Comparte

12/09/2018 –  4 minutos de lectura
Por M. Ahmir Malik

Transformar información en conocimiento con el fin de mejorar el proceso de tomar decisiones en una empresa mediante el uso de ciertas estrategias y herramientas, es el objetivo principal de Business Intelligence (BI).

Las soluciones tradicionales de BI hacen uso de la analítica descriptiva ofreciendo así al cliente un informe sobre el pasado. Sin embargo, esta técnica, aunque útil en algunos casos, no informa sobre los eventos del presente, y mucho menos sobre eventos que ocurrirán en el futuro.

Aunque el cliente intente tomar decisiones basándose en la descripción del pasado, dicha información no es suficiente como para alcanzar los objetivos de negocio establecidos.

Con el fin de minimizar la incertidumbre a la hora de tomar decisiones, hay que considerar otras técnicas más avanzadas. Pero ¿qué otras técnicas se pueden utilizar, que aplicadas a los datos del cliente, ayuden a éste a maximizar las probabilidades de tomar decisiones óptimas?

 

Técnicas avanzadas de análisis

La respuesta radica en utilizar técnicas matemáticas o estadísticas que describen los futuros eventos, tales como la Analítica Predictiva. A diferencia de la analítica descriptiva, la analítica predictiva permite vislumbrar los futuros eventos ofreciendo así fidedignas predicciones utilizando técnicas de Data Science.

Incluso, algunas empresas están yendo a un paso más considerando una técnica adicional a la analítica predictiva conocida como Analítica Prescriptiva. Esta técnica ofrece de forma sistemática recomendaciones sobre las acciones a seguir con el fin de alcanzar los objetivos de negocio fijados.

Especialistas del campo advierten que quizás hay que dejar de invertir tanto tiempo como dinero en analíticas no accionables. Dichos esfuerzos no importan si las consecuencias del estudio no conducen a mejores insights y decisiones que están directamente ligadas a resultados de negocio mensurables.

 

¿Cómo lo hacemos en Findasense?

En Findasense hemos considerado incorporar esta nueva solución, que ofrece al cliente indicaciones para tomar ciertas decisiones de negocio, abordando Predictive Modeling junto con Reinforcement Learning.

Es cierto que en algunos campos la predicción no es algo que se pueda asegurar con certeza, por ejemplo, describir las fluctuaciones del valor de una moneda o cualquier otro proceso puramente aleatorio. Pero, a términos prácticos surge la pregunta, ¿qué es realmente una predicción?

No se trata de describir de forma exacta un evento que esté o vaya a tener lugar. Una buena predicción consiste en describir una distribución de probabilidad para todos los posibles sucesos. De modo que, no se busca tan solo el valor medio esperado de un suceso en concreto, sino que es igual de importante considerar la incertidumbre, la varianza y valores atípicos de los sucesos a ocurrir.

Existen sistemas que inevitablemente carecen de la dinámica predictiva conocidos como sistemas caóticos. Para dichos sistemas, las predicciones a largo plazo es algo difícil, por no decir imposible. Aun así, existen sistemas dinámicos caóticos, tales como las condiciones del tiempo, donde realizar predicciones a corto plazo es posible si se realizan un número de observaciones suficientemente elevadas.

De este modo, la analítica prescriptiva puede añadir un gran valor si las predicciones se aplican a varios conjuntos de datos separados por un intervalo de tiempo relativamente pequeño.

 

Beneficios de la analítica predictiva

Algunos beneficios que ofrecen las soluciones basadas en la analítica predictiva y prescriptiva pueden ser resumidos en los siguientes puntos

  • Mejores decisiones y aumento de confianza: Si se sabe de antemano los sucesos que van a tener lugar y las consecuencia de éstos, con más confianza se tomarán las decisiones de negocio ya que la decisión tomada será la que menor riesgo presente.
  • Aumenta la competitividad: Sabiendo el comportamiento del sistema dinámico, se puede llegar a anticipar e innovar, tomando decisiones lo suficientemente rápido y mejorando así capacidad de generar mayor satisfacción de los consumidores.
  • Conocer los riesgos: La analítica predictiva describe los riesgos e incertidumbres que anteriormente (en la analítica descriptiva) estaban siendo omitidos.

Las empresas tienen que empezar a confiar en la predicción más que en la descripción, para así establecer un modelo ‘customer-centric’. Aunque los resultados inmediatos de aplicar la analítica predictiva benefician al proveedor, a largo plazo dichos resultados transformarán la organización a estar centrada en el cliente.

Autor

M. Ahmir Malik

Data Scientist & Innovation Leader en Findasense. Estudió Física en la Universidad Complutense de Madrid y actualmente desarrolla soluciones basadas en modelos matemáticos utilizando técnicas de estadística y Data Science, tales como text mining y machine learning.

Artículos Relacionados

Artículos Relacionados