La analítica es un tema de moda en los negocios, la transformación digital ha generado mucha expectativa pero muchas empresas no logran implementar toda la gama de analítica que existe. Analizar la gran cantidad de información que se produce diariamente no es una labor sencilla. De hecho, se estima que en la actualidad, por diversas causas, se estudia y se aprovecha menos del 0.5% de la información generada. Imagínate el valor que dejamos de evaluar en nuestras empresas. También es cierto que no tenemos que analizar toda la información generada. El tema no es de “Big Data”, el tema es de “Smart Data” es decir tenemos que seleccionar de manera cuidadosa la data que utilizaremos para nuestra compañía y el tipo de analítica requerida para cumplir con el objetivo de negocio planteado.
Para entender un poco más de la analítica y su taxonomía, daremos un breve repaso y reflexión a conceptos base. Lo anterior tratando de promover su uso en las empresas.
Existen 4 tipos de analítica que se pueden desarrollar dentro de una empresa: la descriptiva, la diagnóstica, la prescriptiva y la predictiva.
La analítica descriptiva tiene como objetivo describir un aspecto del negocio, usa datos y estadística descriptiva para entender el pasado y presente. Su enfoque es muy visual y todos los empleados la entienden. Típicamente se refleja en los dashboards. La pregunta a responder es: ¿Qué sucede?
La analítica diagnóstica tiene como objetivo encontrar la causa de un efecto, usa datos y estadística descriptiva e inferencial, su enfoque es técnico y su orientación es a la acción. Típicamente se refleja en proyectos de solución de problemas. La pregunta a responder es: ¿Por qué sucede?
La analítica prescriptiva usa datos para lograr optimización de una variable. Se centra en informar acerca de lo que debería suceder buscando mejorar el resultado esperado. Usa datos, la simulación, la estadística inferencial, matemáticas e investigación de operaciones, su enfoque es muy técnico y su orientación es a la acción. Típicamente se refleja en proyectos de optimización y/o simulación. La pregunta a responder es: ¿Qué deberíamos hacer?
En la mayoría de los negocios es común ver trabajar la analítica descriptiva y la analítica diagnóstica. Algunas empresas de clase mundial trabajan además la analítica prescriptiva, optimizando y simulando.
Pero la analítica predictiva es un campo que vale la pena explorar. Es poco utilizada en las empresas. La pregunta a responder es ¿Podría suceder?
Por supuesto que manejar los 4 tipos de analítica nos daría una ventaja competitiva. Tener muy claro lo qué sucede, por qué sucede, qué deberíamos hacer y por qué podría suceder, sería fantástico. Todo un reto lograrlo, pero debería ser nuestro ideal de negocio o al menos como parte de nuestra estrategia.
Este artículo trata de explorar la analítica predictiva. Animando a los ejecutivos a considerarla dentro de sus estrategias corporativas.
La analítica predictiva es un proceso que permite extraer conclusiones confiables sobre eventos futuros, a través de una variedad de técnicas estadísticas de modelado, aprendizaje automático y minería de datos que analizan los hechos históricos y actuales para predecir eventos, tendencias y patrones de comportamiento. La Industria 4.0 presenta una gran cantidad de proyectos que requieren su uso para maximizar el éxito de los negocios. Las megatendencias tecnológicas demuestran que predecir es poder y a diferencia de las prácticas tradicionales de inteligencia de negocios, que presentan una naturaleza más retrospectiva, el enfoque del análisis predictivo se centra en ayudar a las empresas a desarrollar inteligencia procesable que permita generar una ventaja competitiva para construir el futuro que se desea lograr.
Algunos casos que podemos citar podrían ser los siguientes, predecir el abandono de un empleado en una empresa, de un estudiante en una universidad, de un cliente, predicción de la ocurrencia de un incidente o accidente en una planta de manufactura, mantenimiento predictivo en un equipo y su predicción de falla, predicción de rechazos y/o reprocesos en una planta de manufactura, predicción de la demanda en una empresa, del desempeño del empleado y/o de la fuerza comercial de una empresa, predicción de fraude en una institución financiera, del comportamiento de compra o analítica predictiva en marketing, evaluación de riesgo en el negocio, selección de personal basado en análisis predictivo, sistema de recomendaciones en sitios de internet, predecir la felicidad de un empleado, el engagement, en sector salud se usa para predecir la existencia de un tumor o de enfermedades por mencionar algunos ejemplos son casos reales y probados en distintas instituciones.
Un excelente libro que recomiendo para entender este tipo de analítica para cualquier ejecutivo es “Predictive Analytics: the power to who will click, buy, lie or die” de Eric Siegel. Excelente libro para comprender el alcance, sus beneficios y casos de aplicación en diferentes sectores.
Todos los directores generales, vicepresidentes, directores de marketing, directores de producto, gerentes de finanzas, gerentes de operaciones, de calidad y ejecutivos involucrados en toma de decisiones se podrían beneficiar de la analítica predictiva.
Pero como podríamos empezar a trabajar este tipo de analítica en la empresa. Aquí les dejo una serie de recomendaciones para promover su uso:
1. Informarnos de este tipo de analítica en los distintos medios, en las redes, en libros, en diplomados, en revistas, en artículos de divulgación científica, en revistas científicas, en comunidades de colegas, en programas de maestría, etc.
2. Introducir en la empresa a personal con la competencia (conocimientos, habilidades, experiencia y educación) de los 4 distintos tipos de analítica. Digital Literacy para la transformación digital rápida y efectiva. Data Literacy para leer, entender, crear y comunicar todo tipo de datos. Involucrar al área de capital humano es clave en este punto.
Para ciertos negocios las calificaciones académicas pueden ser más importantes de lo que imaginamos. Según Burtch Works, 2015, “es muy raro que alguien sin grado tenga las habilidades técnicas necesarias para ser un científico de datos”. Se determinó que el 88% de los científicos de datos tienen un grado de maestría y 46% tienen un doctorado.
3. Definir la estrategia de datos de la empresa. Sin estrategia no podremos lograr grandes resultados. Data Governance. Políticas para uso de datos: precisión, accesibilidad, consistencia y actualización de los datos. Áreas de TI, planeación estratégica y/o inteligencia de negocios podrían ser claves en este punto.
4. Definir proyectos, alineados a los objetivos y a la estrategia de datos de la empresa, relevantes y a través de una metodología. Ejemplo CRISP-DM. “Cross Industry Standard Process for Data Mining”, el cual es un modelo de proceso de minería de datos que describe los enfoques comunes que utilizan los expertos en Data Mining, se compone de varias fases: Comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue.
O bien la metodología SEMMA (Sample, Explore, Modify, Model, and Assess). Ambas especifican las tareas a realizar en cada fase descrita por el proceso, asignando tareas concretas y definiendo lo que es deseable obtener tras cada fase.
Como dato interesante, en encuestas realizadas en KDNuggets en 2002, 2004, 2007 y 2014 se comprobó que CRISP-DM era la principal metodología utilizada, 4 veces más que SEMMA.
Incluso existen otras metodologías. Se sugiere contar con alguna de ellas. De preferencia que se trabaje en equipos multidisciplinarios. El entendimiento del negocio es un factor clave en todas las metodologías y por supuesto el involucramiento de la alta administración.
5. Dar uso a la tecnología. No se trata de tener el software de moda, se trata de maximizar su aplicación; e incluso existe mucho software de código abierto, que se puede utilizar para este propósito. Involucrar con detalle al área de TI para este propósito, no tiene que ser software complejo, incluso hay software que no requiere de experiencia en programación.
6. Explicar los resultados con un enfoque práctico, que todo participante en la organización lo pueda entender, si es fácil de explicar e incluso usar tendrá mayor relevancia y su despliegue será más fácil. Lo anterior es para generar masa crítica en su aplicación. Un ejemplo podría ser el Data Storytelling. La Narración de Datos a menudo es un ejercicio iterativo de análisis de datos desde diferentes ángulos, experimentando, explorando implicaciones y probando teorías alternativas. Dar vida a tu historia con datos.
7. Documentar los proyectos para lograr su estandarización en toda la organización. La documentación es clave, administrar el capital intelectual podrá dar beneficios para replicar y lograr mayor aprendizaje organizacional.
8. Realizar benchmarking en otras empresas sobre su uso, foros, conferencias, grupos de participación en el tema. Ver ejemplos en otras empresas nos permite visualizar su aplicación práctica.
9. Vincular la empresa con universidades, centros de investigación. En la vinculación se puede encontrar una riqueza de ideas, creatividad e innovación. Entender que no sabemos de todo. Hay especialistas que nos pueden ayudar.
10. Eventos de Open Innovation (Innovación abierta) que permitan resolver “Retos de Analítica”, haciendo participar a la comunidad en el mundo, y que puedan resolver aspectos que durante años no se habían logrado manera interna.
Como se darán cuenta podemos ir poniendo en práctica este tipo de analítica. Los primeros experimentos, algoritmos, pueden resultar con bajos niveles predictivos, lo anterior irá mejorando con la práctica, con el empeño y con la estrategia de datos. Mucho éxito y espero que tu siguiente proyecto empresarial sea enfocado a la analítica predictiva y compartir tu caso a la comunidad.
