¿Cómo puede la inteligencia artificial restaurar identificadores de caso faltantes en registros de procesos para mejorar los análisis?

Host: Bienvenidos a un nuevo episodio de A.I.S. Insights — powered by Living Knowledge. Les saluda Anna Ivy Summers. En el mundo empresarial actual, optimizar procesos operativos es una prioridad absoluta, pero ¿qué ocurre cuando la información registrada está incompleta? Hoy analizamos un fascinante estudio titulado "ID de caso revelado HERE: método híbrido de reparación de casos elusivos para la mejora de registros de eventos de procesos de negocio basada en Transformers". Para desgranar este trabajo, me acompaña como siempre nuestro analista experto, Alex Ian Sutherland. ¡Hola, Alex!

Expert: Hola, Anna. Un placer estar aquí contigo y con toda nuestra audiencia de líderes empresariales. Este estudio aborda uno de los dolores de cabeza más habituales y costosos en la analítica corporativa: la mala calidad de los registros de datos en la minería de procesos.

Host: Alex, para quienes no estén inmersos en la minería de procesos día a día, ¿cuál es exactamente el gran problema que este estudio intenta resolver?

Expert: Pensemos en cualquier operación habitual, como procesar un pedido, tramitar un préstamo o gestionar una reclamación. Cada paso deja una huella digital en los sistemas, lo que llamamos un evento. Para que la minería de procesos pueda reconstruir el flujo de trabajo de principio a fin y decirte dónde pierdes dinero o tiempo, cada evento necesita una etiqueta clave: el identificador de caso, que indica a qué cliente o expediente pertenece esa acción concreta. El problema surge cuando esa etiqueta no existe. El estudio llama a esto casos elusivos.

Host: Y si falta esa etiqueta, ¿qué hacían las organizaciones hasta ahora?

Expert: Las soluciones tradicionales eran bastante deficientes. Por un lado, muchos algoritmos reagrupaban todos los eventos de nuevo desde cero, lo que terminaba distorsionando los datos que ya estaban correctos. Por otro lado, la alternativa era la corrección manual, que requiere cientos de horas de trabajo y un coste desorbitado, o depender de bases de datos externas que muchas veces ni siquiera existen. Al final, las empresas tomaban decisiones estratégicas basadas en conclusiones erróneas.

Host: Una pesadilla para cualquier director de operaciones o de analítica. ¿Cómo propone este estudio solucionar el problema a través del método HERE?

Expert: El método se denomina HERE por sus siglas en inglés, que significan Método Híbrido de Reparación de Casos Elusivos. Desarrollado bajo la metodología de Investigación en Ciencias del Diseño, su gran acierto radica en no apostar ciegamente solo por la inteligencia artificial ni depender únicamente de las personas. Combina tres elementos: la arquitectura Transformer, reglas de negocio definidas por expertos de dominio y un esquema con intervención humana supervisada.

Host: Has mencionado los Transformers, la tecnología detrás de los grandes modelos de lenguaje actuales. ¿Cómo encajan aquí?

Expert: Los Transformers son extraordinarios identificando secuencias y relaciones contextuales complejas a lo largo del tiempo. En lugar de procesar texto, aquí analizan la secuencia temporal de las actividades del negocio para predecir a qué caso pertenece cada evento huérfano. Pero el estudio no se queda ahí: antes y después de aplicar el Transformer, el sistema aplica reglas de negocio prácticas, lo que llaman verificación ex-ante y ex-post.

Host: Es decir, si una regla empresarial dice que una factura nunca puede aprobarse antes de emitirse, el sistema respeta esa lógica de negocio.

Expert: Exactamente, Anna. Esas reglas actúan como un cortafuegos. Si el modelo estadístico sugiere algo que desafía la lógica operativa de la empresa, la regla de dominio lo corrige de inmediato o lo envía a un especialista humano para su revisión.

Host: Hablemos de los resultados concretos del estudio. ¿Qué descubrieron los autores al evaluar este método con datos reales, sintéticos y mediante entrevistas a expertos?

Expert: Los resultados son sumamente reveladores. En primer lugar, el método híbrido restaura con gran precisión los identificadores faltantes sin alterar ni corromper los registros que ya estaban bien etiquetados. Esto es vital, porque muchas herramientas anteriores rompían datos sanos al intentar reparar los defectuosos.

Host: ¿Y qué papel jugaron esas reglas de negocio ex-ante y ex-post que comentabas?

Expert: Fueron determinantes. En escenarios donde los datos eran muy escasos o el porcentaje de errores era muy elevado, el Transformer por sí solo podía equivocarse más. Sin embargo, al incorporar las reglas de los expertos como mecanismo de contingencia, el rendimiento del sistema aumentó drásticamente.

Host: Me imagino que también compararon el modelo Transformer con otras técnicas de aprendizaje automático ya consolidadas.

Expert: Así es. Al enfrentarlo a grandes conjuntos de datos corporativos con tasas bajas o moderadas de identificadores ausentes, el enfoque basado en Transformers superó con claridad a los modelos tradicionales de aprendizaje automático. Además, los autores realizaron veintiuna entrevistas con profesionales y expertos del sector, quienes validaron tanto la utilidad como la viabilidad práctica de integrar este método en flujos reales de trabajo.

Host: Ahora llegamos a la pregunta clave para nuestros oyentes ejecutivos: ¿por qué importa esto para el negocio? ¿Cuál es el impacto en la cuenta de resultados?

Expert: El impacto es directo. En ciencia de datos, se estima que hasta el ochenta por ciento del tiempo de los equipos se consume limpiando y preparando datos. Automatizar la reparación de casos elusivos ahorra miles de horas de trabajo manual improductivo. Pero más allá del ahorro de costes, permite que los análisis de minería de procesos reflejen la realidad operativa de la empresa con total fidelidad. Eso se traduce en descubrir cuellos de botella reales, detectar fraudes, optimizar cadenas de suministro y cumplir con normativas sin operar a ciegas.

Host: Convierte datos que antes se descartaban como basura en activos estratégicos de alto valor para la toma de decisiones.

Expert: Así es. Evita el clásico problema de basuras entran, basuras salen, y da a la dirección ejecutiva la confianza de que las decisiones de transformación digital están respaldadas por información rigurosa.

Host: Ha sido una explicación clarísima, Alex. En resumen, este estudio nos demuestra que la verdadera ventaja competitiva de la inteligencia artificial no surge de reemplazar el conocimiento humano, sino de combinar modelos avanzados como los Transformers con la experiencia acumulada del negocio para resolver problemas operativos reales.

Expert: Una síntesis perfecta, Anna. Esa colaboración híbrida es el futuro de la automatización empresarial.

Host: Muchas gracias por acompañarnos y compartir tu análisis, Alex. Y a todos ustedes, gracias por escucharnos en A.I.S. Insights — powered by Living Knowledge. No olviden suscribirse y acompañarnos en nuestro próximo episodio para seguir descubriendo la tecnología que transforma los negocios. ¡Hasta la próxima!