En una industria consumida por la carrera por la inteligencia artificial, las empresas están luchando por evitar quedarse atrás. Sin embargo, el miedo a perderse lleva a muchos a perseguir tendencias llamativas mientras ignoran los fundamentos, una práctica que un veterano de la industria llama «loco».
Stanislav Petrovun científico de datos senior en Capital.com Con más de una década de experiencia, argumenta que la clave para el éxito no es adoptar el modelo más nuevo y publicitado, sino fomentar una cultura de «cordura de datos». Para las empresas, esto significa priorizar objetivos claros y datos de calidad sobre el encanto del carro de IA.
El desafío es significativo. Según un informe de 2024 de Alationun asombroso 87 por ciento de los empleados citan calidad de datos Los problemas como razón principal por la que sus organizaciones no cumplen con los objetivos de datos y análisis.
«La paradoja central del auge actual de la IA es nuestra obsesión con los resultados al tiempo que descuida la fuente», me dijo Petrov. «A pesar de toda la emoción, el factor más crítico para los proyectos exitosos de IA o ciencia de datos sigue siendo la calidad y relevancia de los datos de entrada, pero dado que esa es la parte más difícil y difícil, a menudo se ignora».
Para contrarrestar esto, Petrov defiende un marco simple pero riguroso antes de que comience cualquier proyecto: ¿Cuál es el objetivo comercial? ¿Cuál es el impacto comercial potencial? ¿Y tenemos los datos para que esto suceda?
«Si no son claramente respondidos, no avanzamos», dijo.
Un plan para el impacto
Petrov señala el desarrollo de un valor de por vida del cliente, o CLV, como un excelente ejemplo de esta filosofía en acción. El objetivo no es solo construir un algoritmo predictivo, sino resolver una necesidad comercial central: optimizar los presupuestos de marketing.
«El objetivo es comprender el rendimiento proyectado de la campaña o creatividad publicitaria en las primeras etapas y ajustar el gasto en consecuencia», dijo Petrov. Señaló que tales modelos son cruciales para las estrategias automatizadas modernas, como la licitación basada en el valor en plataformas como Google ADS, que dependen del valor previsto del usuario.
Si bien la era actual de la IA está dominada por redes neuronales complejas, Petrov dijo que para problemas de datos estructurados como CLV, los métodos establecidos a menudo funcionan mejor.
«Un enfoque de impulso de gradiente funciona bien para datos estructurados», dijo Petrov, y agregó la advertencia crucial: «Por supuesto, necesita saber qué está haciendo y comprender cómo sintonizar los hiperparámetros y elegir una función de pérdida adecuada basada en su distribución objetivo».
El paso final, y quizás lo más importante, es garantizar que el modelo se use realmente. Hizo hincapié en que la medición de impacto a menudo requiere técnicas sofisticadas como el análisis de impacto causal para demostrar el valor de un modelo cuando las pruebas A/B simples no son factibles.
«El valor de dicho modelo radica no solo en su mérito técnico sino también en su capacidad para influir en las decisiones reales, escalar en todos los sistemas y adaptarse a las necesidades comerciales», dijo Petrov.
Navegar por un paisaje en evolución
Este enfoque pragmático es esencial ya que los científicos de datos enfrentan vientos en contra de los vientos en contra, particularmente de las nuevas regulaciones de privacidad y la muerte larga de la galleta de terceros.
Google está procediendo con su plan para eliminar gradualmente las cookies de terceros para todos los usuarios de Chrome, un movimiento que Un estudio de Lotame El 62 por ciento de los especialistas en marketing creen que afectará negativamente su publicidad.
Petrov ve esto no como un solo evento, sino como un proceso largo e incremental que requiere adaptación.
«Un cambio importante es inclinarse en los marcos basados en la incrementalidad y el modelado de mezclas de medios para comprender la verdadera contribución de los canales, especialmente cuando la atribución de ruta directa se descompone», dijo Petrov.
Esto obliga a una integración más estrecha entre los datos y los equipos de marketing, dependiendo más de técnicas como la prueba geográfica y el modelado probabilístico.
La mentalidad que define a un líder
Cuando se trata de construir equipos capaces de navegar estos desafíos, Petrov cree que el diferenciador entre un científico de datos junior y senior no es una habilidad única, sino una mentalidad centrada en la propiedad.
«Si bien los jóvenes pueden sobresalir en la ejecución de tareas bien escoltas, las personas mayores son aquellos que definen proactivamente problemas, involucran a las partes interesadas y ven soluciones a través de la entrega y la iteración», dijo.
Describió una realización crucial para cualquier profesional que busque crecer: «Un cambio clave de mentalidad es darse cuenta de que» nadie vendrá «a decirle qué hacer o qué es correcto. Debe tomar la iniciativa, tomar sus propias decisiones y asumir la responsabilidad de los resultados».
Para Petrov, esta lección vino con experiencia.
«Escribir código no es la parte más difícil del trabajo, incluso si no siempre es fácil», dijo. «El verdadero desafío es integrar ese trabajo en un producto, alineándolo con las necesidades comerciales y convencer a las partes interesadas de su valor».
Esta filosofía de propiedad pragmática se extiende a la construcción de la infraestructura que admite modelos después de su lanzamiento, un campo conocido como MLOPS. En lugar de construir demasiado complejas, «plataformas completas», Petrov aboga por las soluciones de tamaño correcto.
«Un sistema robusto no siempre significa el más complejo», dijo. «En muchos casos, el registro y alertas simples y bien escopados vinculados a las salidas clave del modelo y los indicadores de deriva pueden cubrir el 80 por ciento de lo que se necesita».
Al centrarse en problemas reales, datos de calidad y un impacto tangible, el mensaje de Petrov es claro: en la era de la IA, una dosis de cordura podría ser el algoritmo más valioso de todos.
