Datos, tecnología y experiencia. Con un recorrido de casi veinte años en el mundo de la analítica, ha vivido en primera persona el crecimiento del apetito por el dato en todo tipo de empresas. Comenzó en la banca, en Banco Santander y BBVA, para después dar el paso a Deloitte Digital y llegar a todo tipo de industrias, o democratizar el uso de la inteligencia artificial también en medianas empresas fundando la startup Exponencial Analytics, que en 2020 fue adquirida por Aggity.

¿Es el momento de apostar definitivamente por los datos? 

El panorama ha cambiado mucho en los últimos tiempos. Hace diez años solo las grandes empresas podían acceder a estas tecnologías, costaba muchísimo integrar los datos y desarrollar esos grandes proyectos de adopción analítica. La disrupción tecnológica, especialmente en el mundo cloud, ha conseguido que se democratice. Cualquier empresa puede acceder a la última tecnología, que además ya no viene de grandes vendors de software, sino del open source. 

Las empresas tienen todo lo que necesitan para empezar, pero muchas veces no saben cómo o cuándo hacerlo, ni para qué. Estas tecnologías son solo un medio. Lo más importante es que las empresas sepan realmente hacia dónde tienen que ir.

La tecnología está madura, los datos son accesibles y se puede acelerar la integración de diversas fuentes… Es el momento perfecto

Aunque vivamos un momento muy complejo, es el adecuado para afrontar esta transformación. Empieza a haber financiación barata, existen ayudas públicas para estos proyectos… Además, la tecnología está madura, los datos son accesibles y se puede acelerar la integración de diversas fuentes… Es el momento perfecto para empezar a explorar nuevas vías y mejorar la cuenta de resultados, ser más eficientes, conseguir nuevos ingresos, nuevos modelos de negocio, etcétera.

¿Los datos necesarios están ya accesibles?

No todas las empresas tienen disponibles los datos, pero sí que cuentan con tecnologías para acceder a ellos de una forma sencilla. Proyectos que antes costaban años, como integrar diferentes fuentes de información, ahora se pueden hacer en semanas o meses. Además, existen aceleradores que permiten capturar datos de todo tipo de sensores, acceder a información sociodemográfica, sobre el comportamiento de las personas… Ya es posible capturar casi cualquier tipo de información, volcarla en un lago de datos y crear ese smart data que ayuda a tomar decisiones basadas en información fiable.

Lo que brinda el big data es precisamente la capacidad de mezclar diferentes fuentes de información que van más allá de la estructurada. Por ejemplo, en algunos proyectos hemos utilizado técnicas de reconocimiento facial para saber cuántas veces entra una persona en una tienda, conocer su edad o su sexo… En el ámbito médico estamos trabajando con las típicas pulseras de actividad para, a través de la medición de las constantes vitales, tratar de mejorar los hábitos de los pacientes, darles recomendaciones personalizadas, etc.

Las empresas tienen todo lo que necesitan para empezar, pero muchas veces no saben cómo o cuándo hacerlo, ni para qué

En otros ámbitos estamos utilizando el procesamiento del lenguaje natural para analizar la documentación que se genera en las empresas, de la que es difícil extraer valor. Por ejemplo, los planes de desarrollo individual o evaluaciones, que tienen información super valiosa para la compañía, acaban en el área de recursos humanos, metidos en una carpeta que prácticamente no se explota. Ahora, por medio de estas técnicas es posible entender e integrar todos esos insights.

Otro ejemplo son las encuestas de clima laboral. Hablábamos con una gran cadena de supermercados que había hecho una encuesta de clima con un campo libre a rellenar por sus 20 000 empleados. Hasta ahora había que dedicar muchas horas a leerlos de uno en uno. Ahora, el procesamiento del lenguaje natural permite entender esa información, conocer las prioridades de los empleados en porcentajes, los aspectos que identifican como importantes, etc. Esto antes no se podía hacer.

¿Cuál sería el siguiente paso?

En una primera fase se recogen los datos que se necesitan para el caso de uso que se quiera abordar. El siguiente paso es ir escalando en niveles de madurez analítica: a raíz de esos datos, entender qué ha pasado, cómo han ido las ventas, cómo son mis clientes…

Pero ahora la tecnología permite ir más allá, anticiparnos y saber qué va a pasar. Por ejemplo, estamos trabajando mucho en el campo de la industria, para que pueda anticiparse a la demanda, fabricar en función de las necesidades futuras, programar la compra de materiales para tenerlos en tiempo y forma. Además de optimizar las operaciones, esta información permite también abrir las puertas a nuevos modelos de negocio a partir del dato.

El mantenimiento predictivo presenta importantes beneficios industriales. Las empresas de este sector cuentan con unos activos muy caros —la maquinaria de producción— que deben estar funcionando el máximo tiempo posible, para lo cual hay que evitar averías, errores de funcionamiento o paradas no programadas… Ahora, gracias a IoT y a la sensorización, se pueden utilizar algoritmos para identificar patrones de comportamiento y saber cuándo la máquina está a punto de tener una avería o si va a empezar a producir piezas con defectos.

Dar el salto definitivo

Lo principal es que la dirección tenga claro hacia dónde quiere ir y qué quiere conseguir. En Aggity solemos hacer sesiones (DataLabs) en las que concienciamos al equipo directivo sobre qué aportan las nuevas tecnologías (IA, machine Learning, big data o incluso otras como el blockchain) para que vea las posibles aplicaciones dentro de su negocio.El siguiente paso es identificar los retos de negocio y las palancas para abordarlos. De este workshop salimos ya con un pipeline de casos de uso que ellos pueden articular.

En los últimos años ha habido muchos proyectos que no han complido las expectativas. Se ha gastado mucho dinero, pero quizá no era el momento, no era el caso, o no era la empresa adecuada. Ahora sí tenemos formas de conseguir que esos retornos de inversión sean medibles y cuantificables. Que realmente valga la pena. Estamos en un momento maduro para poder aplicar esa tecnología y sacarle valor en un formato de negocio.

La inteligencia artificial y el machine learning permiten anticiparse, identificar estos problemas y corregirlos. Si sabemos que en cinco horas una máquina se va a estropear, se puede avisar al director de la planta y bajar la velocidad de la línea, preparar el mantenimiento en función del desgaste para sustituir la pieza que va a fallar, planificando incluso su compra. En definitiva, ayudar a las empresas a fabricar más y de mejor calidad.

En la industria 4.0 resulta esencial

Efectivamente. Podría contar muchos ejemplos. Uno de los más sorprendentes es el de una empresa del sector pharma que trabaja con biorreactores. En estos recipientes se meten células (seres vivos) para fabricar una proteína, que tiene un coste muy elevado: decenas de miles de euros por gramo. Ese biorreactor debe tener las condiciones idóneas (de presión, oxigenación, temperatura…) para que la proteína se vaya generando. Aunque se trata de un proceso muy estricto y regulado, en ocasiones se genera más o menos producto. Cuando trabajas con organismos vivos, siempre existe una variabilidad.

Lo principal es que la dirección tenga claro hacia dónde quiere ir y qué quiere conseguir

Al analizar la información de los sensores en las ejecuciones anteriores identificamos determinados parámetros que permitían mejorar la producción sin modificar la receta farmacéutica, sin tener que pasar por un nuevo proceso formulador. Esto ha permitido conseguir muchos más gramos en muchas más ocasiones, con un beneficio de millones de euros para la compañía.

Otro ejemplo es el de una compañía que funciona como una fábrica móvil. Utiliza unos camiones muy especiales (cuestan cientos de miles de euros) en los que se producen explosivos para detonaciones. Estos vehículos tienen 500 sensores que recogen información de todo tipo. Empezamos a analizar todos esos datos y detectamos determinados patrones que permitían establecer el riesgo de estropearse cada uno de los sistemas que intervenían en la fabricación.

Para la empresa esto fue clave. Cuando va a hacer una voladura necesita solicitar permisos, poner de acuerdo a mucha gente… La pauta normal era contar con un camión de apoyo por si fallaba el primero. Ahora es posible elegir con una certeza casi absoluta qué camión debe llevar para que no se estropee, o garantizar que determinadas partes no se van a estropear, aquellas que se van a utilizar para preparar el compuesto específico para cada voladura. Los recursos se han optimizado muchísimo.

También en el campo de la eficiencia energética

Con todo lo que está pasando en Ucrania, los costes energéticos se han disparado. En muchas empresas incluso empieza a ser inviable fabricar como se estaba haciendo hasta ahora.

En esta área, Aggity ha cerrado una alianza con la firma de ingeniería española Sener, especializada en el ámbito energético. Estamos desarrollando conjuntamente la plataforma EMS (Energy Management System), que, en esencia, permite saber en qué se está gastando cada vatio de energía y ayuda a optimizar todas las operaciones. Incluso propone cambiar la planificación para utilizar las máquinas que más consumen en momentos donde la energía no sea tan cara. Además, también se mejora la producción energética de la fábrica a través de paneles solares, baterías u otras tecnologías.

Con esto se consiguen elevados retornos, tanto respecto a la huella de carbono y la sostenibilidad ambiental como a la mejora en la eficiencia: hablamos de reducir en torno al 30% o 40% los gastos energéticos.

Nuestra plataforma permite reducir en torno a un 30% o 40% los gastos energéticos

La plataforma es modular para adaptarse a las necesidades de cada cliente. Por ejemplo, hemos ganado recientemente un pliego europeo para dotar de esta plataforma a 28 000 edificios de la Unión Europea. De hecho, los edificios son uno de los principales activos contaminantes. Esta solución ayuda a elegir la combinación energética ideal, en función del consumo, y después optimizar la gestión de esa energía para reducir el gasto mejorando la eficiencia en la fábrica, planta o infraestructura.

Cognitive automation

Un área muy interesante de aplicación de inteligencia artificial es la de la RPA (robotic process automation o robotics). Por ejemplo, estamos trabajando en el sector asegurador, donde la IA ayuda a optimizar las operaciones y mejorar las interacciones con el cliente. A través de una foto se puede estimar el coste de la avería o identificar si va a ser necesario un perito con una fiabilidad altísima.

Con esta información, en vez de enviar a un técnico de forma previa, acude directamente el perito e informa de las coberturas, optimizando costes y reduciendo hasta una semana la gestión del siniestro.

En el caso de la climatización contamos con un producto específico —Respira— que consigue una mayor eficiencia energética mientras se mantienen unas temperaturas más adecuadas para las personas o se mejoran los flujos de aire. El resultado final es una reducción de hasta un 50% en gastos energéticos y un aumento del bienestar de las personas. Esto ya está implantado en muchas empresas, como en el metro de Barcelona.

¿Qué puede esperar el área de recursos humanos de estas tecnologías?

Empezamos a trabajar con people anaylitics hace algo más de cinco años. Un gran banco estaba embarcado en un importante plan de transformación digital y un elemento importante eran las personas. La firma era el resultado de la unión de diversas entidades que utilizaban diferentes tecnologías en el área de recursos humanos.

En aquel momento, ninguna de las soluciones típicas permitía dar respuesta a esas necesidades. Entonces empezamos a trabajar en una plataforma pensada para la analítica predictiva y que permitiera añadir diversas fuentes de información, como las que se manejan dentro del área de recursos humanos: una encuesta de clima laboral que termina en un Excel, una serie de currículums en PDF, presentaciones con los planes de carrera en PowerPoint…

People anaylitics se aplica a todo el ciclo de vida del empleado, desde la captación hasta el desarrollo o la fidelización

A través de diversas tecnologías se captura toda esa información, que se almacena en un único repositorio para, a partir de ahí, empezar a entender lo que está pasando en la organización, cuál es el sentimiento de las personas, sus necesidades, retos y ambiciones, o cuál es la causa de que haya gente que está saliendo de la empresa

Esto se aplica a todo el ciclo de vida del empleado. En la captación ayuda a saber qué currículums se adaptan mejor a una oferta. Esto es muy relevante en procesos de selección en los que hay que analizar miles de currículums, ya que permite hacer un filtrado inicial para reducir una gran cantidad de trabajo tedioso.

En los procesos de onboarding permite monitorizar al empleado, identificando los puntos clave que se han de potenciar para mejorar su integración o su rendimiento de forma personalizada. Cada persona es un mundo, igual hay que ponerle un mentor, darle mayores retos o ayudarle con alguna formación específica. Después, en el desarrollo profesional se utiliza para identificar el talento de alto potencial, seleccionar los planes de carrera ideales para cada persona en función de sus habilidades, etc.

Es más, también en la fidelización. Un ejemplo lo hemos vivido con una gran empresa farmacéutica. Este sector ha experimentado un boom estos últimos años, que ha propiciado una auténtica lucha por el talento especializado. Estamos trabajando en un modelo para identificar el grado de vinculación de las personas con la organización, que ayude también a elegir mejor las contrataciones para obtener una mayor continuidad. De ahí surgió un plan que ha mejorado la elección de nuevas incorporaciones, con personas alineadas con los valores de la empresa y que desean continuidad a largo plazo, o que ha permitido corregir algunos aspectos que no se estaban trabajando adecuadamente en ámbitos como el onboarding del empleado.

¿Qué beneficios derivan de estas tecnologías? 

En lo relativo a la retención, sobre todo en empresas con un personal muy cualificado, es muy elevada. En estas organizaciones, por cada fuga se necesitan dos o tres años para tener una persona equivalente en el puesto. Si estas técnicas evitan alguna de estas pérdidas, el retorno es muy claro. Eso sí, es necesario que la empresa apueste por ello. Se puede saber qué personas se van a ir, pero si no se ponen las medidas adecuadas para corregirlo, los modelos no van a conseguir absolutamente nada. La tecnología por sí sola no va a conseguir que se queden.


En cuanto a la captación de talento, los beneficios son especialmente elevados en empresas intensivas en este aspecto. Con unos buenos procesos, y ayudados con técnicas de inteligencia artificial, se puede reducir hasta un 50% el tiempo y los esfuerzos dedicados a encontrar talento.

Otro ejemplo interesante. Estuvimos trabajando en una gran compañía retail que buscaba un nuevo gerente para una de sus tiendas. Según los datos, la elección del gerente afecta hasta en un 50% a las ventas de la tienda. A través de diferentes tecnologías para capturar información clave para el desempeño de este gerente, y mediante el uso de algoritmos de machine learning, filtramos a todos los candidatos para quedarnos con cerca del 10% de los currículums. Además, detectamos cuáles eran los factores que se debían tener en cuenta para seleccionar mejor al gerente. El resultado fue el idóneo. Se incrementaron las ventas.

El marketing también se está transformando

Junto con el financiero, el de marketing fue de los primeros sectores que aprovecharon estas tecnologías, principalmente porque el ROI es más evidente. Esto lleva aplicándose más de quince años. Cuando empezamos a crear los primeros modelos de fidelización, en Banco Santander, se pensaba que estábamos haciendo casi magia negra, porque conseguíamos identificar al 80% de los clientes que se iban a ir en el siguiente mes.

Aunque tenga ya mucho recorrido, todavía hay empresas no lo utilizan o no lo hacen de forma adecuada. Estos modelos funcionaban muy bien, pero ahora podemos darles un upgrade mucho mayor al utilizar nuevas técnicas e integrar datos desestructurados que aporten contexto: qué prendas ve online, cuántas veces, qué tipologías de ropa le gustan, a qué instagramers sigue…

En restauración estamos trabajando con otras técnicas que, por ejemplo, ayudan a elegir el lugar adecuado para abrir un nuevo local

Esto permite tener un conocimiento mucho mayor del cliente y, a partir de ahí, aplicar motores de recomendación avanzados. Nosotros empleamos mucho los de tipo híbrido, que mezclan el modelo de Netflix (cómo es el producto y cómo se alinea con el cliente) y el que utiliza Amazon, basado en las compras de clientes similares. También se deben tener en cuenta el ciclo de vida o la estacionalidad de determinados productos: por ejemplo, el abrigo solo se compra una vez, en invierno, si el cliente ya se ha comprado uno no se debe insistir por ahí, aunque esté en marcha la campaña de abrigos. Eso nos lo enseñan los datos. En cambio, cada determinado tiempo sí se renueva la ropa interior, y ese tipo de productos se pueden empujar de otra forma.

En restauración estamos trabajando con otras técnicas diferentes que, por ejemplo, ayudan a elegir el lugar adecuado a la hora de abrir un nuevo local. Esto se consigue a través de tecnologías de geoposicionamiento, analizando qué afecta a las ventas de un restaurante, los puntos de interés, la tipología de las personas que hay por la zona, los clubs de fidelidad… Estamos trabajando con una de las mayores cadenas del mundo, para la que estamos creando un modelo que identifique cuáles van a ser las ventas del siguiente año utilizando datos de las compañías telefónicas, puntos de interés, información de las tiendas, datos sociodemográficos… Con todas esas variables podemos saber si va a funcionar un determinado restaurante.

Al final se trata de afrontar un reto de negocio, que será diferente dependiendo de cada compañía. Ahora tenemos los datos, la tecnología y la experiencia para poder encontrar la solución óptima aplicando nuevas técnicas de inteligencia artificial.