«Así como los lenguajes de programación son cada vez más comunes para profesionales sin una formación inicial relacionada con las matemáticas o la ciencia de la computación, la profesionalización desde el punto de vista matemático para equipos completos dedicados al análisis de datos es una ventaja gigantesca.»
Una pregunta muy sensata y común en los tomadores de decisiones es ¿para qué sirven las matemáticas dentro de mi compañía? Pienso que esta interrogante esconde el escepticismo que debe tener cualquier buen administrador y responsable de un proyecto sin importar el tamaño de la compañía, pues la eficacia y la optimización de los recursos son los pilares del buen hacer en cualquier sitio. En estas líneas pretendo explicar una de las muchas razones por las que las matemáticas podrían ayudarle a una compañía a mejorar sus análisis basados en datos.
Una de las mejores razones por las que un director podría titubear para incorporar un entrenamiento matemático a su equipo de analítica, es el veloz crecimiento de la tecnología ad hoc para un sin fin de problemas dentro de un negocio, a continuación citamos sólo dos:
- Para resolver el problema del forecast ya existen herramientas que van desde Excel, pasando por Tableau o incluso Prophet de Facebook las cuales nos arrojan un forecast de menos a más elaborado al alcance de unos pocos clics.
- Los problemas de optimización son densos en cualquier industria – la eléctrica es destacada pero hay muchas más- hace unos años la banca en Francia compró a IBM el software CPLEX Optimizer el cual es prácticamente el state of the art para la programación lineal.
Le puede interesar: Robotización Automática de Procesos
La tecnología que existe actualmente para resolver estos dos problemas es a la vez eficiente y puede ser tan sofisticada como uno lo desee. La voraz lucha comercial para los desarrolladores de este tipo de software es un ejemplo de lo exitosos que son. Desafortunadamente a pesar de ser eficaces y sofisticados, este tipo de desarrollos no funcionan de manera autónoma y el tuning o interpretación de los resultados es un problema reservado para quienes comprenden cabalmente su funcionamiento.
Si bien es cierto que ya existen algunas herramientas de Automated machine learning desarrolladas para calibrar los modelos, crear un feature selection e incluso elegir el mejor dentro de una paleta de algoritmos de machine learning, estas herramientas solo demuestran su pleno potencial en manos de integrantes entrenados en los modelos matemáticos, especialmente aquellos que no ven a la tecnología como una caja negra.
Es sabido que tener un integrante aislado dentro de un equipo que comprenda el funcionamiento de los modelos matemáticos no es suficiente para lograr los objetivos, pues de esta manera las interacciones entre diversas áreas no son lo fluidas que deseamos. Así como los lenguajes de programación son cada vez más comunes para profesionales sin una formación inicial relacionada con las matemáticas o la ciencia de la computación, la profesionalización desde el punto de vista matemático para equipos completos dedicados al análisis de datos es una ventaja gigantesca.
Solo por poner un ejemplo, existe un área de investigación en la que tanto las universidades más prestigiosas del mundo como las grandes compañías han invertido ambiciosamente, su nombre es Machine Learning Interpretable. Tiene la ventaja sobre la tecnología de estar al alcance de cualquier profesional con un background en matemáticas equivalente a un buen bachillerato y es sin duda el futuro dentro del mundo del análisis de datos.
Lea también: Enfoque de una Gestión Documental que Apalanca la Transformación Digital
¿Está usted convencido de que comprender el funcionamiento de los modelos matemáticos no mejorará la calidad de sus análisis de datos?
