por W H Inmon, Forest Rim Technology

Al principio, las bases de datos relacionales intentaron abordar los desafíos de los datos textuales con los llamados “blobs”. Luego estaba la técnica conocida como “etiquetado”. Después del etiquetado llegó el procesamiento de lenguaje natural (NLP por sus siglas en inglés).

 

Con cada nuevo enfoque en el intento de gestionar el texto narrativo vinieron nuevas oportunidades que procuraron abordar los desafíos de tomar decisiones corporativas basadas en texto. Esta es la nueva frontera para la inteligencia empresarial.

El intento de abordar los desafíos de tomar decisiones basadas en texto apareció pronto al examinar el sentimiento de los clientes que utilizan NLP. De hecho, abordó algunos de los desafíos del texto y la toma de decisiones, ya que con NLP al menos las personas podrían empezar a incluir el sentimiento del cliente en el proceso de toma de decisiones corporativas.

Pero había algunas limitaciones en el procesamiento de NLP de la opinión de los clientes. La mayoría del análisis de sentimientos se basó en la lectura e interpretación de los datos de las redes sociales. Y si bien estos son buenos para expresar algunos sentimientos limitados, cuando se trata de expresiones de sentimientos más largas, más completas y sofisticadas, el análisis de las redes sociales deja mucho que desear. Así también, las técnicas utilizadas en el procesamiento de NLP son algo limitadas y artificiales. Como se quiera ver, solo hay mucho valor en el uso del procesamiento de NLP en el análisis de sentimientos de las redes sociales.

Anticipar demandas

Hay otros lugares mucho más productivos para utilizar el procesamiento analítico del texto como base para tomar decisiones considerando datos textuales en la corporación. Uno de esos lugares está en la anticipación y prevención de la presentación de demandas. Cuando la corporación es abofeteada con una demanda, por cualquier razón que va desde la responsabilidad del producto hasta la disputa laboral, hay un efecto negativo automático e inmediato en los resultados, independientemente de si se gana o pierde la demanda. Además, existe el impacto negativo en la imagen cuando se presenta la demanda. Simplemente no es bueno para la imagen corporativa cuando se corre la voz de que se ha presentado una demanda (o una serie de demandas relacionadas), incluso si la demanda se defiende con éxito.

Se estima que el acuerdo promedio de CADA demanda que se ha presentado le cuesta a la corporación aproximadamente USD 300.000. Por lo tanto, hay una enorme justificación para minimizar las demandas.

Con esta información de fondo en mente, ¿cómo funciona esto en el caso de una idea? Anticipando una demanda está en marcha y resolver el problema antes de que se convierta en una demanda. Crear un “sistema de alerta temprana” de que una demanda se está elaborando y abordar los problemas y las partes involucradas ANTES de que se presente la demanda. ¡Piensa cuánto dinero puede salvar a la corporación!

Dos avances tecnológicos

Hay dos nuevos avances tecnológicos que permiten un sistema de alerta temprana para la anticipación de una demanda. El primero es el advenimiento de la tecnología que introdujimos conocida como “desambiguación textual”. La desambiguación textual tiene algunas similitudes con NLP, pero también cuenta con algunas características novedosas. Por ejemplo, la desambiguación textual se basa en gran medida en la identificación y el uso del contexto del texto, no solo  del texto en sí. Esto quiere decir que no solo se encuentra y aborda el texto mediante la desambiguación textual, sino que también se encuentra el contexto de ese texto y es un socio igualitario para el propio texto. También hay otras diferencias importantes entre NLP y desambiguación textual.

El segundo avance tecnológico que hace posible un sistema de alerta temprana para la anticipación de una demanda es el de big data. Con la tecnología que rodea al big data ahora es posible almacenar y procesar enormes cantidades de datos. En años pasados siempre había un límite en cuanto a la cantidad de datos que se podían almacenar y procesar en un sistema. El límite era tanto tecnológico como económico. En la parte posterior de la mente de cada administrador de sistemas estaba la noción de que el sistema no debe consumir demasiados datos.

Pero con el advenimiento del big data esa limitación ya no existe. En el mundo actual es tecnológica y económicamente factible construir sistemas de enorme tamaño.

Debido a estos dos avances tecnológicos, es posible construir un sistema de alerta temprana para litigios corporativos. Ahora la organización puede leer, organizar y analizar todo tipo de información textual en busca de la posible demanda.

Demandas y evitar litigios

Entonces, ¿qué tipo de demandas se pueden identificar y anticipar? Hay MUCHOS tipos de demandas que se pueden detectar. Dos tipos de demandas que son obvias y evidentes son por discriminación laboral y de responsabilidad por productos (entre muchas otras).

Las demandas por discriminación incluyen todo tipo de discriminaciones: sexuales, de edad, religiosas, raciales, de preferencia sexual, etc.

¿Y dónde se encuentra la información básica de alerta temprana para este tipo de demandas? La respuesta es: en muchos lugares. Los lugares típicos incluyen correos electrónicos, conversaciones en el centro de llamadas, conversaciones en el servicio de asistencia, reclamaciones de garantía, reclamaciones de seguros, etc. Pero dondequiera que se encuentre, inevitablemente la información es en forma de texto.

Hasta ahora, estas fuentes de información no han podido analizarse eficazmente, pero con los avances que se han descrito ahora es posible hacer análisis que conduzca a una detección temprana de las causas de las posibles demandas, las que pueden ser de muchos tipos.

El valor comercial de anticipar demandas

Con un sistema eficaz de alerta temprana viene el potencial de la medición de ahorros significativos como contención de costos. Usualmente es en millones de dólares. Por otra parte, la medición del efecto de protección y mejora de la imagen corporativa va más allá de la medición en dólares.

El valor comercial de la anticipación y prevención de demandas eclipsa la restitución del análisis de opiniones de las redes sociales. Un sistema de prevención de litigios puede convertirse en algo que muchos CEO, CFO y General Counsel (asesores legales) tendrán que considerar para proteger los intereses más vitales de su organización.

Para saber más…

Para obtener más información sobre un sistema de alerta temprana para anticipar demandas y cómo se podría construir un sistema de este tipo, consulte el libro PREVENTING LITIGATION: An Early Warning System to get Big Value from Big Data, BEP PRESS.

Para obtener más información sobre la implementación de desambiguación textual y la contextualización del texto en un sistema de gestión de bases de datos estándar, consulte www.forestrimtech.com.

Forest Rim Technology fue formada por Bill Inmon con el fin de proporcionar tecnología para cerrar la brecha entre los datos estructurados y no estructurados. Se encuentra en Castle Rock, Colorado.