20. Preguntarle a los datos en lenguaje natural

De SQL a la pregunta en palabras

En Lenguajes de programación se señalaba que SQL es la norma para consultar bases de datos y que cualquier búsqueda laboral en el área probablemente lo exija. Esa afirmación sigue siendo cierta, pero hoy convive con otra posibilidad: formular la pregunta en lenguaje natural ("¿cuánto vendimos por región el trimestre pasado?") y dejar que una herramienta la traduzca en una consulta, la ejecute y devuelva el resultado, a veces acompañado de un gráfico.

A esta tarea se la conoce como text-to-SQL y, cuando se integra en una conversación, como analítica conversacional. Promete algo muy atractivo: que cualquier persona de la organización pueda consultar los datos sin depender de alguien que sepa programar. Esa promesa es real en parte. Para entender cuál, conviene ver cómo funciona y dónde suele fallar.

Cómo funciona

En términos generales, la herramienta recibe tres cosas: la pregunta, una descripción de los datos disponibles (qué tablas existen, qué columnas tienen, cómo se relacionan) y, en el mejor de los casos, definiciones y ejemplos propios de la organización. Con eso genera una consulta, la ejecuta contra la base de datos y presenta la respuesta.

Cada uno de esos insumos condiciona el resultado. Si la descripción de las tablas es pobre (columnas con nombres crípticos, sin documentación), la herramienta deberá adivinar qué significa cada una. Si la pregunta es ambigua, elegirá una interpretación, no necesariamente la que se tenía en mente. Y si no conoce las definiciones de la organización, usará las más habituales, que pueden no coincidir.

El problema de fondo: la ambigüedad

Considérese la pregunta "¿cuántos clientes activos tenemos?". Para responderla hace falta decidir, como mínimo:

  • qué es un cliente (¿una persona, una cuenta, una empresa con varias sucursales?);
  • qué significa activo (¿compró en los últimos 30 días, en el último año, tiene una suscripción vigente?);
  • a qué momento se refiere (¿hoy, al cierre del mes pasado?).

Cada combinación produce un número distinto, y todos son técnicamente correctos. Esta no es una limitación de las herramientas de IA: es exactamente el problema planteado en Datos, unidades y variables de análisis. La definición de la unidad de análisis y de las variables precede a cualquier cálculo, y lo que cambia ahora es que esa definición, antes implícita en la cabeza de quien escribía la consulta, debe hacerse explícita para que una herramienta la use correctamente.

Dicho de otro modo: la consulta en lenguaje natural no elimina la necesidad de definir, la traslada. Quien antes escribía SQL ahora escribe definiciones.

Las definiciones como infraestructura

Por esta razón, muchas organizaciones construyen lo que se denomina una capa semántica: un lugar donde se definen, una sola vez y de manera compartida, las métricas (ventas, margen, clientes activos), las dimensiones por las que se pueden desagregar (región, producto, mes) y la forma correcta de calcularlas a partir de las tablas. Las herramientas de consulta, sean tableros tradicionales o asistentes conversacionales, toman esas definiciones en lugar de reinventarlas en cada pregunta.

Más allá de la tecnología concreta que se use, la idea de fondo es muy anterior a la IA: un diccionario de datos bien mantenido. Lo nuevo es que su ausencia se nota mucho más rápido, porque una herramienta sin definiciones responde con la misma seguridad cuando acierta que cuando inventa una interpretación.

Verificar la consulta, no solo la respuesta

Cuando la respuesta es un número, es tentador tomarlo por bueno. Algunas prácticas simples reducen el riesgo:

  • Leer la consulta generada. No hace falta escribir SQL con fluidez para revisar qué tablas se usaron, qué filtros se aplicaron y cómo se agrupó. Muchos errores (un filtro de fechas mal puesto, una unión que duplica registros) se detectan a simple vista.
  • Contrastar con totales conocidos. Si se conoce el total de ventas del año, la suma por región debería coincidir. Las tablas de frecuencias son, otra vez, una herramienta de control: las frecuencias absolutas deben sumar el total de unidades.
  • Reformular la pregunta. Preguntar lo mismo de otra manera y comparar resultados es una forma rápida de detectar interpretaciones distintas.
  • Desconfiar de lo demasiado limpio. Un resultado sin valores faltantes ni casos raros, en datos que se sabe que los tienen, sugiere que algo quedó afuera.

Cuándo conviene y cuándo no

La consulta en lenguaje natural funciona especialmente bien para preguntas exploratorias y recurrentes sobre datos bien documentados: obtener un primer panorama, responder dudas puntuales, armar rápidamente una tabla para una reunión. Funciona peor cuando la pregunta es nueva, depende de definiciones sutiles o el resultado va a sustentar una decisión importante. En esos casos, la herramienta sigue siendo útil para escribir un primer borrador de la consulta, pero la revisión de alguien que entienda los datos no es opcional.

Recapitulando

Preguntarle a los datos en palabras es una de las transformaciones más visibles de los últimos años y amplía enormemente quiénes pueden consultar información. Pero no resuelve el problema central del análisis, que es definir con precisión qué se quiere medir. Al contrario, lo pone en primer plano: cuanto más fácil es preguntar, más importante es haber definido bien de qué se habla.

Para profundizar