¿Pero qué es People Analytics?

¿En qué consiste dicha tendencia y su enfoque?

¿Cómo poder llevar esta tendencia y enfoque a mi empresa?

People Analytics es un conjunto de técnicas que nos permiten predecir comportamientos de las personas dentro de una empresa. People Analytics hace uso de los distintos tipos de analítica: descriptiva, prescriptiva, diagnóstica y predictiva. Hace uso de la visualización de datos, ciencia estadística, matemáticas, aprendizaje automático (machine learning) y la inteligencia artificial.

Con la era del Big Data esta tendencia se ha incrementado al poder contar con mejores formas de recopilar datos dentro de una organización y poder realizar análisis más profundos del aspecto humano. También esta tendencia fue popularizada por el ganador del premio nobel de economía el Dr. Daniel Kahneman, psicólogo reconocido por sus contribuciones a la “economía conductual”, donde defiende el paradigma de trasladar a la gestión de RRHH el uso de algoritmos que ya han demostrado su efectividad en otras disciplinas, con el fin de evitar errores que las personas cometemos en la toma de decisiones.

Existen distintas formas de recopilar los datos para dicho propósito por ejemplo tarjetas de acceso o de identificación del personal, evaluaciones de clima laboral, evaluaciones de desempeño, sensores, información de capacitación brindada al personal, redes sociales, actos y condiciones inseguras del personal, encuestas de salida de empleados que dejan de laborar, sistemas de talento y sistemas de gestión de personal son fuentes de datos que pueden ser utilizadas para diseñar modelos predictivos del comportamiento.

A continuación compartiré 10 aplicaciones que han generado popularidad del People Analytics y sus beneficios dentro de una empresa, para tratar de llevarla a tu organización y poder aplicar algo de ello:

1. Una de las aplicaciones más utilizadas es para identificar talento de la organización. Qué variables son las que más impactan en el rendimiento y en la motivación del empleado. Sobre todo para actuar en consecuencia y poder identificar, retener y desarrollar al personal. Imagina saber que variables impactan la fuerza de ventas de tu empresa para un mejor rendimiento de su función. Sus motivaciones y como impulsarlas para lograr el éxito comercial.

Algoritmos o matemática utilizada; Regresión lineal multivariada, Redes neuronales.

2. En el tema de incorporación de capital humano (recruiting) se ha utilizado para encontrar a los candidatos más idóneos en cada puesto, haciendo uso del data driven recruitment qué características personales y profesionales nos dan garantía de éxito en una determinada función. El scoring CV, como herramienta para priorizar el candidato más idóneo. Esta aplicación podría robustecer a cualquier departamento de incorporación de capital humano reducción los tiempos de reclutamiento y mejorando el nivel de apego al perfil. Se sabe que un 60-80% de las salidas del personal dentro de una empresa se deben por un proceso fallido al reclutamiento.

Algoritmos o matemática utilizada; Regresión lineal multivariada, Regresión logística, redes neuronales y algoritmo de recomendación.

3. En el tema de planeación y desarrollo de recursos humanos podemos clasificar a los empleados de acuerdo a sus motivaciones positivas y/o negativas para proporcionar mentoring o coaching. Aquí se puede utilizar la línea de trabajo de recomendación de acciones. Otra opción es la predicción del abandono del empleado (fuga laboral) “attrition rate”. Predecir con tiempo la posible salida de un empleado dentro de la organización y así tomar acciones para evitarlo podría disminuir la tasa de deserción. Predicción es poder y tiene impacto económico en la organización. Un empleado que se va se traduce en perdida para el negocio.

Algoritmos o matemática utilizada; Para segmentar; algoritmo k-means, para abandono de un empleado se pudiera utilizar regresión logística, redes neuronales.

4. En el tema de lealtad pudiéramos evaluar el índice “Employee Net Promotor Score” que avisa en tiempo real el estado del empleado y así prevenir una crisis por detractores internos “grilla” o bien medir el nivel de lealtad del empleado hacia la empresa. Se sabe que hay una relación positiva de la lealtad con los resultados del negocio. O bien hacer un análisis del compromiso organizacional. Engagement analytics, podemos evaluar el nivel del compromiso organizacional dentro de la empresa. Se ha demostrado un impacto muy positivo en los resultados del negocio cuando se incrementa el nivel de compromiso. Hay un caso muy conocido de una empresa de retail que por aumentar un 0.1% de compromiso organizacional se traduce en un incremento de las ventas por 100,000 usd. Un equipo comprometido nos dará resultados extraordinarios.

Algoritmos o matemática utilizada; Para evaluar lealtad se puede usar el índice de Employee Net Promotor Score, o bien regresión multivariada, mínimos parciales cuadrados, redes neuronales. Modelo lineal general.

5. En el tema de seguridad industrial. Safety Analytics nos puede apoyar en predecir la probabilidad de ocurrencia de un accidente o incidente debido a variables de comportamiento o variables periféricas que tengan un peso relevante en el actuar de un trabajador dentro de una empresa. Imagina contar con información en tiempo real que pueda predecir una fatalidad. Nuestra labor ejecutiva es minimizar cualquier riesgo del negocio.

Algoritmos o matemática utilizada; Regresión logística, redes neuronales, Mínimos parciales cuadrados, Boosted decision Tree, reconocimiento de imágenes y video, inteligencia artificial.

6. Predicción de la inteligencia emocional de tus empleados evaluando sus likes en alguna red social como Facebook. Este mecanismo podrá ser equivalente a un test tradicional de inteligencia emocional que se utiliza en la gran mayoría de las empresas. La inteligencia emocional es igual de importante que el coeficiente intelectual. El alto desempeño requiere personas que administran de manera exitosa sus emociones.

Algoritmos o matemática utilizada; Regresión lineal multivariada, Regresión logística, redes neuronales.

7. Análisis de información no estructurada para evaluar distintos aspectos de las personas que laboran en una empresa. Se dice que un 70-80% de la información relevante de un negocio se origina de fuentes no estructuradas, principalmente texto. Dicha información tratada por métodos estadísticos y de aprendizaje automático podría proveer insights de la organización. Análisis de texto para entender los porqués de los consumidores o usuarios, tomar el pulso de mercado.

Emotion Analytics en tu empresa. Poder reconocer expresiones faciales en tiempo real al momento de hacer una prueba de concepto de producto que lleva un área de marketing o de innovación. La persona se sorprende, es feliz, se enoja.

Otro ejemplo a través de monitoreo activo, el tono de voz nos podrá dar una métrica del nivel de felicidad de un empleado dentro de una empresa, tratando de mantener a tus empleados en una zona de alto desempeño. Su lenguaje y su tono de voz podrán decirnos muchos aspectos.

Algoritmos o matemática utilizada; Datos no estructurados. Diversos métodos de aprendizaje automático, minería de datos, Inteligencia artificial.

8. Análisis del aprendizaje. Learning analytics. Con analítica se puede evaluar el nivel de competencia de un empleado para desarrollar mejora continua dentro de una organización. Con la finalidad de fortalecer la competencia en las distintas áreas de la organización.

Medir el impacto económico de un proceso de capacitación de mejora continua. La capacitación se puede traducir en beneficios económicos tangibles.

Algoritmos o matemática utilizada; Redes neuronales, análisis multivariado.

9. Predicción del alto desempeño en grupos de trabajo. (High performance) Existen técnicas de modelación para predecir el alto desempeño de un ejecutivo o de un grupo empresarial, por ejemplo el Modelo Losada Line del Dr. Marcial Losada es un modelo predictor del alto desempeño. Utiliza un modelo de dinámica no lineal. Conectividad en tus equipos para lograr alto desempeño. Promueve la dinámica de conectar capacidades personales y organizacionales con impulsos de comportamiento. Sus investigaciones sugieren un nivel de hasta 91% de predictibilidad.

Algoritmos o matemática utilizada; Dinámica no líneal ej. Fourier.

10. Diseño científico para una encuesta dentro de la empresa. Validez y Confiabilidad. Un grave problema que se enfrenta la empresa es la gran mayoría de encuestas que dentro de una organización se realizan, por lo general un gran porcentaje de ellas se encuentran mal diseñadas. Extraordinario dar validez y confiabilidad a un instrumento como la encuesta para contar con información confiable para nuestra toma de decisiones. Medir de manera correcta nos llevará a mejores decisiones y evitar sesgo.

Algoritmos o matemática utilizada; Alfa de cronbach, análisis intra-class correlation, índice de concordancia, índice de relevancia etc.

La Wharton People Analytics Conference es un evento mundial acerca de esta disciplina y ha organizado competiciones para resolver problemas de People Analytics. Vale la pena explorar sobre People Analytics finalmente quien da vida a la empresa somos las personas.

La entrada People analytics se publicó primero en Business 4.0.

Primero que nada, me gustaría compartir 2 tendencias que muy seguramente se estarán implementando en nuestras empresas.

Tendencia 1

Evaluaciones estáticas de un momento vs evaluaciones dinámicas en tiempo real, para la mejora continua de los colaboradores haciendo uso de hechos y datos.

Por citar un ejemplo, haré referencia a las tradicionales encuestas anuales de Clima Laboral o de Feedback.

Por ejemplo, en el feedback. Un esfuerzo anual ya no es suficiente en la actualidad, ese ciclo de tiempo para realizar acciones es tardío y no se ajusta a nuestro entorno tecnológico que privilegia la prontitud, la simplicidad, la efectividad y asertividad de responder ágilmente. La gran mayoría de las empresas tienen un proceso de feedback subjetivo y anecdótico, que, si bien ayudará a nuestros colaboradores, este mecanismo podría ser mejor con uso de la analítica.

El reto será tener formas más dinámicas que nos muestren el pulso del clima laboral o bien retroalimentar a nuestros colaboradores en lapsos más cortos con apoyo de evidencias, hechos y datos. Tener encuestas diarias, semanales, mensuales. Es decir, instrumentos válidos, confiables, sencillos y rápidos que nos permitan atender esos requerimientos que podrían cambiar la experiencia de los empleados será la clave y un elemento diferenciador en la propuesta de valor de cada empresa. E incluso seguir las huellas digitales de los empleados a través de datos no estructurados, habría una riqueza relevante para mejorar el desempeño y las habilidades de nuestros colaboradores impactando de manera positiva al negocio.

Un buen caso y muy conocido es la encuesta Q12 “Employee Engagement Survey” de Gallup para medir el pulso del compromiso organizacional. Es breve, válida, confiable y se identifican las oportunidades más relevantes de manera rápida para actuar en consecuencia. Este instrumento de alguna manera fue inspirador para otras herramientas que se están gestando con el uso de la tecnología en la actualidad.

A continuación, comentaré algunas empresas y casos más recientes que combinan Analytics, el Machine Learning e inteligencia artificial con científicos de datos enfocados al People Analytics para ofertar como servicio la medición del estado de ánimo (mood) con otras medidas relevantes del negocio (financieras, clientes etc)

Su medición y su gestión tendrán mayor importancia en las empresas de acuerdo al estudio “Employee mood measurement trends” por Tom Haak.

Incluso manejando el concepto comercial de Emotion as a Service. Recordemos que el Foro Económico Mundial posiciona a la Inteligencia Emocional en el top 10 de las Skills para el 2020 para enfrentar la 4ta revolución industrial.

Casos de empresas que ofertan la medición del Employee mood (estado de ánimo de los colaboradores):

Workometry

Le brinda la capacidad de medir, capturar y comprender los pensamientos, ideas y percepciones de sus empleados de la manera más precisa y práctica. Es particularmente valioso para organizaciones grandes, distribuidas globalmente con necesidades complejas, su propuesta se considera como una “Plataforma para recopilar aportaciones de los empleados, con potentes análisis de texto”

KeenCorp

Analiza las expresiones de los empleados (correo electrónico, redes sociales internas) para medir el compromiso de los empleados. Amplio análisis y reportes que incluso establece mapas de calor de la actitud de los colaboradores de la empresa. Analítica de texto avanzada.

Algo interesante que promocionan es que mide el compromiso de forma permanente y discreta, por lo que los empleados no se imponen. Su privacidad individual está totalmente garantizada.

Peakon

Plataforma para recopilar y analizar los comentarios de los empleados. Analítica de texto y voz avanzada para medir el Compromiso. (Employee Engagement)

La cual recopila automáticamente los comentarios de los empleados, los analiza y luego le devuelve la información que necesita para mejorar su negocio. En tiempo real.

Imotions

Expertos en inteligencia artificial y el aprendizaje profundo (Deep Learning) en la investigación biométrica para detectar y predecir con precisión comportamientos humanos utilizando inteligencia visual y auditiva.

Obtenga acceso a las respuestas cognitivas y emocionales de sus colaboradores en detalle para obtener una mejor comprensión de los factores que impulsan el alto desempeño.

Al combinar diferentes sensores biométricos, iMotions revela exactamente lo que una persona está mirando (Attention), si está sintiendo un sentimiento positivo o negativo (Valencia), la intensidad de ese sentimiento y su nivel de intensidad cerebral (Arousal) y las emociones que está expresando en ese punto específico en tiempo real.

Cuenta con aplicaciones en:

• Eye tracking
• Facial Expression Analysis
• EEG (Electroencephalography)
• GSR (Galvanic Skin Response). Mediciones de estrés a través de la conducción de la piel.

Affectiva

Usando el Emotion as a Service le permite analizar expresiones humanas de emoción de manera simple y rentable. Con imágenes o archivos de audio tendríamos poderosas métricas de las emociones. La emoción como servicio es altamente precisa. No se requiere configuración o integración y puede usarlo a pedido, siempre que lo necesite. Esa es la oferta de esa empresa.

La emoción como servicio se usa de múltiples maneras, imagina evaluar con tus empleados o clientes el lanzamiento de un nuevo producto o servicio.

Los investigadores de mercado lo utilizan para estudiar las expresiones faciales y vocales de la emoción en pruebas cualitativas.

Por supuesto  que los diseñadores y los gerentes de productos lo utilizan para visualizar métricas de emociones capturadas.

Hay un camino interesante en el tema de las reglas de privacidad y la legislación que requiere este nuevo paradigma. Pero ese es el reto, convivir y adaptarnos a esta nueva realidad.

Tendencia 2.-De lo individual a equipos y a redes

De acuerdo con el estudio de “Organisational Network Analysis. HR Trends for 2017” por Tom Haak. Muchos análisis de la fuerza laboral que actualmente están realizando las empresas están enfocados a los individuos, pero el análisis de redes organizacionales parece ser una promesa muy interesante, para maximizar los resultados del negocio. No es suficiente el talento individual, ya que los resultados se dan en equipo a través de redes complejas de colaboradores. Necesitamos equipos talentosos y que den resultados. El ONA por sus siglas en inglés “Organizational Network Analyses” está avanzando mucho y muy rápido. El Análisis de redes organizacionales (ONA) es el estudio de los patrones de comunicación y la ciencia del comportamiento para crear representaciones visuales de las conexiones dentro de los equipos. 

Empresas que están ofertando el análisis de redes por mencionar algunas son:

OrgMapper

Una plataforma innovadora para el Análisis de Redes Organizacionales. Está diseñado para mapear, visualizar y analizar redes de personas y las relaciones entre ellas, revelando cómo las organizaciones realmente operan en las actividades diarias.

Teamily

Es una herramienta de diagnóstico organizacional en línea que analiza y visualiza las redes humanas que utilizan sus empleados para colaborar, comunicarse e intercambiar información para realizar su trabajo diario. Produce mapas de red informativos y listas de personas influyentes clave que tienen un impacto sustancial en el rendimiento, la comunicación, el aprendizaje y la innovación. Aplica análisis de sentimiento de los equipos.

Humanyze

Con rastreadores individuales, Humanyze puede recopilar datos sobre individuos y equipos.

La capacidad de un equipo para comunicarse efectivamente es vital para su éxito. La visión tradicional de la comunicación como “de arriba a abajo” ya no es relevante para el espacio de trabajo de hoy, en su lugar, ONA le ayuda a ver cómo los equipos trabajan realmente juntos, lo que le permite ubicar a los empleados donde pueden tener el mayor impacto. 

Imagina una administración itinerante y de equipo. Provocaría incluso un cambio en la gestión de compensaciones.

Hay muchas cosas que están cambiando en la manera de trabajar, la clave será la adaptación a las nuevas formas y reglas del juego. Por supuesto el tema de las reglas de privacidad, la legislación y la ética del manejo de información será tema de debate y de acuerdos en el futuro próximo.

Estoy convencido que los algoritmos, la analítica y la tecnología usada de manera ética, racional y adecuada en la Dirección de Recursos Humanos serán medios para lograr mejores resultados en los negocios.

La entrada Tendencias de people analytics se publicó primero en Business 4.0.

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.

La entrada La analítica predictiva y su aplicación en los negocios se publicó primero en Business 4.0.