¿Qué es la business intelligence generativa?

La business intelligence generativa, también llamada "BI generativa" o "gen BI", es la práctica de aplicar la IA generativa a los procesos de business intelligence. Las herramientas de BI generativa pueden automatizar y agilizar tareas clave de análisis de datos, como la identificación de patrones y la creación de visualizaciones.

La business intelligence o BI se refiere a un conjunto de procesos para analizar datos empresariales para fundamentar las decisiones empresariales. Las herramientas y los flujos de trabajo de BI tradicionales son muy manuales, lo que requiere mucho tiempo y experiencia técnica para transformar los datos sin procesar en insights aplicables en la práctica. Los stakeholders que carecen de experiencia en ciencia de datos a menudo no pueden hacer un uso completo de las técnicas de BI.

La BI generativa permite que más personas participen en el analytics empresarial. Por lo general, impulsadas por modelos de lenguaje de gran tamaño (LLM), las herramientas de BI generativa funcionan de manera muy similar a otras herramientas comunes de IA generativa, como ChatGPT o Microsoft Copilot. Los usuarios ingresan instrucciones en lenguaje natural y la herramienta responde en consecuencia. 

A diferencia de la BI tradicional, los usuarios no necesitan aprender lenguajes de programación especiales, realizar cálculos manuales o crear gráficos desde cero. Pueden pedirle a la herramienta de BI generativa, en lenguaje sencillo, que realice analytics avanzados y cree informes para ellos.  

De esta manera, la BI generativa permite el analytics de autoservicio para los usuarios de toda la organización, independientemente del conjunto de habilidades. Los analytics de autoservicio, a su vez, ayudan a las organizaciones a tomar más decisiones basadas en datos.

La BI generativa es una categoría tecnológica relativamente nueva. De acuerdo con una encuesta, solo el 3 % de las organizaciones reportan que han implementado la BI generativa en “pleno uso operativo”. No obstante, más de la mitad de las organizaciones informan que se encuentran en diversas etapas de explorar BI generativa.¹ Se espera que las tasas de adopción aumenten a medida que las herramientas generativas de BI se vuelvan más refinadas y estén más disponibles. 

La BI generativa y la IA generativa no son diferentes tipos de tecnología o modelos de IA. Más bien, se puede pensar en la BI generativa como un caso de uso para la IA generativa. Específicamente, la BI generativa es la práctica de utilizar soluciones de IA generativa para recopilar, gestionar y analizar datos organizacionales para informar las operaciones.

La IA generativa se refiere a una categoría de modelos de inteligencia (IA) and machine learning (ML) que puede crear contenido original, como texto, imágenes o código, en respuesta a una instrucción o solicitud de un usuario. La BI generativa es un tipo de analytics de IA porque aplica algoritmos de IA para procesar y analizar datos comerciales.

Las herramientas de BI generativa funcionan del mismo modo que otras herramientas generativas basadas en IA. El usuario introduce una instrucción en lenguaje natural y la herramienta genera contenidos como respuesta.  

Por ejemplo, un usuario podría escribir: "Muéstrame un gráfico circular con nuestros 5 productos más vendidos el año pasado, dividido por el porcentaje de ventas de cada producto". La herramienta de BI generativa analizaría el conjunto de datos correspondiente y devolvería exactamente eso: un gráfico circular que desglosa los productos más vendidos por porcentaje de ventas.

La mayoría de las herramientas de BI generativa adoptan una de las siguientes 3 formas:  

1. Modelos de IA generativa de uso general, como Llama de Meta, aplicados a tareas de BI.   

2. Plataformas de BI con modelos de IA integrados. Por ejemplo, Amazon QuickSight Q incrusta el chatbot Amazon Q impulsado por LLM en QuickSight, una herramienta de business intelligence de Amazon Web Services (AWS).   

3. Modelos de IA adaptados específicamente a business intelligence. Por ejemplo, IBM Project Ripasso es una plataforma impulsada por LLM formada en contenidos relevantes para la compañía, con capacidades de gobernanza de datos.

Si bien los modelos de IA generativa para fines generales pueden realizar muchas funciones de BI, muchas organizaciones eligen las herramientas y modelos de BI más especializados. Por lo general, otorgan a las organizaciones más control sobre cómo se utilizan sus datos.

Las características pueden variar entre herramientas, pero las capacidades comunes de BI generativa incluyen:

• Procesamiento de lenguaje natural (NLP): Las herramientas de BI generativa utilizan el NLP e interfaces de chat para que los usuarios puedan enviar instrucciones, consultar conjuntos de datos y ejecutar cálculos sin usar lenguaje de consulta estructurado (SQL) u otra sintaxis especializada. 

• Paneles, informes y elementos visuales personalizados: la mayoría de las soluciones de BI generativa cuentan con herramientas de autoría que permiten a los usuarios activar paneles, visualizaciones de datos, informes escritos e historias de datos al describir lo que necesitan, en lugar de construirlos manualmente. 

• Integraciones: las herramientas de BI generativa pueden integrarse con varias fuentes de datos, incluidas bases de datos, almacenes de datos, data lakes y lakehouses de datos.

• Recomendaciones: muchas herramientas de BI generativa pueden enriquecer los análisis al recomendar conjuntos de datos relacionados, sugerir consultas relacionadas, ofrecer retroalimentación sobre la optimización de informes y proporcionar otra orientación. 

• Glosarios empresariales: algunas herramientas de BI generativa admiten o se integran con glosarios empresariales. Los glosarios permiten a las organizaciones definir términos, conceptos y procesos importantes para que la herramienta pueda dar respuestas basadas en el contexto único de la empresa.

La IA generativa puede emplear en cualquier fase del proceso de business intelligence, pero su uso más habitual es para apoyar la recopilación de datos, el análisis de datos, la visualización de datos y la planeación de acciones.

Las herramientas de BI generativa pueden ayudar a los usuarios a descubrir, limpiar, transformar y agregar datos para su análisis.  

Por ejemplo, un usuario puede pedir a una herramienta de BI generativa que elabore un informe sobre los gastos por unidad de negocio. La herramienta buscaría datos relevantes en todas las fuentes de datos integradas, incluidos los registros financieros de toda la empresa y los registros específicos de la unidad, estandarizaría el formato de los puntos de datos y los reuniría en un informe coherente.  

Las herramientas de BI generativa pueden consumir grandes cantidades de datos complejos para mostrar patrones, responder preguntas, identificar tendencias y más. Esto permite a los usuarios obtener insights de los datos sin realizar cálculos manuales.

Por ejemplo, un usuario que crea un informe sobre el gasto de la unidad de negocio podría pedir a la BI generativa que identifique las unidades que han excedido constantemente el presupuesto en los últimos 8 trimestres. El usuario también puede pedir a la BI generativa que le ayude a identificar los motivos por los que estas unidades podrían estar gastando en exceso.  

La BI generativa puede convertir los resultados de su análisis en gráficos y resúmenes digeribles y compartibles, destacando métricas clave y otros puntos de datos e insights vitales.

Por ejemplo, un usuario puede generar un gráfico de barras que compare el gasto de la unidad de negocio por trimestre con el presupuesto asignado para resaltar las disparidades entre el gasto planificado y el real.  

Las herramientas de BI generativa pueden recomendar a las organizaciones los pasos a seguir basar en el análisis de los datos. Por ejemplo, la herramienta podría recomendar desglosar el gasto de la unidad de negocio por proyecto para identificar proyectos que no ofrecen suficiente retorno para justificar la inversión continua.

Las herramientas de BI generativa pueden permitir el autoservicio y analytics avanzado de datos. Los usuarios ya no necesitan dominar lenguajes de programación, fórmulas matemáticas o herramientas específicas para trabajar con datos. En cambio, pueden consultar, calcular y generar reportes a través del lenguaje natural.

Tradicionalmente, los usuarios empresariales han recurrido a los científicos de datos y analistas de negocios para que lleven a cabo gran parte del trabajo pesado de BI por ellos. La BI generativa elimina gran parte de la complejidad de business intelligence, lo que permite a los usuarios de toda la empresa incorporar datos del mundo real y en tiempo real a su toma de decisiones. Por ejemplo:

• Los usuarios de recursos humanos (RR. HH.) pueden solicitar herramientas de BI generativa para analizar las tendencias de talento y hacer recomendaciones de planificación de la fuerza laboral. 

• Los equipos de finanzas pueden pedir herramientas de BI generativa para crear pronósticos más detallados mediante el análisis de ingresos a nivel de cliente, producto y canal.

• Los equipos de cadena de suministro y adquisiciones pueden optimizar el inventario pidiendo al BI generativa que utilice tendencias pasadas para predecir patrones de compra futuros.

• Los equipos de marketing pueden usar herramientas de BI generativa para realizar análisis semánticos de los feedback de los clientes y obtener insights que puedan emplear para mejorar la experiencia del cliente.

• Los equipos de ventas pueden usar herramientas de BI generativa para analizar los efectos de los distintos puntos de precio en el gasto de los clientes. Pueden usar los resultados para optimizar los precios.

Además, la introducción de analytics de autoservicio libera a los científicos de datos y analistas de negocios para trabajar en proyectos más estratégicos. En lugar de responder preguntas limitadas que los usuarios ahora pueden responder por sí mismos, los expertos en datos pueden crear nuevas herramientas de datos o entrenar modelos de IA patentados, por ejemplo.

Las herramientas de BI generativa pueden ofrecer muchos beneficios, entre ellos:

• Mejorar la adopción de herramientas y prácticas de business intelligence
• Mejorar los resultados de business intelligence
• Atender la escasez de habilidades en ciencia de datos
• Análisis de grandes volúmenes de datos más complejos
• Reducir el costo de los esfuerzos de BI

De acuerdo con una encuesta, solo el 25 % de los usuarios respondieron que usan herramientas de business intelligence.² Las bajas tasas de adopción se deben, en parte, a la complejidad técnica de los procesos de BI tradicionales.

No obstante, las herramientas de BI generativa permiten que más usuarios trabajen directamente con sus datos sin tener que recurrir a científicos de datos y analistas. Eso, a su vez, significa que más personas pueden usar business intelligence para sustentar más tomas de decisiones basadas en datos en toda la organización.

Además de fomentar un mayor uso de la business intelligence, la BI generativa también puede mejorar los resultados de los esfuerzos de analytics.

Debido a que una herramienta de BI impulsada por IA puede procesar más datos más rápido que un usuario humano o una herramienta de BI tradicional, a menudo puede detectar tendencias que las personas podrían pasar por alto.

Muchas herramientas de BI generativa también muestran a los usuarios preguntas, datos e insights para ayudar a mejorar sus análisis. Y las herramientas de BI generativa pueden transformar los resultados del análisis de datos en imágenes e informes para compartirlos y consumirlos fácilmente. 

La BI tradicional requiere una cierta cantidad de experiencia en datos que no todos tienen. Puede ser difícil encontrar suficientes científicos de datos calificados y analistas de negocios para dotar de personal completo a todos los proyectos de BI.

Al permitir el analytics de autoservicio, las herramientas de BI generativa pueden ayudar a las organizaciones a mitigar el impacto de la escasez de habilidades en ciencia de datos en sus esfuerzos de BI.

Las herramientas de BI generativa procesan mayores volúmenes de datos de los que un científico de datos o un usuario empresarial podrían procesar manualmente.

También pueden procesar datos no estructurados, como documentos e imágenes, que constituyen una parte cada vez mayor de los datos empresariales. Los algoritmos de IA tradicionales basados en reglas pueden tener dificultades con datos que no siguen un formato rígido, pero las herramientas de IA generativa no tienen esta limitación.

La BI generativa puede ayudar a las organizaciones a ahorrar tiempo y dinero al automatizar muchas de las partes de la business intelligence que requieren más tiempo y recursos, como la ejecución de cálculos y la creación de informes. Esto significa que las organizaciones pueden gastar menos dinero y mano de obra en analytics empresariales sin sacrificar insights aplicables en la práctica.

Si bien la BI generativa puede brindar muchos beneficios, la implementación de herramientas de BI generativa no está exenta de desafíos. Algunos de los obstáculos más comunes incluyen:

• Transparencia y explicabilidad
• Seguridad y privacidad de los datos
• Alucinaciones
• Arquitecturas de datos ineficaces

Algunos modelos de IA generativa se comportan como cajas negras que apenas proporcionan insights sobre el proceso que subyace a sus resultados. Esto puede ser problemático en los esfuerzos de business intelligence, donde los usuarios necesitan entender cómo se analizaron los datos para confiar en las conclusiones de una herramienta de BI generativa.

Además, algunas regulaciones, como la Ley de IA de la UE, exigen que las organizaciones sean transparentes sobre cómo sus herramientas de IA procesan los datos de las personas.

El uso de herramientas generativas de BI que expliquen su "razonamiento, incluyendo los datos que utilizan y cómo llegan a sus conclusiones, puede ayudar a las organizaciones a mantener la transparencia y la explicabilidad. 

Las organizaciones tienen razones legales y comerciales para priorizar la seguridad y la privacidad de datos. Ciertas leyes, como el Reglamento General de Protección de Datos (RGPD) de la UE, restringen la forma en que las empresas pueden utilizar diferentes tipos de datos. Además, las filtraciones de datos cuestan a las organizaciones un promedio de 4.88 millones USD por filtración, según el Informe del costo de una filtración de datos de IBM.

Algunos modelos de IA carecen de fuertes medidas de privacidad de datos y seguridad. El hecho de que existe la posibilidad de que las organizaciones no sean capaces de controlar cómo estos modelos utilizar sus datos luego de haberlos consumido es una preocupación particular.

Las herramientas de BI generativa con capacidades integradas de seguridad de datos y gobernanza de datos pueden ayudar a las organizaciones a mantener el control sobre sus datos y evitar el acceso no autorizado.

Los modelos de IA generativa pueden experimentar alucinaciones. Es decir, pueden inventar cosas y generar resultados falsos. Las alucinaciones pueden potencialmente descarrilar los proyectos de business intelligence, lo que lleva a estrategias de negocios y pasos de acción que se basan en información incorrecta.

Las organizaciones pueden mitigar las alucinaciones al entrenar las herramientas de BI generativa únicamente en conjuntos de datos relevantes para el negocio y de alta calidad. También pueden explorar otras técnicas, como la generación aumentada por recuperación (RAG), que permite a un LLM basar sus respuestas en una fuente de conocimiento objetiva y externa.

Como cualquier modelo de IA generativa, las herramientas de BI generativa necesitan acceso a grandes cantidades de datos de calidad. Una arquitectura de datos empresariales fragmentada, en la que los datos están en silos y dispersos por toda la organización, puede impedir que una herramienta de BI generativa acceda a los datos que necesita.

Una arquitectura de datos eficaz, con los sistemas de almacenamiento de datos adecuados conectados en un tejido de datos integrado, puede ayudar a garantizar que las herramientas de BI generativa tengan los datos que necesitan para producir resultados de calidad.