Torbz - Fotolia
Las herramientas de análisis predictivo apuntan a mejores acciones empresariales
El uso de herramientas de análisis predictivo permite a las organizaciones avanzar en su esfuerzo por optimizar las estrategias de negocio. Pero tiene que haber un propósito para los esfuerzos analíticos, y un plan sólido detrás de ellos.
Desde la recomendación de compras adicionales basadas en los artículos que los clientes colocan en los carros de compras en línea hasta identificar a los pacientes hospitalarios que tienen un mayor riesgo de re-admisión, el uso de herramientas y técnicas de análisis predictivo está permitiendo a las organizaciones aprovechar sus colecciones de datos para predecir los resultados futuros –si el proceso se gestiona correctamente.
La analítica predictiva se ha convertido en un tema cada vez más candente en los círculos analíticos a medida que más personas se dan cuenta de que el modelado predictivo del comportamiento del cliente y los escenarios empresariales son "la gran manera de sacar gran provecho de los datos", dijo Mike Gualtieri, analista de Forrester Research. Como resultado, los empleos analíticos predictivos están ganando impulso, de acuerdo con Gualtieri, quien dijo que entre 2012 y 2015 se vio un aumento en los niveles de adopción, de alrededor de 20% en 2012 a "el rango medio-alto-30%" en 2015.
Esto es aun relativamente bajo, lo que genera beneficios comerciales aún mayores para las organizaciones que han invertido en software de análisis predictivo. Si los competidores de una empresa no están haciendo análisis predictivo, la empresa tiene "una gran oportunidad para adelantarse", dijo Gualtieri.
Los proyectos de análisis predictivo también pueden proporcionar esos beneficios a través de diversas industrias, dijo Eric King, presidente y fundador de The Modeling Agency LLC, una firma de consultoría de análisis y servicios de formación con sede en Pittsburgh. "Todo el mundo está abrumado por los datos y se muere de hambre por la información", señaló King.
Pero eso no significa que sea solo una cuestión de implementar tecnología y permitir que los equipos analíticos jueguen con los datos. Cuando la analítica predictiva se hace bien, los beneficios empresariales pueden ser sustanciales, pero hay "algunas trampas principalmente estratégicas" a las que hay que prestar atención, dijo King. "Muchas compañías están usando la analítica para hacer análisis, y no están buscando análisis que sean mensurables, decididos, responsables y comprensibles por el liderazgo".
Los científicos de datos no lo saben todo
Un error común es poner demasiado énfasis en el papel de los científicos de datos. "Las empresas piensan que los científicos de los datos tienen que entender el negocio", dijo Gualtieri. Con eso en mente, terminan buscando analistas de datos experimentados que tengan todas las habilidades técnicas necesarias y también entiendan sus prácticas de negocio, una combinación que –advirtió– puede ser casi imposible de encontrar. "Es por eso que dicen: 'Un científico de datos es un unicornio'. Pero no tiene que funcionar de esa manera."
En cambio, recomendó, los gerentes de negocios deben ser los que caminen a través de las operaciones de gestión de la experiencia del cliente u otros procesos de negocio e identifiquen los tipos de comportamientos y tendencias que les gustaría predecir, “entonces pueden ir con los científicos de datos y preguntar si pueden predecirlas."
King estuvo de acuerdo en que las organizaciones a menudo dan a los científicos de datos demasiada responsabilidad y margen de maniobra en las aplicaciones analíticas.
"Realmente no son líderes analíticos en muchos casos", dijo, y agregó que los científicos de datos a menudo no son muy eficaces para entrevistar a las personas de la parte comercial acerca de sus necesidades, o para definir planes de proyectos analíticos. Reforzando a Gualtieri, King dijo que una variedad de otras personas, ya sean del negocio o las TI, también deben desempeñar papeles en las iniciativas de análisis predictivo. "Cuando se tiene el equilibrio correcto con su equipo, usted tendrá un proceso de análisis deliberado y próspero que producirá resultados."
Planifique con anticipación el análisis predictivo
Las empresas que también buscan aprovechar las herramientas de análisis predictivo no deben simplemente saltar a los proyectos sin un plan.
"No puedes acercarte a la analítica predictiva como se hace con muchos otros proyectos de TI", dijo King. Es importante, aconsejó, pensar estratégicamente sobre una implementación inicial, trazando un proceso formal que comienza con una evaluación integral de las necesidades analíticas y de los recursos y habilidades internas. "Ahí es donde estamos viendo no sólo una mayor adopción de análisis predictivo, sino resultados mucho mayores", dijo.
Además, las empresas necesitan entender los datos que tienen a su disposición y hacer que sean fácilmente accesibles para el análisis, lo cual no es "una tarea pequeña", según Gualtieri. Sin una estrategia eficaz de gestión de datos, los esfuerzos de análisis pueden llegar a detenerse: "Los científicos de datos informan constantemente que un gran porcentaje de su tiempo se gasta en la etapa de preparación de datos", dijo. "Si no pueden reunir esos datos en forma efectiva o se necesita demasiado tiempo, se pierde la oportunidad".
Otro error que algunas empresas cometen es recurrir a trabajadores sin experiencia para hacer el trabajo, dijo Karl Rexer, presidente de la consultora Rexer Analytics en Winchester, Massachusetts.
"El análisis predictivo requiere conocimientos de estadísticas, tamaños de muestra, regresión y otros tipos de herramientas y técnicas de análisis que no se encuentran comúnmente con el personal actual que tienen las empresas", dijo. Si la contratación de trabajadores con experiencia no es una opción, sugirió la tercerización de programas piloto iniciales a expertos externos que pueden ayudar a producir algunos éxitos tempranos, mientras que también trabajan para transferir las habilidades necesarias a los empleados existentes.
Una vez que ya se cuenta con estas habilidades y los proyectos están en marcha, dijo Rexer, una clave para obtener buenos resultados de las técnicas de análisis predictivo se centra en una iniciativa empresarial a la vez –por ejemplo, la retención de clientes o conseguir que los compradores en línea agreguen más artículos a sus carros. En algunos casos, las compañías piensan que "pueden tomar todos los datos, lanzarlos en [modelos predictivos] y como por arte de magia saldrán las conclusiones", dijo. "La analítica predictiva puede ser muy útil, pero no es mágica. Tiene que estar bien enfocada".
Sobre el autor: Corlyn Voorhees trabajó en TechTarget como asistente editorial de SearchBusinessAnalytics y SearchDataManagement. Posteriormente colaboró para el Boston Globe, y actualmente colabora para Woof Magazine, Worcester Mag y BDN Maine Focus.
