De la cibernética y la investigación de operaciones a la analítica y la inteligencia artificial

En 1948, el famoso profesor del MIT Norbert Wiener publicó su libro Cybernetics or Control and Communication in the Animal and the Machine (Cibernética o control y comunicación en el animal y la máquina). El término cibernética procede de la antigua palabra griega kybernetikos (bueno en la dirección), referida al arte del timonel. La cibernética es interdisciplinaria por naturaleza. Basada en las relaciones comunes entre humanos y máquinas, se utiliza en la teoría del control y la automatización para reducir muchos procesos de cálculo y toma de decisiones que antes realizaban los seres humanos y que consumían mucho tiempo.

La cibernética puede considerarse la base de la toma de decisiones moderna. La disponibilidad de cantidades masivas de datos, las mejoras en las metodologías analíticas y el aumento sustancial de la potencia informática han dado lugar a un auge significativo del uso de la toma de decisiones basada en datos. Hablamos de investigación operativa, sistemas de apoyo a la toma de decisiones, análisis empresarial, inteligencia empresarial, ciencia de datos, aprendizaje automático, etcétera. Entonces, ¿cuáles son las diferencias entre todas estas disciplinas? Veámoslas más de cerca.

Las raíces de la investigación operativa, en inglés OR (Operations Research), se remontan a muchas décadas atrás, cuando se hicieron los primeros intentos de utilizar un enfoque científico en la gestión de las organizaciones. El inicio oficial de la actividad se ha atribuido generalmente a los servicios militares en la Segunda Guerra Mundial. Debido a la guerra, había una necesidad urgente de asignar los escasos recursos a diversas operaciones militares de manera eficaz. Por ello, la dirección militar británica y estadounidense recurrió a un gran número de científicos para que aplicaran un enfoque científico al tratamiento de los problemas estratégicos y tácticos. En efecto, se les pidió que investigaran sobre las operaciones (militares) (Hillier y Liebermann, 2015).

Al finalizar la guerra, el éxito de la OR despertó el interés por aplicaciones no militares. A medida que el boom industrial que siguió a la guerra seguía su curso, los problemas causados por la creciente complejidad y especialización de las organizaciones pasaron a primer plano. Los consultores empresariales que habían formado parte de los equipos de quirófano durante la guerra empezaron a darse cuenta de que se trataba básicamente de los mismos problemas a los que se habían enfrentado los militares, pero en un contexto diferente (Hillier y Liebermann, 2015). A principios de la década de 1950, estas personas habían introducido el uso de la OR en una variedad de organizaciones en los negocios, la industria y el gobierno. Pronto se produjo una rápida difusión de la OR.

La Investigación Operativa se aplica a problemas relacionados con la forma de llevar a cabo las actividades dentro de una organización. La naturaleza de la organización es esencialmente irrelevante y, de hecho, la lógica operativa se ha aplicado ampliamente en áreas tan diversas como la fabricación, el transporte, la construcción, las telecomunicaciones, la planificación financiera, la sanidad y los servicios públicos. Por lo tanto, el ámbito de aplicación es inusualmente amplio. Es evidente que no se puede esperar que una sola persona sea experta en todos los aspectos de la OR. Para ello sería necesario un grupo de personas con formación y aptitudes diversas. Por lo general, un equipo de OR de este tipo debe incluir a personas con una gran formación en estadística, economía, administración de empresas, informática e ingeniería (Hillier y Liebermann, 2015).

De las operaciones a la analítica

La analítica (o business analytics) se considera la sucesora de la OR. En los últimos años ha habido un gran revuelo en el mundo empresarial sobre la importancia de incorporar la analítica a la toma de decisiones de gestión. El principal impulsor de este revuelo es Thomas Davenport, un reputado líder intelectual que ha ayudado a cientos de empresas de todo el mundo a revitalizar sus prácticas empresariales (Davenport & Harris, 2007). ¿Qué es la analítica? La respuesta breve (aunque demasiado simplificada) es que básicamente es OR con otro nombre (Hillier & Liebermann, 2015). Sin embargo, existen diferencias en sus énfasis relativos. La analítica reconoce plenamente que hemos entrado en la era de los grandes datos, en la que muchas empresas y organizaciones disponen ahora de cantidades masivas de datos para apoyar la toma de decisiones de gestión.

Como indica la siguiente definición, uno de los principales objetivos de la analítica es cómo hacer el uso más eficaz de todos estos datos: La analítica es el proceso científico de transformar los datos en conocimiento para tomar mejores decisiones (definición elaborada por el Institute for Operations Research & the Management Sciences, INFORMS). Se ha subrayado que la analítica empresarial está estrechamente relacionada con el Big Data, es decir, cualquier conjunto de datos que sea demasiado grande o complejo para ser tratado por las técnicas estándar de procesamiento de datos y el software de escritorio típico (Camm et al., 2019). IBM describe el fenómeno del big data a través de las cuatro V: volumen (datos en reposo), velocidad (datos en movimiento), variedad (datos en muchas formas) y veracidad (datos en duda).

La aplicación de la analítica puede dividirse en tres categorías superpuestas. La primera, la analítica descriptiva (o de informes), engloba técnicas innovadoras para localizar los datos relevantes e identificar los patrones interesantes para describir y comprender mejor lo que ha ocurrido en el pasado y lo que está ocurriendo ahora. Algunos ejemplos son las consultas de datos, la estadística descriptiva, la visualización de datos, los cuadros de mando, las técnicas de minería de datos y las hojas de cálculo if-then fundamentales. Una segunda categoría (más avanzada) es el análisis predictivo, que consiste en utilizar los datos para predecir lo que ocurrirá en el futuro o determinar el impacto de una variable sobre otra. El análisis de regresión, las series temporales y las previsiones estadísticas ocupan un lugar destacado en esta categoría. La última categoría (y la más avanzada) es el análisis prescriptivo, que consiste en utilizar los datos para prescribir lo que debe hacerse en el futuro. Más concretamente, el análisis prescriptivo indica un curso de acción a seguir. Por tanto, el resultado de un modelo prescriptivo es una decisión. En este caso se utilizan las potentes técnicas de optimización de la lógica operativa, junto con la simulación, los sistemas expertos, los modelos de decisión, etc.

Según Hillier y Liebermann (2015), los analistas OR suelen ocuparse de estas tres categorías, pero no mucho de la primera, algo más de la segunda y mucho de la última. Por lo tanto, se puede pensar que OR se centra principalmente en la analítica avanzada y en las actividades predictivas y prescriptivas, mientras que los profesionales de la analítica pueden implicarse más que los analistas de OR en todo el proceso empresarial, incluido lo que se asocia con la primera categoría (identificación de una necesidad) y lo que sigue a la última categoría (implementación). De cara al futuro, los dos enfoques tenderán a fusionarse con el tiempo. Dado que el término analítica tiene más significado para la mayoría de la gente que el término OR, se concluye que la analítica puede acabar sustituyendo a OR, como nombre común de esta disciplina integrada.

Aunque la analítica se introdujo inicialmente como una herramienta clave principalmente para las organizaciones empresariales, también puede ser una herramienta poderosa en otros contextos. Por ejemplo, la analítica, junto con la OR, desempeñó un papel clave en la campaña presidencial de 2012 en Estados Unidos (Hillier y Liebermann, 2015). La dirección de la campaña de Obama contrató a un equipo multidisciplinar de estadísticos, modeladores predictivos, expertos en minería de datos, matemáticos, programadores de software y analistas de OR. Llegó a crear un departamento de análisis cinco veces mayor que el de su campaña de 2008. Con toda esta información analítica, el equipo de Obama lanzó una campaña a gran escala y en todos los frentes, aprovechando cantidades ingentes de datos procedentes de diversas fuentes para dirigirse directamente a posibles votantes y donantes con mensajes personalizados.

Sin embargo, aparte de la OR y la analítica empresarial, el aprendizaje automático (ML) constituye otro elemento inmenso del debate subyacente. El ML es una rama de la inteligencia artificial (IA). La IA se ocupa de desarrollar formas en las que las máquinas puedan imitar la inteligencia humana, posiblemente mejorándola. El ML implica la creación de inteligencia mediante el aprendizaje a partir de grandes volúmenes de datos. Esto es fundamental, teniendo en cuenta que los datos disponibles para el ML crecen exponencialmente. Se calcula que en cualquier periodo de dos años generamos nueve veces más datos de los que existían al principio de los dos años (Hull, 2020).

Existen cuatro categorías principales de modelos de ML (Hull, 2020). En primer lugar, el aprendizaje supervisado se ocupa de utilizar los datos para hacer predicciones. En segundo lugar, el aprendizaje no supervisado se ocupa de reconocer patrones en los datos. El objetivo principal no es predecir una variable concreta. Se trata más bien de comprender mejor el entorno representado por los datos. En tercer lugar, el aprendizaje semisupervisado es un híbrido entre el aprendizaje supervisado y el no supervisado. Surge cuando intentamos predecir algo y tenemos algunos datos con etiquetas y otros sin etiquetar. Y en cuarto lugar, el aprendizaje por refuerzo, se ocupa de situaciones en las que hay que tomar una serie de decisiones. En esas circunstancias, el entorno suele cambiar de forma incierta a medida que se toman las decisiones.

Si echamos la vista atrás en la historia, fue en la década de 1970 cuando el enfoque principal de los sistemas de información para la toma de decisiones se centró en proporcionar informes estructurados y periódicos que un directivo pudiera utilizar para la toma de decisiones (Sharda et al. 2018). Las empresas comenzaron a construir sistemas de apoyo a la toma de decisiones (DSS) y a crear informes rutinarios para informar a los responsables de la toma de decisiones sobre lo que había sucedido en el período anterior. En la década de 2000, los DSS comenzaron a denominarse sistemas de inteligencia empresarial (BI). BI es un término general que combina arquitecturas, herramientas, bases de datos, herramientas analíticas, aplicaciones y metodologías.

Incluso cuando el concepto de BI y analítica está recibiendo más atención en la industria y los círculos académicos, ya se ha introducido otro término que se está volviendo tremendamente popular. El nuevo término es ciencia de datos (Bowne-Anderson, 2018). La distinción entre analítica y científico de datos es más de un grado de conocimientos técnicos y disciplinas, que de funciones. Los programas académicos de informática, estadística y matemáticas aplicadas parecen preferir la etiqueta de ciencia de datos, reservando la de analítica para profesionales más orientados a los negocios (Sharda et al. 2018).

Este artículo ha sido escrito por Panos Xidonas, profesor de ingeniería financiera de ESSCA, y Dimitris Thomakos, profesor de economía aplicada de la Universidad de Atenas.