David Bonomo

por Álvaro Capell y David Bonomo La explosión mediática que ha protagonizado el concepto del metaverso en los últimos tiempos ha eclipsado otra tendencia tecnológica como es la realidad aumentada o mixta, que está transformando la forma en que nos relacionamos con el mundo físico, y que con la evolución que se prevé en los próximos años va a suponer una revolución en gran cantidad de ámbitos tanto a nivel individual como social. Esta realidad mixta, además de las tecnologías que están actualmente en un rápido desarrollo para integrar la interfaz visual en superposición con el mundo físico, se cimenta sobre dos pilares fundamentales para la digitalización de lo físico: Por un lado, es necesario sensorizar el entorno y los objetos para habilitar la interacción con ellos Y, por otro, es necesario desplegar una capa de inteligencia que asegure que esta interacción sea relevante y aporte valor. Es aquí donde la combinación de Internet of Things (IoT) e Inteligencia Artificial (IA) es crítica para que esta visión se haga realidad. En este mundo digitalizado, las soluciones verticales no se encuentran aisladas, sino que aprovechan los datos que generan otras soluciones para mejorar la precisión de sus algoritmos y aportar resultados de mayor valor para los negocios. Es esta combinación de fuentes la que hace que el tándem de IoT e IA, AI of Things, sea tan potente y de una aplicación potencial a multitud de verticales y sectores: Edificios inteligentes Uno de ellos es el de los edificios inteligentes o smart building, donde la adecuada explotación de los datos provenientes de multitud de soluciones utilizadas en la gestión de los edificios (reserva de salas, control de accesos y aforos, gestión de la eficiencia energética, marketing digital dinámico, higienización de espacios…) brinda la posibilidad de integrar y unificar esta información en cuadros de mando que permitan a un responsable de un edificio entender rápidamente qué está sucediendo y actuar consecuentemente. Asimismo, la apuesta por algoritmos de Machine Learning o Deep Learning en estos escenarios puede contribuir a una gestión más eficiente y sostenible, a través de casos de uso como la predicción del consumo energético del edificio a partir de los patrones de visita y de otros factores externos como las previsiones climatológicas, o el ajuste de los parámetros ambientales en función de los niveles de afluencia en un momento dado. Espacios inteligentes Otro ejemplo, dentro del mundo del retail analytics y los espacios inteligentes, es la combinación de los datos que arrojan herramientas de outdoor location analytics junto con los que se generan en el interior de la tienda a través de soluciones de analítica de vídeo o wifi y de digital signage, que arroja un amplio abanico de nuevas funcionalidades de IA a explotar por los retailers. Entre ellas, se podría destacar la posibilidad de garantizar una trazabilidad end-to-end del funnel de ventas dentro del establecimiento o la recomendación de cuál es el contenido de marketing más adecuado a mostrar en las pantallas a tenor del tipo de audiencia que les está visitando en un momento dado. Smart metering e Industria inteligente También cabe remarcar el encaje natural del concepto de AI of Things en ámbitos tan relevantes como son el de smart metering y la industria 4.0. En el primero, la información capturada a través de los contadores inteligentes en tiempo real pone en disposición de las utilities (de agua, gas o electricidad) diversas opciones para potenciar el uso del Big Data para reducir pérdidas, como puede ser la detección de anomalías que lleven a la temprana detección de potenciales comportamientos fraudulentos. En el segundo, nuevas tecnologías como el 5G o el Edge Computing han habilitado la ingente y rápida captura de grandes volúmenes de datos que permiten, entre otras cosas, el desarrollo de algoritmos de mantenimiento predictivo de maquinaria industrial (a través de la información de los sensores) o de identificación de desperfectos en ciertos espacios (a través de los datos aportados por un dron, por ejemplo) para facilitar las labores de mantenimiento de las redes eléctricas o de las placas solares de un edificio. Gestión de flotas Por último, sería importante no obviar el amplio espectro de aplicaciones que AI of Things aporta al ámbito de la movilidad conectada, donde datos como el kilometraje, la velocidad, el consumo o los hábitos de conducción, generados a través de un dispositivo conectado al puerto OBD de un vehículo, pueden alimentar distintos modelos analíticos que posibilitan una gestión de flotas más eficiente a las empresas de transporte. Asimismo, dentro de este campo, también resulta determinante el papel que juegan los datos proporcionados por distintas tecnologías de asset tracking (BLE, RFiD, WiFi…) para, por una parte, asegurar una visibilidad end-to-end de la cadena de valor logística, y por otra, viabilizar ciertas aplicaciones predictivas y prescriptivas orientadas a la optimización del inventario o el mantenimiento de la cadena de frio, entre otras opciones. En Telefónica Tech IoT & Big Data seguimos profundizando en el concepto de AI of Things desarrollando soluciones innovadoras como las descritas brevemente en este artículo. En los siguientes artículos de esta serie se realizará una descripción detallada de cada una de estas soluciones tanto a nivel de negocio como técnico. Para más contenido sobre IoT e Inteligencia Artificial, no dudes en leer otros artículos de nuestra serie: AI OF THINGS AI of Things (II): El agua, un mar de datos 16 de marzo de 2022 AI of Things Anomalías de IoT: cómo unos pocos datos erróneos pueden costarnos muy caro 18 de septiembre de 2023 AI of Things AI of Things (IV): Ya puedes maximizar el impacto de tus campañas en el espacio físico 26 de abril de 2022 AI of Things AI of Things (V): Recomendación y optimización de contenido publicitario en pantallas inteligentes 17 de mayo de 2022 AI OF THINGS AI of Things (VI): Inteligencia Artificial Generativa, creando música a ritmo de perceptrón 7 de junio de 2022

En esta serie de artículos vamos a profundizar en los pasos que las compañías deben llevar a cabo para transformarse. En este primero nos vamos a centrar en cómo hacer una selección adecuada de los casos de negocio con los que empezar a trabajar dentro de una organización. Tal y como comentábamos en una entrada anterior, para garantizar el éxito a la hora de desplegar Big Data y analítica en una organización, resulta crítico tener un plan coherente y centrado en negocio. En este sentido, la forma más directa y efectiva de alinear el despliegue Big Data con el negocio es a través de la selección y despliegue de casos de uso analíticos con gran impacto en las distintas áreas de la organización y orientados a satisfacer los principales retos y necesidades que estas puedan demandar. Esta selección y priorización de los primeros casos de uso a desarrollar se antoja clave para permitir que las distintas unidades de negocio puedan percibir desde el primer momento el valor y los beneficios que un uso apropiado de los datos les puede proporcionar, lo que a la postre facilitará enormemente su participación en el esfuerzo de transformación, garantizando que todos los stakeholders de la organización remen en la misma dirección para acelerar el proceso de evolución hacia una organización orientada al dato. Factores a analizar Para que este ejercicio de priorización se desarrolle de la forma más completa y objetiva posible, es necesario tener en cuenta una serie de factores que hay que analizar de manera pormenorizada. Viabilidad técnica Los primeros están relacionados con la viabilidad técnica, para valorar la complejidad que presenta una potencial iniciativa analítica para su correspondiente desarrollo e implementación: Datos: ¿dispongo internamente de los datos necesarios para abordar el desarrollo del caso de uso? En caso de no tenerlos, ¿puedo encontrarlos fuera a través de una fuente open-source o de pago? El análisis en este apartado no sólo debe estar sujeto a la disponibilidad y localización de dichas fuentes de información, sino también a su naturaleza. Por ejemplo, un caso de uso que requiera únicamente fuentes de información estructuradas en general va a tener una complejidad técnica menor que uno que necesite procesar fuentes no estructuradas. Planteamiento analítico: ¿cuál el reto o la dificultad que supone el enfoque analítico que requiere un determinado caso de uso? Por ejemplo, desde un punto de vista técnico es más sencillo plantear un caso basado en un dashboard con ciertos indicadores o métricas de negocio que otro que requiera el desarrollo de un modelo de deep learning o de reinforcement learning para dar respuesta a un reto de analítica predictiva o prescriptiva. Infraestructura tecnológica: ¿qué componentes adicionales debo de incorporar en mi plataforma Big Data para desarrollar el caso de uso? A modo de ejemplo, si el caso planteado está orientado a soportar una toma de decisiones en tiempo real, tendría que verificar sí mi plataforma dispone de los componentes necesarios para provisionar o procesar datos en tiempo real, y en el caso de no ser así, debe ser tenido en cuenta a la hora de valorar la complejidad de la iniciativa. Aspectos de negocio En segundo lugar, es necesario considerar aspectos de negocio, para valorar el impacto que el potencial caso de uso pudiera tener en la organización. Entre los factores a contemplar, podemos encontrar: Impacto económico: Se debe elaborar un estudio económico soportado en un business case adecuado que permita justificar el potencial impacto (o ROI) que se estima de la iniciativa y de su correspondiente rentabilidad (TIR o VAN). A la hora de proceder a la realización de este análisis financiero, además de tener en cuenta el impacto en revenue o reducción de costes asociados a la implementación del caso de uso y el coste de desarrollo, es importante no obviar una serie de costes que suelen ser bastantes frecuentes en esta tipología de iniciativas, como el CAPEX asociado al despliegue de la plataforma o evolución de la existente o los gastos de mantenimiento y upgrading para aquellos modelos que van a ser puestos en producción. Valor estratégico: Finalmente, el impacto económico debe ser complementado con un análisis del valor estratégico del caso de uso en la organización, supeditado a distintos aspectos como el nivel de sponsorship de la iniciativa por parte de la alta dirección o el grado de transversalidad o escalabilidad que presenta el caso (por ejemplo, siempre suele ser más preferible apostar por aquellos casos que se pueden desplegar en distintas unidades de la organización que otros que sólo tienen impacto directo en un área concreta). Conclusión Llegados a este punto, es importante enfatizar que sólo trabajando de manera integral con los distintos factores y variables presentadas anteriormente, podremos llevar a cabo un ejercicio de priorización exhaustivo y objetivo adaptado a las particularidades y peculiaridades de cada empresa, facilitando la identificación de los denominados “quick-wins”, es decir, aquellas iniciativas con elevado impacto de negocio y relativamente fáciles de desplegar de manera inminente. Todos los post de la serie “Cómo transformar una compañía”: Cómo transformar una compañía (I): Priorizar casos de uso Cómo transformar una compañía (II): conectar la tecnología con el negocio Cómo transformar una compañía (III): Profundizando en la arquitectura de referencia Cómo transformar una compañía (IV): Desarrollar una metodología de ingesta de datos Cómo transformar una compañía (V): Complementar las fuentes internas con datos externos Cómo transformar una compañía(VI): Las POC o como un proyecto pequeño puede salvar uno grande