En el campo del análisis de datos, los analistas pueden encontrarse con tres tipos de insights, y cada uno requiere cierto nivel de experiencia tanto con la herramienta como con el contexto para el cual se está analizando la información.
Sin duda, la abrumadora cantidad de datos que se genera hoy en día, sumada a la dispersión de las fuentes, hace que, a grandes rasgos, se nos puedan escapar un sinfín de oportunidades de análisis.
Actualmente, las tareas relacionadas con el análisis se han simplificado en parte gracias al uso de agentes de inteligencia artificial, que permiten obtener con mayor facilidad los tres tipos de insights que se describen a continuación.
Eso sí, todo agente debe estar correctamente “calibrado” para que logremos cumplir el objetivo de obtener insights valiosos.
A continuación, se presentan los tres tipos de insights y el papel que cumplen los agentes en cada uno:

I. Insights propios del negocio
Son aquellos insights que dependen exclusivamente de la lógica interna de cada organización.
Cada empresa tiene su propio ADN en cuanto al análisis de datos, por lo que este debe ser interpretado a partir de la información interna y del know-how acumulado a lo largo del tiempo.
La obtención de insights basados en la lógica del negocio solo se logra mediante un estudio detallado de la información.
En este punto, los agentes de IA pueden apoyar significativamente el proceso, gestionando memorias que contengan no solo datos de los procesos, sino también decisiones pasadas, conclusiones y cualquier otra información que sea valiosa para el modelo, y que le permita identificar patrones significativos.

II. Insights propios del sector
Cualquier persona que haya trabajado con análisis de datos sabe lo valiosa que es la experiencia en el sector estudiado.
No basta con conocer nuestros datos internos; es fundamental comprender las prácticas del sector.
La estructura de empresas que comparten un core business similar nos permite contrastar y medir nuestros resultados frente a las prácticas comerciales comunes de los competidores.
Tomemos como ejemplo el sector de la construcción: cada empresa tiene sus propios indicadores, pero muchas comparten métricas similares y persiguen objetivos alineados con su mercado objetivo.
Aquí, los agentes de IA cobran relevancia porque son capaces de procesar grandes volúmenes de información no estructurada de un sector económico, lo que simplifica considerablemente la tarea del analista.
No obstante, entrenar un agente en este nivel es más complejo, debido a la diversidad y cantidad de fuentes disponibles. Aun así, mediante técnicas de tuning, es posible incorporar información valiosa que permita al agente tomar mejores decisiones.

III. Insights propios del analista
Cada analista tiene más o menos habilidad para obtener insights, una capacidad que suele desarrollarse con la experiencia, tanto en el manejo de herramientas como en la exploración de los datos.
Aunque los agentes pueden ayudarnos en este tipo de insights, lo hacen de forma diferente.
Por ejemplo, ya no necesitamos un agente entrenado específicamente, sino más bien un asistente que nos apoye en tiempo real, alguien a quien podamos hacerle preguntas sobre ciertos datos y que sea capaz de razonar sobre ellos.

Si bien es cierto que los agentes van a lograr llegar a reemplazar algunas funciones del analista de datos, esto no implica la desaparición del rol, sino una transformación hacia perfiles más enfocados en el entrenamiento, configuración y supervisión de los agentes encargados del análisis.