Data Analytics

Katie Bouman y Data Analytics en las empresas

FORBES- 17 de abr. de 19

Katie Baoman, ingeniera en Ciencias de la Computación, con una foto nos hizo entender no solo cómo se ven los agujeros negros, sino la diferencia entre intuición, teoría y evidencia (visual).

Si bien Bouman es ingeniera en Ciencias de la Computación, y tiene un doctorado en el MIT en la misma área, donde se especializó en el análisis y estudio de las imágenes, el pasado 10 de abril conocimos que en los últimos tres años había trabajado, junto a un grupo importante de científicos, en el desarrollo de un algoritmo capaz de “unir las piezas” para poder ver por primera vez un agujero negro.

En ese marco, y con tan relevante hecho científico, no es menor preguntarse sobre qué podemos aprender de Katie Bouman con referencia al Data Analytics en las empresas. Cómo el camino recorrido por Bouman con sus hallazgos, pueden aportar a una “imagen de luz” sobre cómo se trabaja con Data Analytics en las empresas.

Los agujeros negros son puntos en el espacio con una fuerza gravitatoria tan poderosa que atraen todo lo que se encuentra a su alrededor, incluso la luz. Los físicos más famosos alrededor del mundo, de la talla de Albert Einstein, Stephen Hawking y varios otros, han estado cautivados por estos objetos desde hace muchísimos años. De hecho, cuando se analiza la historia, Einstein los menciona ya en su libro “La teoría de la relatividad” en 1916. Desde ese monto han existido una cantidad de teorías sobre ellos.  Una cantidad de ecuaciones teóricas basadas en las leyes de la mecánica cuántica y la teoría de la relatividad del propio Einstein.

Entonces, ¿cuál es el logro de Katie Bouman? Hoy dejaron de ser teoría, para ser evidencia que podemos ver. Bouman desarrolló un algoritmo capaz de unir y reconstruir todas las diminutas piezas de información que armaron la primera imagen real de un agujero negro.

“Las ondas gravitacionales nos indican que los agujeros negros existen, ya no son teoría están allá afuera y ahora podemos estudiarlos, analizar su distribución, conocer cuántos hay, dónde están, cuándo se formaron, qué tipo de estrellas les dan origen, y si hay muchos o pocos”, Miguel Alcubierre director del Instituto de Ciencias Nucleares de la UNAM.

Cuando analizamos esto desde la perspectiva del Data Analytics en las empresas, y consideramos que esta disciplina ayuda a tomar decisiones informadas a los ejecutivos, podemos entender un poco más por qué suceden algunas cosas. Por ejemplo, algo común en las reuniones de ejecutivos, cuando se presentan algunos insights resultantes del análisis avanzado de datos, es la frase “ya lo sabíamos”.

Me ha pasado muy comúnmente que frente a la presentación de resultados que muestran evidencia nueva para la empresa, que por primera vez se exponen en “blanco y negro” datos relevantes para la toma de decisiones, los ejecutivos mencionen “eso ya lo sabía. No tengo los datos, pero lo intuía” y automáticamente reducen el análisis de datos a algo sin valor. Poco menos que dejando entender que ellos no tienen mucho más para asombrarse. Que saben todos los datos, que tienen toda la información necesaria para entender todos los acontecimientos relacionados con el comportamiento de los clientes, por ejemplo.

Volviendo a los hallazgos de Bouman, es como que estos ejecutivos, luego que la científica trabajó en la frontera del conocimiento desarrollando un algoritmo totalmente innovador, dijeran “ya sabíamos que los agujeros negros existían. ¿Qué hay de nuevo?”. Muchas veces en las empresas sucede que no se separa la intuición, de la teoría, y mucho menos de la evidencia.

Si bien son necesarias todas, poder complementarlas en fundamental. La intuición es importante, es lo que se logra muchas veces con años de experiencia. Igual que la teoría, que se logra con años de estudio y análisis. Pero si no disponemos de evidencia (que muchas veces es aportada por el analisis avanzado de datos) corremos el riesgo de estar utilizando la intuición y la teoría en forma errónea, en contextos en donde no se deberían utilizar de la forma que se están utilizando. Perdiéndose una cantidad de conocimiento real y potencial que puede desprenderse de ese análisis/descubrimiento que surgen del Data Analytics.

Los científicos sabían (teoría), o sospechaban (intuición), que había un agujero negro en la galaxia Messier 87, a 55 millones de años luz de la Tierra, no porque lo vieran, sino porque la forma como se movían una serie de estrellas en esa zona indicaba que allí podía haber un objeto con tal característica. Hoy lo pueden ver (evidencia).

En las empresas, ¿realmente vemos las cosas o creemos verlas?