, y eso tiene que acabar. Afortunadamente, nuestro equipo de contratación y nuestros procesos se esfuerzan por apoyar a las mujeres en la tecnología.
Una cosa que me gusta de mi país (Uruguay) es que el gobierno proporciona a todos los niños que asisten a escuelas públicas una computadora portátil cuando empiezan la escuela. Así, niños y niñas tienen el mismo acceso a la tecnología en casa y en la escuela. Sin embargo, todavía tenemos mensajes culturales/sociales con juguetes o juegos sexistas que pueden indicar falsamente a las niñas que los niños son mejores que las niñas para algunas cosas y viceversa.
¿Qué le gustaría que la gente supiera para apoyar a las mujeres en la tecnología?
La gente tiene que saber que las mujeres somos igual de capaces si tenemos el mismo apoyo y las mismas oportunidades. Tenemos algo más que habilidades técnicas que aportar a este mundo técnico. Debemos seguir animando a las niñas a participar en la tecnología y la ciencia a través de mensajes y experiencias en casa, en la escuela y en nuestras comunidades.
Las mujeres necesitan mentores y defensores, tanto hombres como mujeres. Ojalá más gente entendiera lo mucho que puede cambiar la vida de una mujer ayudándola a crecer en este campo.
¿Qué consejo le gustaría compartir con los lectores?
Las mujeres no son mejores ni peores en los trabajos técnicos. Solo es cuestión de aprender, practicar y contar con el apoyo de otros líderes del sector.
¡Tenemos que seguir trabajando en un cambio social más profundo que haga el mundo más equitativo para las mujeres que quieren trabajar en tecnología!
Hace poco pasamos un rato con Michael Guzzetta, un experimentado ejecutivo y consultor de tecnología e innovación en el sector minorista que ha trabajado con marcas como The Walt Disney Company, Microsoft, See's Candies y H-E-B.
Hábleme de su trayectoria. ¿Qué le llevó al comercio minorista?
Como mucha gente, empecé en el comercio minorista en career en el instituto, cuando trabajé en el departamento de caballeros de Robinson's May. También trabajé para The Warehouse (minorista de música) y fui CSR en Blockbuster video - extrañamente, todavía echo de menos la satisfacción de organizar cintas en los estantes.
Inicié mi carrera tecnológica en career en 2001, cuando empecé a trabajar en procesamiento de pagos y tecnología basada en la nube, y luego volví al comercio minorista en 2009, cuando me incorporé a Disney Store North America, una de las marcas minoristas más fuertes del mundo.
Durante mi etapa en Disney, tuve el privilegio de trabajar en la intersección de la innovación creativa, de marketing y móvil/digital. Y aquí es donde me picó el gusanillo de la innovación y comenzó mi trabajo de décadas en proyectos de innovación omnicanal. Busco oportunidades para probar e implantar tecnología en las tiendas con el fin de simplificar las experiencias de clientes y empleados, aumentar las ventas e impulsar la demanda. Desde que comencé este viaje en Disney Store, también he ayudado a See's Candies, Microsoft y H-E-B a avanzar en su transformación digital a través de la innovación en el comercio minorista.
¿Cuáles son algunas de las tecnologías minoristas que le hicieron empezar?
¡Lo he visto todo! He replanteado sitios de comercio electrónico, desplegado balizas y notificaciones push, implementado el conteo de tráfico en la tienda, trabajado en la eficiencia del almacén, automatizado e integrado recorridos del comprador y programas omnicanal, y mucho más. Recientemente he construido un laboratorio de innovación de 20.000 metros cuadrados para realizar pruebas de concepto con el fin de validar la tecnología, probarla y desplegarla en entornos reales. Pago inteligente, cadena de suministro, gestión de inventario, comercio electrónico... lo que se te ocurra.
¿Cuáles son los mayores desafíos de la innovación en el comercio minorista actual?
Algunas de las preguntas que quitan el sueño a ciertos minoristas son: "¿Cómo podemos simplificar la experiencia de compra de los clientes y facilitarles el proceso de salida?", "¿Cómo podemos optimizar nuestra cadena de suministro y las operaciones de inventario?", "¿Cómo podemos mejorar la precisión para los clientes que compran en línea y reducir las tustituciones y los cortos en el cumplimiento?" y "¿Cómo podemos hacer que sea más fácil y más eficiente para los compradores personales comprar en la acera y los pedidos de entrega a domicilio?". Sin olvidar: "¿Cuál es el futuro del comercio minorista y qué tecnologías pueden ayudarnos a seguir siendo competitivos?".
Veo potencial en varias tendencias para abordar esos desafíos, pero mis tres principales son:
Inteligencia artificial/Machine Learning: la IA seguirá revolucionando el comercio minorista. Ha impregnado la mayor parte de la tecnología que utilizamos hoy en día, ya sea SAAS o hardware, como las cajas inteligentes. Puede utilizar la IA, la visión por computadora y el Machine Learning para identificar productos y ponerlos inmediatamente en la cesta. La IA está integrada en nuestra vida cotidiana: impulsa los asistentes inteligentes que utilizamos a diario, supervisa nuestra actividad en las redes sociales, nos ayuda a reservar nuestros viajes y hace funcionar coches autoconducidos, entre otras docenas de aplicaciones. Y como subconjunto de la IA, el Machine Learning permite que los modelos sigan aprendiendo y mejorando, haciendo avanzar aún más las capacidades de la IA. Podría seguir, pero baste decir que el minorista que llegue primero a la IA será el vencedor.
Visión por ordenador. La visión por computadora tiene una gran oportunidad para resolver los problemas de inventario, especialmente para las marcas de comestibles. En la actualidad, existe un desfase entre el inventario en línea y lo que hay en las estanterías, ya que el sistema de inventario no puede seguir el ritmo de lo que se almacena y está en las estanterías para los compradores personales, lo que resulta frustrante para los clientes que no esperan tustituciones o entregas fuera de stock. Con la llegada de las cámaras de visión computerizada, se pueden combinar esas diferencias y ver lo que hay en las estanterías en tiempo real para informar con precisión de lo que está disponible en línea. La gestión de inventarios asistida por visión computerizada será vital para crear una experiencia verdaderamente omnicanal. La visión por computadora también permite utilizar carros de la compra inteligentes, quioscos de autopago, prevención de pérdidas y prevención de robos. Por no hablar del uso que Amazon hace de las cámaras CV con su tecnología Just Walk Out en Amazon Go, Amazon Fresh y determinados establecimientos de Whole Foods. Tiene infinitas aplicaciones para el comercio minorista y ofrece una visión en línea que hoy en día no se puede obtener en las tiendas.
Robótica. En los últimos cinco años, la robótica ha dado un salto sísmico y se ha producido un cambio que se puede ver en los centros de cumplimiento masivos y automatizados como los que operan Amazon, Kroger y Walmart. Una marca puede entregar comestibles en una región sin tener una tienda física, gracias a los centros de cumplimiento y distribución robotizados. Esto cambia las reglas del juego. La robótica tiene muchas funciones más allá del cumplimiento en el comercio minorista, pero esta aplicación realmente destaca.
¿Cuál es la oportunidad perdida que más marcas minoristas deberían aprovechar?
Los datos. Los datos son enormes y su importancia no puede subestimarse. Es una gran oportunidad perdida para los minoristas hoy en día. Mejorar la gestión, la gobernanza y el saneamiento de los datos es una gran oportunidad para los minoristas que quieren innovar.
Las principales áreas de oportunidad en torno a los datos en el comercio minorista incluyen la experiencia del cliente (conozca a su cliente), la comprensión de las tendencias relacionadas con los hábitos de compra de los clientes y la innovación. No se puede innovar a ninguna velocidad con datos sucios.
Los minoristas están llevando a cabo una revolución masiva de la transformación digital e intentan innovar con datos, pero tienen tantos datos que puede resultar abrumador. Están tratando de crear lagos de datos, una única fuente de verdad, y a veces no pueden funcionar debido a las redes de datos dispares. Creo que algunos de los minoristas más prominentes tendrán tus datos juntos en unos pocos años.
Los "datos sucios" son el resultado de que las empresas llevan existiendo mucho tiempo, por lo que han acumulado múltiples conjuntos de datos y proveedores de nube, y tus datos no se han fusionado ni limpiado. Si no tienes los datos correctos, estás tomando decisiones basadas en datos malos o antiguos, lo que podría perjudicarte estratégica o literalmente.
¿Qué le gustaría que entendiera más gente sobre la tecnología y la innovación en el comercio minorista?
La tecnología no tustituirá a las personas. En mi experiencia, la tecnología está pensada para mejorar la experiencia humana, lo que incluye a los empleados. Si la tecnología simplifica tanto el proceso que los empleados se vuelven ociosos, normalmente se les forma para gestionar la tecnología o se les ofrece formación cruzada para que desarrollen tus careers. La tecnología no va a tustituir a la experiencia humana en un futuro próximo, aunque sin duda está cambiando la experiencia laboral existente, idealmente para mejor, tanto para los empleados como para el balance final.
La tecnología no siempre reduce los costos de los minoristas. La innovación en hardware requiere importantes gastos de capital cuando se despliega en toda la cadena. El "Just Walk Out" de Amazon es una tecnología impresionante, pero la infraestructura, los costos de computación en la nube y las cámaras de visión computerizada son increíblemente caros. Dentro de cinco años, eso puede ser diferente, pero hoy en día es un líder en pérdidas. A Amazon le merece la pena porque puede conseguir prensa positiva, demostrar innovación y mostrar liderazgo en el sector. Pero Amazon no ha reducido tus costos operativos con "Just Walk Out". Este es solo un ejemplo, pero hay muchos ahí fuera.
Las compras en línea no eliminarán las compras en tiendas físicas. Si algo nos ha enseñado la pandemia es que las compras por Internet están aquí para quedarse, y que la comodidad es muy atractiva para los consumidores. Pero creo que la gente nunca dejará de ir a las tiendas porque le encanta comprar. La experiencia de recoger algo de forma tangible y relacionarse con los empleados en una tienda siempre existirá, incluso con la llegada del metaverso.
¿Cuáles son las marcas que más le entusiasman ahora mismo por su forma de utilizar la tecnología?
Amazon. La trayectoria con la tecnología Just Walk Out, los carritos de la compra, las estanterías inteligentes y otras tecnologías IoT ponen a Amazon a la cabeza de la innovación. No olvidemos que ha liderado la entrega en el mismo día o al día siguiente innovando con sus centros de distribución automatizados. Tienen el deseo, los recursos y el talento para seguir siendo líder los próximos años.
Alibaba. Esta empresa china es otro minorista que utiliza la tecnología de formas increíbles. tus tiendas de comestibles HEMA están repletas de innovación y tecnología. Disponen de sensores IoT en todas las tiendas, etiquetas electrónicas en las estanterías, cámaras de reconocimiento facial para que puedas pasar por caja con tu cara y cocinas robotizadas en las que tu pedido se prepara y se entrega en cintas transportadoras. También tienen cintas transportadoras por toda la tienda, de modo que un comprador personal puede comprar por zonas y luego enganchar bolsas para llevarlas al almacén para su clasificación y preparación para la entrega: es impresionante.
Walmart y Kroger. El uso que ambas marcas hacen de los centros de distribución automatizados (AFC) y de la tecnología de drones (entre muchas otras) está ampliando los límites de la venta minorista de comestibles en la actualidad. tus AFC lanzan una red mucho más amplia y han ampliado tus mercados existentes, por lo que, por ejemplo, es posible que veamos camiones de Kroger en barrios en los que no hay ninguna tienda a la vista.
Home Depot. Tienen una aplicación inteligente con realidad aumentada en 3D y un sólido sistema de mapeo y orientación en la tienda. Su uso del Machine Learning también es impresionante. Por ejemplo, les ayuda a entender mejor en qué tipo de proyectos podría estar trabajando un cliente basándose en tus hábitos de navegación y compra.
Sephora. Utilizan tecnología de balizas para atraer a la tienda a personas con la aplicación de Sephora y atraerlas. Tienen espejos inteligentes que ayudan a los clientes a elegir el maquillaje adecuado para su tono de piel y ofrecen tutoriales. Los clientes pueden comprar directamente en los espejos inteligentes o trabajar con un maquillador de la tienda.
¿Qué consejo daría a los minoristas que quieren invertir en innovación tecnológica?
Mi primer consejo es incluir la gestión del cambio en la planificación del proyecto desde el principio.
La innovación en el comercio minorista plantea desafíos inherentes, a menudo debidos a problemas de gestión del cambio. Cuando una empresa lleva décadas o incluso más de un siglo funcionando, lo hace con una infraestructura conocida, fiable y a menudo obsoleta. Aunque esa infraestructura no puede sostener a la empresa durante las próximas décadas o siglos, puede existir un miedo al cambio significativo y una preferencia profundamente arraigada por los sistemas existentes. Puede haber miedo a la pérdida de puestos de trabajo debido a la idea errónea de que la tecnología tustituirá a las personas en el comercio minorista.
Incorpore a esas personas resistentes al cambio al proceso de innovación desde el principio y con frecuencia, e invítelas a formar parte de la generación de ideas. Cualquier solución tecnológica debe diseñarse teniendo en cuenta las necesidades del usuario, y este público es un grupo de usuarios básico. piensa el enfoque "lean startup".
Mi segundo consejo es dedicar suficientes recursos a la innovación y dar al equipo de innovación el poder de tomar decisiones. El equipo de innovación debe seguir funcionando con pocos recursos, centrándose en productos viables mínimos y pruebas de concepto, para que los fracasos no sean prohibitivos desde el punto de vista de los costos. El equipo de innovación rinde mejor cuando tiene autonomía para probar, aprender y fracasar mientras explora soluciones innovadoras. A continuación, informa de tus conclusiones y recomendaciones a los superiores para calibrar y pivotar cuando sea necesario.
Para terminar, diría que la clave del éxito de la innovación es aceptar la noción de fracaso. El fracaso tiene valor. Dicho de otro modo, el fracaso es la vía rápida del aprendizaje. Aprender lo que no hay que hacer y lo que hay que intentar a continuación puede ayudar a una empresa minorista a acelerar más que la competencia. Piensa en un MVP, no te compliques, obtén rápidamente información validada y repite hasta que consigas un gran avance. Y mantén siempre una mentalidad de crecimiento: nunca dejes de aprender y crecer.
¿Ha actualizado últimamente el viaje de datos de su organización? Vivimos en la era del Zettabyte, porque el volumen, la velocidad y la variedad de los activos de datos que gestionan las empresas son grandes y cada vez mayores.
Los datos son cada vez más complicados y están más fragmentados. Los datos actuales son más complejos que los que gestionaba una empresa típica hace sólo veinte años. Incluso las pequeñas empresas manejan grandes conjuntos de datos procedentes de fuentes dispares cuyo procesamiento puede resultar complicado. Cada conjunto de datos puede tener su propia estructura, tamaño, lenguaje de consulta y tipo.
Los tipos de datos también están cambiando rápidamente. Lo que antes se gestionaba en hojas de cálculo ahora exige sistemas automatizados, datos de máquinas, datos de redes sociales, datos de IoT, datos de clientes y mucho más.
Existen ventajas económicas reales para las empresas que aprovechan la oportunidad de los datos invirtiendo en transformación digital (a menudo empezando por trasladar los datos a la nube). Las empresas que toman el control de los datos superan a la competencia:
40% más de ingresos por empleado
50% más de ingresos netos medios sobre ingresos
100 millones de dólares anuales de ingresos de explotación adicionales
Entre las situaciones más habituales que motivan las inversiones basadas en datos se incluyen las siguientes:
Comprender y predecir el comportamiento de los clientes en tiempo real
Reduzca costos y libere recursos simplificando el análisis de datos
Explorar nuevos modelos de negocio encontrando nuevas relaciones en los datos
Elimine los gastos sorpresa e innecesarios
Recopile y unifique datos para comprender mejor su negocio
Una estrategia de datos es más que una herramienta, un cuadro de mandos o un informe. Una estrategia de datos madura para cualquier empresa incluye una hoja de ruta para planificar la arquitectura, migración, integración y gestión de los datos de la empresa. La planificación de la gobernanza para garantizar la seguridad, integridad, acceso, calidad y protección de los datos permitirá a la empresa escalar.
Esa hoja de ruta también puede incluir la incorporación de la inteligencia artificial y el Machine Learning, que da rienda suelta al análisis predictivo, el aprendizaje profundo y las redes neuronales. Aunque antes se consideraban herramientas solo al alcance de las empresas más grandes del mundo, la IA y el ML se están implantando con mucho éxito incluso en pequeñas y medianas empresas.
Trabajamos con las organizaciones a lo largo de su viaje de datos, ayudándolas a establecer dónde están, adónde quieren ir y qué quieren conseguir.
Un viaje de datos suele empezar por comprender las fuentes de datos y organizarlos. Muchas organizaciones tienen múltiples fuentes de datos, por lo que crear un almacén de datos común es un punto de partida importante. Una vez organizados los datos, podemos obtener información de los mismos mediante informes y visualización, lo que permite comprender en tiempo real las métricas clave. Garantizar la gobernanza de los datos y la confianza a la hora de compartirlos es otro paso importante, que a menudo se apoya en la seguridad. Por último, los datos avanzados pueden utilizar la inteligencia artificial y el Machine Learning para buscar tendencias en los datos o predecir comportamientos y extraer nuevas perspectivas. Al comprender en qué punto del recorrido de los datos se encuentra su organización, puede empezar a visualizar el siguiente paso.
Los datos son el nuevo oro negro de las empresas. En este post, exploramos cómo los cambios en la tecnología, los procesos organizativos y las personas son fundamentales para lograr la visión de una empresa impulsada por los datos que despliega una Arquitectura de data mesh en almacenes basados en la nube como Snowflake y Azure Synapse.
El verdadero valor de los datos procede de la información obtenida a partir de datos que a menudo están aislados y se extienden por formatos de almacenamiento estructurados, semiestructurados y no estructurados en terabytes y petabytes. La minería de datos ayuda a las empresas a recopilar información fiable, tomar decisiones informadas, mejorar la tasa de rotación y aumentar los ingresos.
Todas las empresas podrían beneficiarse de una estrategia de data-first, pero sin una arquitectura de datos eficaz, las empresas no consiguen alcanzar el estatus de data-first.
Por ejemplo, el equipo de ventas y marketing de una empresa necesita datos para optimizar los canales de venta cruzada y de aumento de ventas, mientras que tus equipos de producto quieren intercambiar datos entre dominios con fines analíticos. Toda la organización desearía disponer de una forma mejor de obtener y gestionar los datos para tus necesidades, como el streaming en tiempo real y los análisis casi en tiempo real. Para abordar las necesidades de datos de los distintos equipos, la empresa necesita un cambio de paradigma hacia la rápida adopción de la Arquitectura de data mesh, que debe ser escalable y elástica.
La arquitectura de Data Mesh supone un cambio tanto en la tecnología como en la organización, los procesos y las personas.
Antes de sumergirnos en la Arquitectura de data mesh, entendamos tus 4 principios básicos:
Propiedad y arquitectura de datos descentralizada y orientada al dominio
Los datos como producto
Infraestructura de datos de autoservicio como plataforma
Gobernanza informática federada
Big data es volumen, velocidad, variedad y veracidad. El primer principio de la Data Mesh se basa en la descentralización y la distribución de la responsabilidad entre las pymes y los expertos en la materia, que son los propietarios del marco de big data.
Este diagrama articula los 4 principios básicos de la Data Mesh y el reparto de responsabilidades a alto nivel.
Azure: Cada equipo es responsable de su propio dominio, y los datos se descentralizan y comparten con otros dominios para el intercambio de datos y los datos como producto.Copo de nieve: Cada equipo es responsable de su propio dominio, y los datos se descentralizan y comparten con otros dominios para el intercambio de datos y los datos como producto.
Los datos de cada dominio están descentralizados en su propia nube de almacén de datos. Este modelo se aplica a todas las nubes de almacén de datos, como Snowflake, Azure Synapse y AWS Redshift.
Un almacén de datos en la nube se construye sobre una infraestructura multicloud como AWS, Azure y Google Cloud Platform (GCP), que permite escalar la computación y el almacenamiento de forma independiente. Estos productos de almacén de datos están totalmente gestionados y proporcionan una plataforma única para el almacenamiento de datos, los lagos de datos, el equipo de ciencia de datos y para proporcionar datos compartidos para consumidores externos.
Como se muestra a continuación, el almacenamiento de datos está respaldado por el almacenamiento en la nube de AWS S3, Azure Blob y Google, lo que hace que Snowflake sea altamente escalable y fiable. Snowflake es único en su arquitectura y capacidades de intercambio de datos. Al igual que Synapse, Snowflake es elástico y puede ampliarse o reducirse en función de las necesidades.
De una arquitectura de datos monolítica heredada a un modelado de datos más escalable y elástico, las organizaciones pueden conectar datos enriquecidos y curados descentralizados para tomar decisiones informadas en todos los departamentos. Con la implementación de Data Mesh en Snowflake, Azure Synapse, AWS Redshift, etc., las organizaciones pueden lograr el equilibrio adecuado entre permitir que los propietarios de dominios definan y apliquen fácilmente tus propias políticas detalladas y disponer de procesos de gobernanza gestionados de forma centralizada.
Al unir tus fuerzas, Valence y MajorKey ofrecen un conjunto aún mayor de servicios en la nube para las empresas que desean impulsar su transformación digital con tecnologías en la nube.
MajorKey trabaja con clientes para migrar aplicaciones empresariales a la nube, y Valence crea servicios en la nube. Esta es una de las razones por las que estas empresas son una fuerza combinada tan poderosa.
La nube hace referencia al software y los servicios que se ejecutan en un servidor (normalmente) ubicado en una región y propiedad del proveedor de servicios en la nube, en lugar de en un servidor local propiedad de un cliente. Los servidores en nube están en centros de datos de todo el mundo. Al utilizar la computación en nube, las empresas no tienen que gestionar servidores físicos ni ejecutar aplicaciones de software en tus propias máquinas.
Es un gran negocio. De hecho, uno de nuestros socios, AWS aportó el 14,5% de los ingresos al negocio global de Amazon en 2021, que habría operado con pérdidas de 1.800 millones de dólares en el cuarto trimestre sin ella, y los ingresos de AWS aumentaron casi un 39% en comparación con 2020.
Hay muchas formas de utilizar y comprender el impacto empresarial de la tecnología en la nube. Aquí desglosamos la distinción entre servicios en la nube y migración a la nube.
En pocas palabras, la migración a la nube es lo que ocurre cuando una empresa traslada parte o todo su software a servidores en la nube.
En otras palabras, la migración a la nube consiste en trasladar su software a un servidor gestionado por el proveedor de la nube; y los servicios en la nube son soluciones tecnológicas construidas sobre esos servidores gestionados. Hay todo un abanico de posibilidades entre ambos.
Veámoslo más de cerca.
Los servicios en la nube varían en cuanto a su grado de abstracción del cliente. Un buen ejemplo es Amazon Cognito, un servicio en la nube de gestión de usuarios. Amazon Cognito cuenta con implementaciones de funciones de usuario básicas como inicio de sesión, cierre de sesión, sesiones y seguridad, por lo que un cliente no tiene que preocuparse por una implementación técnica más profunda de estas características y puede centrarse en la administración de usuarios.
Los servicios en la nube son tan flexibles que existen formas aparentemente infinitas de implantarlos en una empresa. Los servicios en la nube son la infraestructura, las plataformas y el software alojados por proveedores de servicios en la nube, y existen tres soluciones comunes:
Infraestructura como servicio: El alquiler de máquinas virtuales y espacio a los clientes, al tiempo que se proporciona una forma de gestionar remotamente el recurso. Cuando una empresa migra a la nube, está utilizando este servicio.
Plataformas: Proveedores como AWS y Azure construyen software especializado sobre su propio hardware en la nube y ofrecen el software a los clientes como un servicio. Se trata de servicios especializados y pueden ofrecer patrones para cosas como análisis de datos, computación, IoT, API, seguridad, identidad y contenedores. Escribimos sobre Digital Twins en un post anterior, en el que hacíamos referencia a las plataformas Digital Twin ofrecidas por AWS y Azure.
Software como servicio (SaaS): El software puede construirse sobre las plataformas ofrecidas por los proveedores de la nube. Los desarrolladores de software también pueden asociarse con terceros para ofrecer instancias de software totalmente construidas que suelen incluir tarifas de suscripción, asistencia al cliente y configuraciones personales del software. Algunos ejemplos son Atlassian Jira y Confluence, Dropbox, Salesforce y G Suite.
Estos servicios pueden ser transformadores para las empresas en general, pero no siempre es fácil saber cuál es la mejor forma de utilizarlos para su negocio. Los beneficios añadidos a esta migración varían según los casos, y aquí tienes cuatro ejemplos:
Escalabilidad: Los servicios en la nube suelen ofrecer opciones de escalado a demanda que pueden satisfacer crecimientos inesperados o planificados. Dependiendo de su producto, esto puede ser mucho más fácil que actualizar el hardware local, pero no siempre más barato.
costos: Aunque esperamos que los costos se repercutan al consumidor de alguna manera, la logística del mantenimiento y las actualizaciones de los sistemas en la nube corre a cargo del proveedor. En muchos casos, esto puede traducirse en un enorme ahorro de dinero para los clientes.
Rendimiento: Los servicios que mejoran el rendimiento, como las CDN y el alojamiento regional, cuando se comprenden y configuran correctamente, pueden tener efectos tangibles y positivos en el rendimiento.
Gestión local: Estar en la nube significa acceder a los portales digitales para gestionar los servicios (la mayoría de las veces). Esto crea una barra de entrada más baja para que los empleados gestionen y observen los recursos.
Muchas empresas comienzan su viaje hacia la transformación digital migrando la infraestructura o las aplicaciones de los servidores locales a la nube. En particular, la migración a la nube también puede referirse a una situación en la que una empresa necesita llevar los recursos en la nube que gestiona a un entorno local. También puede describir una situación en la que una empresa traslada tus recursos de datos de un proveedor de nube a otro.
La migración para utilizar servicios en la nube es un proceso que presenta muchas ventajas, ¡y merece la pena investigarlo! El proceso añadirá complejidades adicionales: en concreto, la seguridad y la gobernanza se instituirán generalmente por adelantado como base para el resto de la migración. Diseñamos y desarrollamos aplicaciones eficaces, escalables y fáciles de mantener que ahorran dinero a las empresas, cubren lagunas de conocimiento y ofrecen a los usuarios una experiencia positiva.
He aquí dos ejemplos de servicios en la nube que hemos creado para nuestros clientes:
Creación de aplicaciones en la nube con AWS lambda: Hemos tendido un puente entre múltiples API de terceros y creado nuevas bases de datos que consolidan los datos y los entregan a una aplicación web. Los servicios en la nube eliminan la necesidad de que nuestros clientes interactúen con estos múltiples servicios, lo que les ahorra tiempo y dinero. Al mismo tiempo, utilizamos AWS Cognito para ayudar a nuestro cliente a administrar roles y usuarios de forma segura y fiable. Esto eliminó la necesidad de que nuestros ingenieros escribieran nuestro propio software de administración de usuarios, una tarea engorrosa.
Canalización de datos: Identificamos los problemas en los proveedores de bases de datos actuales de nuestros clientes y migramos los datos a una base de datos con mayor rendimiento y mejor estructurada en migraciones de nube a nube.
Seguiremos construyendo y migrando mientras investigamos el futuro de la nube. ¿Cuáles son los nuevos servicios y plataformas? ¿Quién puede beneficiarse más de ellos? ¿Cómo podemos hacerlo bien? Estaremos preparados para la migración a la nube y los servicios necesarios del mundo real al metaverso, y más allá.
