(Expansión) - Lo que antes de la pandemia eran problemas complejos, ahora se hacen más difíciles para industrias como el retail, las de productos de consumo, farmacéuticas y manufacturas. Por el contrario, la crisis ayudó a detonar a los sectores de e-comerce y delivery.
Hoy en día, en este entorno digital que algunos expertos llaman volátil e incierto, cada vez más la ciencia de datos y la inteligencia artificial ayudan a tomar mejores decisiones.
La crisis sanitaria por COVID-19 contribuyó a acelerar el proceso de transformación digital, las mismas empresas visualizaron en los datos la clave para la toma de decisiones, orientadas a la generación de nuevos negocios y a mejorar la interacción con los clientes, sobre hechos y no sobre opiniones.
La incursión de las nuevas tecnologías terminó por modificar también el manejo de los flujos logísticos y apoyar la experticia de quienes acompañan todo el proceso de producción de un producto hasta su comercialización, quienes encontraron en el Big Data una herramienta para trabajar de manera más ágil y óptima.
La data science es entendida como la extracción, clasificación, análisis y optimización de datos, lo que la convierte en una valiosa herramienta que no solo ayuda a entender la operación en la cadena de suministros o supply chain, sino que también permite identificar puntos inciertos e incluso prever cambios futuros.
Las empresas que carecen de esa capacidad de tener predicciones sólidas, robustas, precisas y ágiles van a tener retos aún más grandes frente a los que sí tienen esas capacidades. Nuestro enfoque debe ir orientado a cómo con la inteligencia artificial y la ciencia de datos nos ayudan a optimizar y generar valor en toda la cadena de suministros.
No podemos dejar de lado la combinación del talento humano y el análisis de datos, lo que sin duda dará mayor eficacia operativa. El cambio no está en manos de la tecnología, sino apoyado en ella, el activo que está detrás de los datos son las personas.
El reto hacia adelante está en integrar las herramientas disponibles, por ejemplo, el data science con el internet de las cosas (IOT, por su sigla en inglés) para robustecer y madurar los modelos o algoritmos con los que ya se cuenta. De esta forma también es posible conectar diferentes dispositivos en flujo logístico para extraer nuevos datos.
En las empresas los modelos predictivos son importantes para analizar información histórica y obtener un mejor conocimiento del cliente, de los productos y de los procesos para identificar los riesgos y oportunidades de un negocio.
Ahora la industria sabe cuál es el camino, cada vez son más las empresas que se embarcan en la búsqueda de una solución de analítica productiva que se ajuste a sus necesidades, después de todo, la única constante ahora es el cambio.
Nota del editor: David López es profesor de EAE Business School. Síguelo en LinkedIn . Las opinions publicadas en esta columna pertenecen exclusivamente al autor.
Consulta más información sobre este y otros temas en el canal Opinión
