Reproducimos por su interés un post en el blog de Alteryx.com
Cada empresa se asienta sobre una pila de texto sin categorizar: colas de tickets, términos de contratos, comentarios de encuestas y transcripciones de llamadas, por nombrar algunos. Leer esto a mano no supera unas pocas cientos de filas, y un filtro por palabra clave pierde el ticket que dice que las matemáticas de la factura parecen incorrectas en lugar de «error de facturación».
Una cola de soporte que se duplica en un trimestre fuerza la pregunta. Un director pide un desglose por causa raíz, como confusión de facturación, retrasos en el envío o un error de integración que sigue apareciendo bajo diferentes descripciones. Esas categorías solo existen como frases enterradas en el cuerpo de los tickets, por lo que alguien tiene que leer suficientes para encontrar las categorías antes de que se pueda empezar a contar.
Ese trabajo tiene un nombre: análisis de texto. Hay tres formas reales de hacerlo:
1. Escribir código personalizado
2. Comprar una herramienta dedicada
3. Añadir minería de texto a la plataforma de flujo de trabajo que ya gestiona todo lo demás
Las apuestas son mayores que una sola cola de soporte. Las fuentes no estructuradas como estas representan entre el 70% y el 90% de los datos que poseen las organizaciones, según analistas de Gartner en el *Data & Analytics Summit en Londres* de este año. La mayor parte de lo que una empresa sabe sobre sus clientes, contratos y operaciones reside exactamente en este tipo de texto libre.
## La decisión de construir, comprar o integrar
Cada camino tiene sus pros y sus contras a considerar:
* **Construirlo.** Entregar el problema a un científico de datos, o convertirse en uno temporalmente, y escribir código contra una biblioteca de PNL de código abierto. Es flexible y adaptado a los datos en cuestión, hasta que la persona que lo escribió se muda a otro equipo y el modelo se convierte en un archivo que nadie puede tocar de forma segura. Este camino también asume que hay un científico de datos disponible para entregarle el problema, lo cual es una suposición mayor de lo que parece. En el *Informe sobre el Futuro del Empleo de 2025* del Foro Económico Mundial, el 63% de los empleadores mencionaron las brechas de habilidades como la mayor barrera para obtener más valor de sus inversiones en datos e IA. Una contratación especializada en PNL es a menudo el cuello de botella por el que un equipo se queda esperando.
* **Comprar una solución puntual.** Obtener la licencia de una herramienta dedicada de análisis de sentimiento o texto. Funciona bien para el caso de uso para el que fue construida, pero vive fuera del resto del flujo de trabajo analítico. La salida categorizada debe exportarse, volver a unirse y volver a explicarse a quien sea el propietario del informe en el futuro, un salto manual que se reconstruye en cada ciclo.
* **Integrarlo.** Ejecutar la minería de texto como un paso dentro de la misma plataforma que ya gestiona la combinación, las uniones y los informes, de modo que una puntuación de sentimiento o una etiqueta de tema se convierte en una columna más que alimenta el mismo informe que todo lo demás.
Todas las opciones conllevan compensaciones, y la evidencia sobre el camino de la construcción es particularmente desalentadora. Un estudio ampliamente difundido y afiliado al MIT sobre la implementación de IA empresarial encontró que solo una pequeña parte de las herramientas de IA empresariales construidas a medida llegan a la producción, en gran parte porque están diseñadas para impresionar en una demostración en lugar de para seguir funcionando sin supervisión dentro de un flujo de trabajo que absorbe la rotación de personal.
## Prueba el enfoque con cinco criterios
Antes de comparar plataformas, ayuda ser explícito sobre cómo se ve lo «bueno», independientemente del camino que tome un equipo:
1. **Precisión en el lenguaje que usa tu equipo:** La taquigrafía interna, la jerga de la industria y los errores tipográficos se comportan de manera diferente al texto de revisión limpio que la mayoría de las demostraciones de productos utilizan.
2. **Repetibilidad sin una solicitud permanente al equipo de datos:** El lote de tickets, comentarios o contratos del próximo trimestre necesita un tratamiento consistente y programado sin reabrir un proyecto.
3. **Un rastro de auditoría:** Alguien eventualmente preguntará cómo se asignó una puntuación de sentimiento o una etiqueta de tema. «Un modelo que alguien construyó hace dos años» no es una respuesta con la que TI o cumplimiento puedan trabajar.
4. **Integración con el resto del flujo de trabajo analítico:** Una etiqueta de categoría que vive en una exportación separada está a una tarea manual de distancia del informe que se supone que debe alimentar.
5. **Un coste y un nivel que coincidan con la forma en que el equipo ya compra software:** Una herramienta puntual especializada es otro elemento de línea, otro proveedor y otro inicio de sesión que debe aprovisionarse y desaprovisionarse para su manejo.
## Comparando los tres enfoques con esos criterios
Los tres enfoques intercambian capacidad por control en diferentes lugares.
| | Construido a medida (Python/ciencia de datos) | Herramienta de análisis de texto independiente | Minería de texto integrada en una plataforma de análisis |
| — | — | — | — |
| Habilidad requerida para empezar | Experiencia en ciencia de datos/ML | Mínima — principalmente configuración | Nivel de analista, no se requiere codificación |
| Tiempo para un primer resultado utilizable | Semanas a meses | Días | Horas a días |
| Repetible el próximo trimestre | Solo si el propietario del modelo sigue presente y lo mantiene | Sí, siempre y cuando la suscripción permanezca activa | Sí, se ejecuta como un paso de flujo de trabajo programado |
| Rastro de auditoría | Depende totalmente de la propia documentación del desarrollador | Gestionado por el proveedor, a menudo exportable | Misma gobernanza que el resto del flujo de trabajo |
| Modelo de costes | Coste de construcción único, más mantenimiento continuo | Suscripción recurrente por asiento o por volumen | Incluido en una licencia de plataforma existente, depende del nivel |
| Dónde tiende a fallar | Cuando el desarrollador se va o las prioridades cambian | Cuando la salida tiene que volver a unirse manualmente al resto del análisis | Cuando el idioma o caso de uso requerido excede el alcance actual de la herramienta |
La tabla señala un único factor decisivo: qué enfoque sigue funcionando sin supervisión, después de que la persona que lo configuró haya pasado a otra cosa.
## Dentro de una cola de tickets de soporte: preprocesamiento, análisis de sentimiento y detección de temas
Imagina al equipo de soporte del ejemplo inicial, ahora tratando de resolver un atraso de texto de tickets de formato libre sin añadir personal. Un enfoque integrado en el flujo de trabajo divide el problema en pasos que un analista puede construir y volver a ejecutar sin ayuda:
Primero, el texto de los tickets sin procesar se tokeniza y limpia utilizando un paso de **Text Pre-processing** que elimina palabras de relleno y estandariza el formato. Un detalle que vale la pena saber es que la documentación del producto para esta herramienta advierte específicamente contra su ejecución inmediatamente antes de la puntuación de sentimiento, ya que el paso de limpieza elimina algunas de las palabras exactas en las que un modelo de sentimiento se basa para detectar el tono. Las dos herramientas resuelven problemas diferentes y, en este caso, funcionan mejor separadas.
El análisis de sentimiento se ejecuta sobre el texto de los tickets sin procesar, utilizando **Sentiment Analysis** para marcar qué tickets se leen como frustrados en lugar de meramente descriptivos, útil para el triaje, con la honesta advertencia de que la herramienta actualmente solo analiza texto en inglés.
Mientras tanto, **Zero-shot Text Classification** clasifica los tickets en categorías que el analista define sobre la marcha — confusión de facturación, retraso en el envío, el error de integración recurrente — sin necesidad de recopilar y etiquetar primero un conjunto de entrenamiento. Ese es el detalle que más importa para un analista sénior sin un equipo de ciencia de datos dedicado. No hay un paso de entrenamiento de modelo que se interponga entre la pregunta y la respuesta.
Un pase de **Topic Modeling** sobre el mismo lote detecta algo que las categorías predefinidas no pueden: grupos de lenguaje que nadie pensó en nombrar aún, incluida la queja que no ha llegado a la lista de nadie.
Con un enfoque integrado dentro de **Alteryx One Designer**, las herramientas de minería de texto se ejecutan como parte de **Alteryx Intelligence Suite**, ya que cada paso anterior produce una nueva columna que se sienta junto al resto de los datos del ticket, lista para alimentar el mismo informe que ya rastrea el volumen y el tiempo de resolución. No hay exportación, ni reajuste manual, ni un entregable separado que recordar actualizar.
## Dónde el enfoque se queda corto
Alguien menciona que un tercio de la bandeja de entrada de soporte proviene del sitio alemán. La frase «solo analiza texto en inglés», fácil de pasar por alto en la documentación de una herramienta, ahora establece el alcance real de lo que cubre esta implementación este trimestre. En Alteryx, **Text Pre-processing**, **Text Classification** y **Topic Modeling** se extienden al francés, alemán, italiano, portugués y español.
Un equipo en esta situación tiene tres opciones reales: cubrir la categorización y los temas en todas partes y el sentimiento solo donde se aplique el inglés, posponer la cola alemana para una fase posterior o encaminar el análisis de sentimiento para ese idioma a través de un proceso completamente diferente. Cada una es una compensación viable, del tipo que surge una vez que una implementación toca datos reales en lugar de una demostración.
Un equipo que pide algo completamente diferente —un modelo ajustado con millones de documentos internos para tomar una decisión estrecha y de alto riesgo— está resolviendo un problema diferente al que cubre esto. Ninguna cantidad de herramientas de flujo de trabajo sustituye un esfuerzo dedicado de aprendizaje automático cuando esa es genuinamente la petición. La mayoría de las colas de tickets, las carpetas de contratos y las exportaciones de encuestas son problemas recurrentes de escala moderada que aparecen cada trimestre y necesitan un tratamiento consistente.
## Empieza esta semana, no el próximo trimestre
Descarga la exportación real de tickets de la semana pasada, ejecútala a través de los pasos anteriores y comprueba cómo se ven las categorías para el viernes, antes de que el atraso del próximo trimestre tome la decisión por ti. Inicia una prueba gratuita de 30 días de **Alteryx One** para probarlo con tu propia cola.
###### Etiquetas
* Estrategia Analítica
* BI/Analytics/Data Science
* Análisis de Datos
* Líder de Análisis
* Líder de Negocio
* Líder de TI