Antes, para realizar la previsión de los resultados de su empresa se necesitaba un equipo de ciencia de datos, meses de desarrollo de modelos y un poco de suerte.
Pero ahora, con un 78 % de las organizaciones utilizando la IA en al menos una función empresarial, según McKinsey, ese tiempo se ha reducido de meses a información casi instantánea.
Con ese cambio, la presión para lanzar modelos predictivos rápidamente nunca ha sido tan alta.
IBM Watsonx condensa el proceso de creación e implementación de modelos predictivos en un flujo de trabajo unificado basado en navegador que su equipo de desarrollo puede ejecutar en cuestión de minutos. Pero la velocidad por sí sola no basta. Si las predicciones que generan estos modelos no se conectan con los flujos de trabajo ejecutivos en los que influyen, entonces no generan un impacto real.
Esta guía abarca todas las fases, desde la carga de tu primer conjunto de datos y el entrenamiento del modelo hasta su implementación como una API activa y, lo más importante, la conexión de los insights que genera con los flujos de trabajo ejecutivos en herramientas como ClickUp. 🔨
Aprenderás tanto a crear el modelo en Watsonx como a poner en práctica sus resultados para que las predicciones se traduzcan en acciones en todo tu equipo.
Aprenderás tanto a crear el modelo en Watsonx como a poner en práctica sus resultados para que las predicciones se traduzcan en acciones en todo tu equipo.
¿Qué es IBM Watsonx y cómo proporciona soporte para el análisis predictivo?
Implementar modelos de IA para tu empresa puede implicar entrenar tus modelos en un lugar, gestionar tus datos en otro y ocuparte de la gobernanza o el cumplimiento normativo en una herramienta diferente.
IBM Watsonx es la plataforma empresarial de IA y datos de IBM, diseñada para resolver los aspectos técnicos de esta fragmentación. Básicamente, se trata de un conjunto de productos de IA para crear, entrenar y ejecutar la IA dentro de una empresa, sin que todo parezca disperso o experimental.
La plataforma resuelve los flujos de trabajo fragmentados al ofrecer un único entorno de trabajo para proyectos. Puedes cargar datos, realizar experimentos y configurar monitores sin salir del entorno.
La suite Watsonx incluye tres componentes principales:
- Watsonx. IA: Crea y entrena modelos predictivos utilizando AutoIA o cuadernos personalizados
- Watsonx. data: Conecta y prepara datos de múltiples fuentes de datos en una arquitectura lakehouse
- Watsonx. Gobernanza: Realiza el seguimiento del rendimiento de los modelos y aplica normas de equidad
En lo que respecta específicamente al análisis predictivo, watsonx.ai es la interfaz principal que utilizarás. Incluye AutoAI, un generador de experimentos sin código que realiza la selección de algoritmos y clasifica los modelos candidatos.
El resto de esta guía se centra en el flujo de trabajo de AutoAI dentro de watsonx.ai. Esta es la forma más rápida de poner en marcha un modelo predictivo que funcione.
Guía paso a paso para crear un modelo predictivo en Watsonx
Este tutorial da por hecho que ya dispone de una cuenta de IBM Cloud y que ha creado un proyecto de Watsonx. El flujo completo se puede completar directamente en su navegador sin necesidad de realizar ninguna configuración local. A continuación le explicamos cómo hacerlo:
Paso 1: Prepara y sube tus datos
Empieza por organizar tus datos en un formato tabular, como un archivo CSV. Este archivo debe tener una columna de objetivo claramente definida que especifique lo que quieres predecir. También necesita columnas de características, que son las entradas a partir de las cuales el modelo aprende.
Para cargar tus datos, ve a tu proyecto de Watsonx y abre la pestaña «Activos». Desde allí, puedes cargar un archivo CSV directamente o establecer una conexión con una fuente de datos a través de watsonx.data.
Asegúrate de tener en cuenta algunos problemas comunes relacionados con los datos antes de empezar:
- Valores perdidos: Limpia los grandes vacíos en las columnas críticas antes de cargarlas para garantizar una alta precisión.
- Tipo de columna de destino: Asegúrese de que los objetivos de clasificación sean categóricos y los de regresión, numéricos.
Paso 2: Entrena un modelo predictivo con AutoAI
Aquí es donde comienza el entrenamiento del modelo. Desde el entorno de trabajo de su proyecto, haga clic en «Crear nuevo experimento de AutoAI».
Selecciona el conjunto de datos que has subido y elige la columna de objetivo. A partir de ahí, puedes configurar el tipo de experimento y cualquier ajuste opcional, como la forma en que se dividen los datos entre el entrenamiento y la prueba.
Ejecute el experimento para que AutoAI genere automáticamente una tabla de clasificación del proceso. Esta tabla clasifica los modelos candidatos según las métricas que haya elegido, como la precisión o la puntuación F1.
Cada fila de la tabla de clasificación representa una combinación única de algoritmos de aprendizaje automático e ingeniería de funciones. El proceso mejor clasificado suele ser el que AutoAI recomienda para su conjunto de datos específico.
No des por sentado que el proceso mejor valorado es automáticamente la opción correcta. Vale la pena comparar los dos o tres procesos mejor valorados en lugar de elegir sin dudar el primero. Puedes hacer clic en cualquiera de ellos para comprobar aspectos como qué funciones son más importantes o cómo comete errores el modelo utilizando matrices de confusión.
Paso 3: Implementa tu modelo predictivo
Una vez que elijas un proceso óptimo, guárdalo como modelo en tu proyecto. A continuación, debes promocionar este modelo guardado a un espacio de implementación. Un espacio de implementación es un entorno independiente diseñado específicamente para cargas de trabajo de producción.
Puede elegir entre una implementación en línea o por lotes. Una implementación en línea le ofrece una API REST en tiempo real para predicciones bajo demanda. Una implementación por lotes evalúa grandes conjuntos de datos según un calendario establecido.
Utilice la pestaña de pruebas integrada para enviar una carga útil de entrada de muestra. Esto le permite verificar el resultado de la predicción antes de integrarlo con los sistemas posteriores. La implementación genera un punto final de API y una URL de puntuación para que las aplicaciones externas puedan realizar llamadas.
Paso 4: Supervisar y evaluar el rendimiento del modelo
Un modelo entrenado con datos históricos puede degradarse con el tiempo a medida que cambian los patrones del mundo real. Esta degradación se denomina «desviación» y puede reducir silenciosamente la calidad del modelo con el paso del tiempo.
Para realizar un seguimiento continuo del rendimiento de su modelo en el mundo real y detectar problemas antes de que se conviertan en un problema, active la supervisión a través del componente Watson OpenScale, enlaze su implementación con la herramienta de supervisión y configure sus umbrales de calidad para la exactitud y la precisión.
Si tu predicción incluye atributos sensibles, asegúrate de configurar monitores de equidad para garantizar la imparcialidad.
El sistema puede generar explicaciones por predicción que muestran exactamente qué funciones han determinado un resultado específico. A partir de ahí, puedes establecer una periodicidad mensual para revisar estos paneles de control y volver a entrenar el modelo si la calidad disminuye.
Antes de concluir esta sección, es importante comprender que cada paso de este proceso implica a diferentes personas. Sin un sistema que permita realizar el seguimiento de la ejecución, el proceso puede ralentizarse rápidamente y descontrolarse.
- Un analista de datos se encarga de limpiar y validar el conjunto de datos antes de cargarlo
- Un ingeniero de aprendizaje automático ejecuta el experimento de AutoAI y compara los principales flujos de trabajo
- El mismo ingeniero (o un especialista en operaciones de aprendizaje automático) se encarga de la implementación del modelo y la configuración de la API
- Un científico de datos o un responsable de IA supervisa el rendimiento, revisa los informes de desviación y decide cuándo es necesario volver a entrenar el modelo.
Sin una forma estructurada de gestionar esto, puedes acabar rápidamente dependiendo de notas dispersas, mensajes de Slack, correos electrónicos o tu memoria, y ahí es donde se producen retrasos y se omiten pasos. Como resultado, la gestión de tareas se vuelve fundamental.
En lugar de dejar que estos pasos se desarrollen de forma aislada, ClickUp Tareas ofrece un sistema en el que:
- Cada paso se convierte en una tarea que se puede seguir
- Cada tarea se asigna a la persona adecuada
- El progreso es visible en todo el flujo de trabajo
Pero eso no es todo. Cada tarea cuenta además con la compatibilidad del contexto y los datos estructurados que facilitan su ejecución.
- Los campos personalizados pueden capturar datos estructurados como la versión del modelo, la fuente de datos, las métricas de evaluación, el tipo de implementación o la frecuencia de reentrenamiento.
- ClickUp Docs permite almacenar documentación de apoyo, como directrices de preparación de datos, supuestos de modelos, notas de experimentos o instrucciones de implementación.
Así, en lugar de ser tareas vagas, se convierten en unidades de trabajo totalmente contextualizadas, claras, asignadas y listas para ejecutarse.
Pero tampoco se limita solo al seguimiento de tareas; estas tareas no son acciones puntuales. Son flujos de trabajo continuos que requieren constantemente un cierto nivel de acciones manuales repetitivas.
Por ejemplo:
- Si la precisión del modelo cae por debajo de tu umbral, hay que asignar a alguien para que lo vuelva a entrenar
- Si OpenScale detecta una desviación, esa alerta debe convertirse en una tarea con un propietario claro
- Si una implementación falla durante las pruebas, es necesario registrarla, asignarla y resolverla rápidamente
ClickUp Automatización va un paso más allá al eliminar los traspasos manuales entre estos flujos de trabajo mediante la activación de acciones automáticas basadas en condiciones predefinidas.
Si se carga un nuevo conjunto de datos, se crea automáticamente una tarea de validación y se asigna al analista de datos. Una vez que se marca como «Listo», se asigna automáticamente una tarea de entrenamiento de modelos al ingeniero de aprendizaje automático. Cuando el entrenamiento está completado, se desencadena una tarea de implementación para el especialista en operaciones de aprendizaje automático.
De esta forma, cada paso fluye hacia el siguiente sin traspasos manuales. Las tareas se crean, se asignan y se enriquecen con contexto automáticamente, por lo que todo el flujo de trabajo sigue avanzando sin interrupciones.
Casos de uso del análisis predictivo para equipos
Estas son las formas más habituales en que los equipos utilizan el análisis predictivo:
- Previsión de la demanda : Predice la demanda de tus productos para el próximo trimestre, de modo que tu equipo de operaciones pueda abastecerse con antelación y evitar la escasez.
- Predicción de la pérdida de clientes : Clasifica a tus clientes actuales según su probabilidad de darse de baja y deriva las cuentas de alto riesgo a los flujos de trabajo de retención
- Puntuación de riesgo de proyectos : Señala los proyectos que probablemente no cumplan los plazos basándose en sus patrones históricos, como los cambios en el alcance.
- Previsión del canal de ventas : Predice qué operaciones tienen más probabilidades de cerrarse y ofrece a tus equipos de ingresos una previsión fiable
- Predicción de incidencias de TI : Identifica los componentes de la infraestructura que pueden fallar basándose en patrones de registro
En todo esto, es importante señalar que el valor de estas predicciones solo se multiplica cuando los resultados se incorporan directamente a las herramientas en las que tu equipo ya ejecuta las decisiones en las que influyen.
🎯 Nuestra sugerencia: lleva esos conocimientos a un entorno de trabajo de IA convergente como ClickUp.
Con ClickUp, no solo gestionas los flujos de trabajo de entrenamiento de modelos. También gestionas tus operaciones diarias en el mismo lugar, de modo que esas predicciones pueden ser desencadenantes directos de trabajo real en todos los equipos.
- En el ámbito del marketing, una predicción de segmentos de alta intención puede crear automáticamente tareas de campaña
- En el ámbito del equipo de ventas, los resultados de la puntuación de clientes potenciales pueden traducirse en tareas de captación priorizadas
- En el ámbito de las operaciones, las predicciones de riesgo (como la pérdida de clientes o los fallos) pueden ser desencadenantes de seguimientos o intervenciones
Cada equipo puede estructurar sus propios flujos de trabajo dentro de tareas de ClickUp, tal y como hace tu equipo de aprendizaje automático para el entrenamiento y la implementación. Es el mismo sistema, solo que con diferentes casos de uso.
Y no se limita a la ejecución. Con los paneles de ClickUp, puedes:
- Visualice información predictiva (por ejemplo, segmentos de alto riesgo frente a segmentos de bajo riesgo)
- Realiza un seguimiento del progreso de las tareas creadas a partir de esos conocimientos en los diferentes equipos
- Supervisa la carga de trabajo entre equipos
- Descubre cómo las predicciones se traducen realmente en resultados
Todo lo que tienes que hacer es elegir el widget que prefieras, ya sean gráficos de barras, gráficos circulares, gráficos de líneas o indicadores de progreso. De esta forma, tu modelo no queda confinado a una herramienta y tu ejecución no a otra; todo permanece conectado en un solo lugar.
Además, tus conocimientos no solo sirven de base para las decisiones, sino que las desencadenan, se asignan, se realizan tareas de seguimiento y, de hecho, se terminan.
💡 Consejo de experto: Puedes utilizar ClickUp Brain como tu asistente de IA integrado en todo tu entorno de trabajo de ClickUp.
No es una herramienta independiente, sino la capa de inteligencia integrada en tu entorno de trabajo de ClickUp, lo que significa que ya cuenta con el contexto de tus tareas, datos y flujos de trabajo.
Así, en lugar de limitarte a realizar el seguimiento de las tareas, cuentas con un asistente de IA que trabaja a tu lado, ayudándote a comprender lo que está sucediendo y a avanzar más rápido en lo que es pendiente a continuación.
Por ejemplo, puedes hacer una mención a Brain en un comentario de una tarea, igual que lo harías con un compañero de equipo, y preguntarle:
- «Resumir el último informe de desviaciones y destaca lo que requiere atención».
- «¿Qué ha cambiado en el rendimiento de nuestro modelo en los últimos 30 días?»
Recopilará datos de tu entorno de trabajo y te dará una respuesta clara e instantánea. También puede generar trabajo para ti. Puedes pedirle que:
- Redacta una breve actualización para las partes interesadas en la que expliques por qué se ha vuelto a implementar un modelo
- Elabora un plan de reentrenamiento basado en las recientes caídas de rendimiento
- Crea una lista de control para validar un nuevo conjunto de datos antes del entrenamiento
Dado que ClickUp ofrece un entorno de trabajo convergente, tu equipo tampoco tiene que hacer malabarismos con herramientas separadas para la comunicación y la ejecución.
Todas tus conversaciones pueden tener lugar directamente en ClickUp Chat, ya sea para debatir sobre una disminución en la precisión del modelo, revisar una alerta de desviación marcada o decidir los siguientes pasos tras una implementación fallida.
Pero lo más importante es que esas conversaciones no se quedan ahí.
Para garantizar que las conversaciones se traduzcan en acciones, utiliza la función «Asignar comentarios». En cualquier momento de una conversación, puedes asignar un mensaje a un miembro específico del equipo, convirtiéndolo al instante en un elemento claro.
Así, en lugar de que las conversaciones queden en el olvido o terminen con un «deberíamos hacer esto», se convierten en tareas que realmente se ejecutan y se realizan con seguimiento de principio a fin, todo ello dentro de ClickUp Chat.
🎥 Para comprender mejor el panorama general de las aplicaciones de IA en el ámbito de las empresas, vea esta panorámica de casos de uso reales de IA que muestran cómo las organizaciones están aplicando la inteligencia artificial en diferentes funciones y sectores. ✨
Límites del uso de IBM Watsonx para el análisis predictivo
Todas las herramientas tienen sus pros y sus contras, y Watsonx no es una excepción. Es potente, sí, pero ten en cuenta estos límites antes de confirmar tu compromiso con la plataforma:
- Curva de aprendizaje: La configuración de los espacios de implementación y los monitores de gobernanza sigue requiriendo un buen conocimiento de los conceptos de las plataformas en la nube, por lo que puede que no sea la opción más adecuada si tu equipo aún no tiene mucha experiencia con herramientas o infraestructura en la nube.
- Gestión manual de datos: la plataforma no automatiza la parte más difícil de la limpieza y estructuración de los datos sin procesar, lo que significa que su equipo aún tiene que gestionar manualmente una gran cantidad de datos antes de poder obtener resultados fiables.
- Costes de computación: Los experimentos de entrenamiento y el alojamiento de implementaciones en vivo en IBM Watsonx se facturan en función del uso, por lo que, en el caso de cargas de trabajo crecientes, los recursos en la nube pueden agotarse rápidamente a medida que se amplía la escala, lo que conlleva mayores costes.
- Integración de flujos de trabajo: Para actuar en función de las predicciones es necesario establecer una conexión con herramientas externas de gestión de proyectos
- Complejidad de la gobernanza : La configuración de los monitores de equidad y deriva implica múltiples pasos que pueden resultar pesados para los equipos más pequeños
Estas limitaciones simplemente ponen de relieve dónde deben intervenir las herramientas complementarias. Esto es especialmente cierto en la parte de la cadena de predicción dedicada a la acción.
📮 ClickUp Insight: El 88 % de los encuestados utiliza la IA para sus tareas personales, pero más del 50 % evita usarla en el trabajo. ¿Cuáles son las tres principales barreras? La falta de una integración fluida, las lagunas de conocimiento o las preocupaciones de seguridad.
Pero, ¿y si la IA estuviera integrada en tu entorno de trabajo y ya fuera segura? ClickUp Brain, el asistente de IA integrado de ClickUp, lo hace realidad. Entiende las indicaciones en lenguaje natural, resolviendo las tres preocupaciones relacionadas con la adopción de la IA, al tiempo que conecta tu chat, tus tareas, tus documentos y tus conocimientos en todo el entorno de trabajo. ¡Encuentra respuestas e información con un solo clic!
Herramientas de IA alternativas para el análisis predictivo
Watsonx no es la única opción del mercado para el modelado predictivo. Dependiendo de tu nivel técnico, es posible que otras plataformas se adapten mejor a tu entorno. La siguiente tabla las compara de un vistazo.
| Herramienta | Ideal para | Diferenciador clave |
| IBM Watsonx | Equipos empresariales que necesitan una IA regulada y auditable | AutoAI + gobernanza integrada y supervisión de desviaciones |
| Google Vertex IA | Equipos que ya están en Google Cloud | Estrecha integración con BigQuery y los servicios de GCP |
| Azure Machine Learning | Organizaciones del ecosistema de Microsoft | Conexión nativa con Power BI y Azure DevOps |
| Amazon SageMaker | Equipos nativos de AWS con recursos de ingeniería de aprendizaje automático | Amplia biblioteca de algoritmos y entorno de cuadernos flexible |
| DataRobot | Analistas de negocios que desean un ML totalmente automatizado | Automatización integral con sólidos valores predeterminados de explicabilidad |
| ClickUp Brain | Equipos que necesitan información basada en IA integrada directamente en los flujos de trabajo de sus proyectos | IA sensible al contexto que funciona en tareas, documentos y paneles sin necesidad de cambiar de herramienta |
📮 ClickUp Insight: Los cambios de contexto están mermando silenciosamente la productividad de tu equipo. Nuestra investigación muestra que el 42 % de las interrupciones en el trabajo provienen de tener que alternar entre plataformas, gestionar correos electrónicos y pasar de una reunión a otra. ¿Y si pudieras eliminar estas costosas interrupciones?
ClickUp unifica tus flujos de trabajo (y el chat) en una única plataforma optimizada. Inicia y gestiona tus tareas desde el chat, los documentos, las pizarras y mucho más, mientras que las funciones basadas en IA mantienen el contexto conectado, localizable y gestionable.
No te limites a predecir, actúa con ClickUp
El uso de IBM Watsonx para el análisis predictivo sigue un camino claro desde la preparación de datos hasta la supervisión de desviaciones, pero esa es la parte más sencilla. El verdadero trabajo consiste en asegurarse de que esas predicciones cambien realmente la forma de trabajar de tu equipo.
Las predicciones que permanecen en paneles de control que nadie consulta son simplemente un desperdicio de recursos informáticos, y los equipos que obtienen un valor real conectan los resultados de sus modelos directamente a sus flujos de trabajo de ejecución mediante alertas automatizadas y tareas reordenadas por prioridad.
Si quieres un entorno de trabajo donde la información de IA, la ejecución de proyectos y la comunicación del equipo ya convivan, empieza hoy mismo de forma gratuita con ClickUp. ✨
Preguntas frecuentes
Se trata de una plataforma de datos y IA para crear, entrenar e implementar modelos de aprendizaje automático. Los equipos la utilizan para gestionar sus data lakehouses y supervisar la gobernanza de la IA desde un único entorno en la nube.
AutoAI es una herramienta sin código que analiza automáticamente tus datos tabulares para realizar la selección de los mejores algoritmos de aprendizaje automático. Diseña funciones y clasifica los modelos candidatos en una tabla de clasificación para que puedas implementar la opción más precisa.
La plataforma requiere un conocimiento sólido de los conceptos de la nube para configurar los espacios de implementación y los monitores de gobernanza. Además, no realiza la automatización del proceso manual de limpieza y estructuración de los datos sin procesar antes de su carga.