Aupa Beaz Team!
Bienvenid@s a nuestra vuestra casa!
Bienvenidxs a este pequeño rincón que hemos preparado para BEAZ.
Como ya sabéis, y como proyecto emprendedor que somos, nos interesa mucho vuestro trabajo.
- Nos interesa porque somos «usuarixs» de los recursos que desde BEAZ y, en general, desde otros agentes del ecosistema, estáis trabajando duro para poner a nuestro servicio.
- Pero también porque somos unxs «frikis» de la optimización, y de la analítica avanzada.
Analizando la hoja de ruta del emprendimiento en Euskadi, identificamos multitud de agentes que operan en el ecosistema, multitud de recursos que ponéis al servicio del emprendimiento y multitud de factores que inciden de una u otra manera en el éxito de los proyectos.
Pero nuestra propuesta pretende llegar un paso más allá, y poner al servicio de todo el ecosistema el poder acelerador de la inteligencia artificial.
La hoja de ruta que hemos diseñado se despliega en distintas fases, que quizás os suenen:
Al lío, que el tiempo es oro!
Fase 1: analítica descriptiva
Si, vale, ya sabemos que de análisis sabéis un rato. La cuestión es si estos diagnósticos nos permiten analizar no sólo distintos factores de manera individual, sino de manera más global. ¿Necesitais algo más concreto? Quizás algunos ejemplos nos ayuden a ilustrarlo mejor:
- "Matching" de recursos con proyectos. ¿Sabemos el impacto real que recursos económicos o de otro tipo está teniendo en proyectos concretos? ¿A qué tipos de empresas y/o emprendedores estamos siendo capaces de llegar, a cuáles no, y por qué?
- Segmentación emprendedores/proyectos. Conocemos algunas características sobre los nuevos proyectos: mujeres vs hombres, motivaciones, colectivos, etc. Pero el emprendimiento tiene un carácter poliédrico que puede ser interesante explorar, en todos sus matices.
- ¿Hay cuestiones relevantes que se están quedando fuera de la ecuación por falta de datos? Qué demandan los emprendedores, qué posibles proyectos potentes están quedando fuera por algún motivo?
Fase 2: analítica predictiva
Si conocer el punto de partida es el primer paso, el siguiente sin duda es anticiparse al futuro.
Aquí es donde empiezan a entran en juego las herramientas de machine learning, donde a partir de los datos históricos de los que dispongamos nos pueden ayudar a identificar qué variables son realmente significativas, o incluso qué peso tienen cada una de ellas para conseguir los resultados que como administración y/o sociedad estamos buscando.
Los algoritmos de aprendizaje supervisado podrían ser buenos aliados que ayuden a predecir, por ejemplo:
- La probabilidad de que un proyecto tenga éxito frente a otro que no lo sea, y de ahí estimar el peso de distintas variables.
- Seleccionar los proyectos que generan un mayor impacto en cuanto a: creación de empleo, generación de riqueza, aumento de la eficiencia, etc.
- O estimar el impacto que genera el "efecto BEAZ" sobre aquellos proyectos a los que acompaña, y en consecuencia, su impacto en el territorio.
Fase 3: analítica prescriptiva
Pero los datos nos deben permitir llegar un paso más allá y diseñar el futuro que deseamos para nuestro tejido empresarial.
El conocimiento extraído en las fases previas permite identificar medidas prescriptivas que pueden ser implementadas, gestionadas y monitorizadas.
La aplicación de herramientas analíticas nos permite simular el impacto y la efectividad de dichas medidas, y en consecuencia, seleccionar aquellas que optimizan los recursos disponibles en base al retorno esperado.
Pero si los datos están revolucionando el panorama empresarial es por su poder de generar nuevos productos y servicios a partir de ellos.
En este sentido, no hemos podido evitar darle una vuelta de tuerca a nuestra propuesta con esta herramienta:
GaiA 4.0 -by Beaz
Os proponemos diseñar una herramienta/algoritmo que utiliza el conocimiento adquirido en las fases previas del proyecto para mejorar la experiencia de usuario y maximizar las posibilidades de impactar en el ecosistema.
- A lxs emprendedores les permitiría disponer de un mapa de ruta sencillo de los recursos (económicos y de otro tipo) a los que podrían aspirar, e incluso, establecer un sistema de alertas para no dejar escapar oportunidades.
- A los agentes facilitadores les permitiría llegar de manera más efectiva a las empresas, poder estimar el número de proyectos a los que potencialmente podrían llegar con cada acción, y/o disponer de un check-list para identificar oportunidades a nivel empresas y en la gestión del propio equipo BEAZ.
Lxs data scientists dependemos de los datos para poder desarrollar cualquiera de estos modelos. La calidad y eficiencia de los resultados está en muchos casos relacionada con la disposición y calidad de los mismos.
Además, si algo nos ha demostrado nuestra experiencia en este mundillo, es que ningún proyecto es como pensábamos. SIEMPRE ES MEJOR!!
Los datos siempre nos sorprenden, siempre nos frustran y nos hacen recalcular, pero a partir de ahí, siempre sale algo mejor, mucho mejor! No hay proyecto en el que no surjan nuevas ideas no contempladas, ni casos en los que el tirar del hilo no nos lleve a diseñar propuestas más eficaces y más potentes.
En una palabra, más inteligentes.
