Analítica prescriptiva (análisis prescriptivo)

¿Qué es la analítica prescriptiva?

El análisis prescriptivo es un tipo de análisis de datos que proporciona orientación sobre lo que debería suceder a continuación. La analítica prescriptiva está relacionada con la analítica descriptiva, diagnóstica y predictiva. El análisis descriptivo tiene como objetivo proporcionar información sobre lo sucedido; el análisis de diagnóstico identifica por qué sucedió; y el análisis predictivo ayuda a modelar y pronosticar lo que podría suceder. Dados los parámetros conocidos, el análisis prescriptivo ayuda a los usuarios a determinar la mejor solución o resultado entre varias posibilidades.

En un nivel alto, el análisis prescriptivo pone en práctica conocimientos de otros tipos de análisis mediante el uso de herramientas comerciales como motores de recomendación, modelos de precios dinámicos, motores de aprobación de préstamos y programación de reparaciones de máquinas. Es el soporte de los sistemas de gestión de reglas comerciales.

De hecho, es posible que los usuarios empresariales no sepan que están utilizando la capacidad de análisis prescriptivo, ya que probablemente estén más preocupados por el resultado que por la técnica de análisis específica. El campo del análisis prescriptivo está ganando popularidad a medida que sus técnicas principales se han convertido en parte de los flujos de trabajo de ciencia de datos y aprendizaje automático.

¿Cómo funciona el análisis prescriptivo?    

El análisis prescriptivo abarca una serie de capacidades. Podría ser tan simple como tomar una decisión de sí o no, sugerir niveles de inventario, ajustar precios o automatizar las operaciones bursátiles en función de las condiciones del mercado.

En escenarios más complejos, el análisis prescriptivo también puede sugerir opciones de decisión para aprovechar una oportunidad futura o mitigar un riesgo futuro e ilustrar las implicaciones de cada opción de decisión. Uno de los objetivos del desarrollo del análisis predictivo es procesar de forma continua y automática nuevos datos para mejorar la precisión de las predicciones y proporcionar mejores opciones de decisión.

Los modelos de análisis prescriptivo más sofisticados están habilitados por motores de procesamiento de flujo, que analizan decisiones potenciales, las interacciones entre decisiones, las influencias que influyen en estas decisiones y el impacto de todo lo anterior en un resultado para, en última instancia, prescribir un curso de acción óptimo en tiempo real.

Los equipos desarrollan aplicaciones de análisis prescriptivo utilizando procesos y herramientas de desarrollo de ciencia de datos estándar. Esto comienza especificando los requisitos, identificando fuentes de datos relevantes, organizando los datos, desarrollando el modelo e implementándolo en producción.

Esta última parte, relacionada con la implementación del modelo en producción, es una de las más desafiantes y en la que el análisis prescriptivo se diferencia de otros tipos de análisis en un par de formas. En primer lugar, el motor de análisis prescriptivo a menudo toma directamente una decisión en lugar de presentar un análisis o predicción, por lo que lo que está en juego puede ser mayor si la decisión es incorrecta. En segundo lugar, el análisis prescriptivo operacionaliza las decisiones, introduciendo requisitos de latencia más estrictos en el procesamiento de datos.

El análisis prescriptivo aprovecha los datos estructurados, no estructurados o mixtos. Los ingenieros y científicos de datos, ya sea en una empresa o trabajando para proveedores para desarrollar productos de análisis prescriptivo, deben considerar los mejores tipos de datos y la forma más adecuada de estructurarlos. Por ejemplo, un motor de recomendación de productos puede incorporar todas las transacciones de los clientes en una base de datos gráfica para identificar productos comprados por clientes similares.

¿Cuáles son los beneficios y desafíos del análisis prescriptivo?

El análisis prescriptivo no es infalible. Está sujeto a las mismas distorsiones que pueden alterar el análisis descriptivo y el análisis predictivo, incluidas las limitaciones de datos y fuerzas externas no contabilizadas. La eficacia del análisis prescriptivo también depende de qué tan bien el modelo de decisión capture el impacto de las decisiones que se analizan. Estos son algunos de los principales beneficios y desafíos del análisis prescriptivo.

Beneficios

• Automatiza la toma de decisiones, reduciendo el trabajo manual.
• Acelera los procesos de aprobación complejos, lo que permite una obtención de valor más rápida.
• Permite una respuesta más rápida a las condiciones cambiantes del mercado, por ejemplo, automatizando las operaciones bursátiles más rápido que los humanos.
• Mejora la resiliencia ante circunstancias que cambian rápidamente, ayudando a las empresas, por ejemplo, a superar las interrupciones de la cadena de suministro.
• Pone en práctica conocimientos de análisis predictivos, aumentando el valor de los análisis existentes.

Desafíos

• El impacto de las malas decisiones aumenta más rápidamente con el análisis prescriptivo. Un ejemplo es una caída del mercado de valores resultante del comercio automatizado.
• Debido a los estrictos requisitos de ingeniería de datos del análisis prescriptivo, es posible que algunas aplicaciones no sean viables para utilizar este tipo de análisis. Por ejemplo, una aplicación de pago que utilice análisis prescriptivos podría hacer que los clientes esperen demasiado.
• El sesgo puede incorporarse accidental o intencionalmente a los modelos analíticos y se perpetúa mediante la automatización.
• La explicabilidad, o la capacidad de explicar cómo funciona el modelo, puede resultar difícil de alcanzar en los modelos de análisis prescriptivo, lo que pone a las empresas en riesgo de incumplimiento de regulaciones como el RGPD.
• Los modelos prescriptivos requieren infraestructura de desempeño y procesos para un seguimiento y ajuste continuos.
• Los usuarios deben monitorear los modelos para detectar consecuencias no deseadas. Por ejemplo, un algoritmo de análisis prescriptivo en un algoritmo de redes sociales podría promover contenido que se comparta más ampliamente. En algunos casos, el contenido viral está impulsado por el odio, por lo que los desarrolladores deberían considerar formas de mitigar esta consecuencia no deseada.

Ejemplos y usos de la analítica prescriptiva

El análisis prescriptivo es el más sofisticado de los distintos tipos de análisis de datos y requiere procesos de datos maduros para su implementación. "Es la próxima frontera del análisis utilizado en el apoyo a la toma de decisiones para proporcionar opciones de decisión, resultados de cada opción y riesgo asociado utilizando técnicas de modelado descriptivo y predictivo", dijo Terri Sage, directora de tecnología de 1010data, un proveedor de inteligencia analítica para el mercados financieros, minoristas y de consumo.

El análisis prescriptivo debe ser adaptable para permitir cambios en la economía, los entornos y la dinámica de los negocios. Algunas de las disciplinas científicas asociadas con el análisis prescriptivo incluyen el aprendizaje automático y el procesamiento del lenguaje natural y uno o más de los otros tipos de análisis.

Por ejemplo, el valor de vida del cliente es un cálculo que utiliza análisis descriptivos para calcular un valor para cada cliente. El análisis permite a las empresas encontrar otros clientes de alto valor en función de su similitud con los clientes de alto valor existentes. Luego, los especialistas en marketing y minoristas pueden utilizar el análisis predictivo para predecir cuándo los clientes volverán a comprar, o el tiempo hasta la compra, a través de varios enfoques de modelado iterativo. Luego, el análisis prescriptivo proporciona las decisiones y el impacto mediante el cual influir en la ruta y el momento de compra de un cliente.

Otros ejemplos de análisis prescriptivo incluyen los siguientes:

• Una empresa de viajes compartidos introduce un aumento de precios para incentivar a más conductores a actuar durante los momentos de máxima demanda.
• Un motor de programación de mantenimiento optimiza la reparación de la máquina en respuesta a un motor de mantenimiento predictivo que estima el costo del tiempo de inactividad, el costo de las fallas, las cargas de producción, la disponibilidad de los técnicos y el estado de mantenimiento de otras máquinas.
• Un motor de recomendación de productos sugiere otros productos basándose en el historial de compras anteriores y las compras de clientes similares.
• Un motor de aprobación de préstamos automatiza el proceso de aprobación según los ingresos, el puntaje crediticio y la profesión.
• Una aplicación de gestión de fraude decide si aprueba una transacción en función del historial de transacciones, la ubicación, el monto y el tipo de transacción.
• Una aplicación de gestión de seguridad basada en IA busca actividad anormal y bloquea transacciones sospechosas.

Herramientas de análisis prescriptivo

Los avances en la velocidad de la computación y el desarrollo de complejos algoritmos matemáticos aplicados a los conjuntos de datos han hecho posible el análisis prescriptivo. Las técnicas específicas utilizadas en el análisis prescriptivo incluyen optimización, simulación, teoría de juegos y métodos de análisis de decisiones.

Las herramientas de ciencia de datos y aprendizaje automático forman la base de una práctica de análisis prescriptivo. Estas herramientas pueden ayudar a automatizar el proceso de creación de los modelos necesarios para el análisis prescriptivo. Las empresas pueden ampliar estas capacidades a una base más amplia de usuarios a través de nuevas herramientas diseñadas específicamente para el análisis ciudadano.

La gestión y el procesamiento de datos también pueden mejorar el análisis prescriptivo a escala. Las aplicaciones de procesamiento y análisis de flujos simplifican las tareas de ingeniería de datos para la ingesta de datos para respaldar una recomendación o decisión particular. Las bases de datos gráficas, las estructuras de datos y las herramientas de esquemas de datos pueden simplificar la tarea de la ciencia de datos para asignar datos existentes a nuevos casos de uso.

Las herramientas de procesos de negocio pueden ayudar a poner en práctica conocimientos analíticos prescriptivos. Los sistemas de gestión de reglas comerciales pueden proporcionar los marcos subyacentes para conectar múltiples modelos prescriptivos. Las herramientas inteligentes de automatización de procesos pueden conectar los puntos entre las decisiones automatizadas y las herramientas robóticas de automatización de procesos.

El futuro de la analítica prescriptiva

El futuro del análisis prescriptivo estará impulsado por la explosión del big data, nuevos enfoques de modelado y mejores técnicas de inteligencia artificial. Los obstáculos para la adopción incluirán nuevas reacciones regulatorias y populares con respecto a la privacidad; Los riesgos asociados con el sesgo, la discriminación y las consecuencias no deseadas también afectarán las aplicaciones de análisis prescriptivo.

El aumento de big data abre la posibilidad de extraer una gama y un tipo de datos mucho más amplios para mejorar la toma de decisiones. Por ejemplo, algunas empresas están considerando enfoques para la aprobación de préstamos para personas que carecen de puntajes crediticios tradicionales utilizando datos de las redes sociales y otras fuentes de datos de terceros. Los catálogos de datos empresariales y las nuevas técnicas de manipulación de datos facilitan el descubrimiento y la puesta en práctica de nuevos patrones a escala.

Las preocupaciones sobre la sostenibilidad están impulsando la colaboración en materia de taxonomías y mejores prácticas para medir el impacto ambiental, social y de gobernanza de las decisiones empresariales. Los proveedores están empezando a ofrecer servicios para medir la huella de carbono de la cadena de suministro, relacionar imágenes satelitales con decisiones comerciales y detectar fugas de datos y violaciones de privacidad.

Los nuevos enfoques de modelado están permitiendo a los equipos implementar decisiones más precisas. Por ejemplo, los motores de física pueden mejorar el mantenimiento predictivo y prescriptivo mejorando los modelos de IA. Los gemelos digitales pueden ayudar a mejorar el contexto de decisiones complejas entre múltiples partes interesadas. Las mejoras en las técnicas de procesamiento del lenguaje natural de la IA pueden conectar los puntos entre los informes de noticias y su probable impacto en las operaciones comerciales.