Datos por sectores: cuatro decisiones que se pueden comprobar
Industria, agricultura, comercio y servicios urbanos: ejemplos de cómo pasar de una señal a una acción y medir si el cambio tiene sentido.
«Aplicar Big Data al sector» es una intención demasiado amplia para empezar. Revisar una máquina, investigar una parcela, ajustar una compra o localizar un consumo anómalo ya son decisiones concretas. Cada una necesita datos, una persona que interprete el resultado y una manera de comprobar el efecto.
Los cuatro escenarios siguientes son ejemplos hipotéticos. Sirven para diseñar preguntas y pruebas; no representan trabajos propios ni resultados obtenidos por un cliente. WaPOR aparece aparte como una fuente pública real.
Industria: una vibración que merece una revisión
Una máquina empieza a vibrar de forma diferente durante un turno. Antes de llamarlo predicción de averías, hay que revisar si cambió la carga, la velocidad, el producto o el sensor. La señal puede ser útil aunque no permita afirmar que habrá una avería.
Un piloto acotado podría relacionar lecturas con partes de mantenimiento y señalar periodos para inspección. Quien mantiene la máquina necesita saber qué cambió y desde cuándo. Medir solo cuántas alertas se generan premiaría un sistema que avisa constantemente.
| Qué observar | Por qué importa |
|---|---|
| Alertas revisadas y falsas alarmas | Mide la carga de trabajo añadida |
| Fallos sin aviso previo | Muestra lo que el sistema no detectó |
| Tiempo útil entre aviso e intervención | Comprueba si era posible actuar |
| Cambios de carga y mantenimiento | Ayuda a interpretar la señal |
Agricultura: localizar una diferencia y comprobarla sobre el terreno
Una parcela muestra un comportamiento distinto de las cercanas. Podrías combinar observaciones de campo, meteorología y teledetección para investigar dónde mirar primero. La decisión inicial puede ser tan concreta como revisar un sector del riego o comprobar el estado del cultivo.
Como recurso real, WaPOR, de la FAO, utiliza datos de satélite para estudiar productividad del agua agrícola a distintas escalas. La existencia del recurso no convierte cualquier píxel en una medida exacta de una parcela ni acredita que un cambio de riego vaya a ahorrar agua.
En una prueba habría que comprobar resolución, fecha, cobertura y pertinencia local de los datos. Después, comparar el consumo y el comportamiento del cultivo con condiciones suficientemente descritas. Una semana de lluvia cambia la interpretación de cualquier ahorro aparente.
Comercio: distinguir falta de demanda de falta de producto
Un artículo apenas vende. Puede ser que interese poco, que esté agotado o que resulte difícil encontrarlo. El histórico de ventas necesita contexto de existencias y disponibilidad para distinguir esas situaciones.
El primer cambio podría ser corregir el registro de stock. Otro, revisar la ubicación o la información del producto. La guía de BI y reposición desarrolla un cálculo sencillo de compra. Aquí la prueba consiste en no confundir un cero de ventas con un cero de interés.
Compara unidades disponibles, ventas, devoluciones y compras urgentes durante un periodo definido. Si lanzas una promoción a la vez, anótalo: puede explicar parte del cambio.
Servicios urbanos: investigar un consumo fuera de horario
Un edificio público consume energía durante una noche en la que debería estar vacío. Combinar el contador con horarios, climatización y actividades previstas puede ayudar a encontrar la causa. Tal vez hubo un evento, quedó un equipo encendido o falló la programación.
Una primera versión puede limitarse a señalar excepciones para revisión. Cuando se corrige una, conviene observar el consumo posterior y las condiciones de uso y temperatura. Comparar una semana cálida con otra fría sin ese contexto puede atribuir un cambio a la causa equivocada.
Elegir un primer caso que pueda aprender de sus errores
Los casos más abordables tienen una salida concreta, un responsable disponible y un registro del resultado. Si nadie puede decir qué ocurrió después de la alerta, será difícil distinguir una señal útil de una coincidencia.
- Escoge una decisión repetida y delimita qué parte vas a apoyar.
- Define la comparación inicial y el coste de equivocarte.
- Incluye situaciones que contradigan la hipótesis, no solo casos favorables.
- Conserva la explicación de cada intervención y revisa excepciones.
El marco de gestión de riesgos de IA de NIST insiste en incorporar evaluación y contexto cuando se utilizan sistemas de IA. Para estos ejemplos, el criterio editorial es más sencillo: conocer el sector es parte del análisis. Una gráfica puede encontrar una diferencia; entenderla exige saber qué ocurrió alrededor.


