.
Las empresas llevan décadas utilizando diferentes soluciones de predicción para tomar decisiones más acertadas y minimizar el riesgo al invertir en según qué área.
Con el avance de la inteligencia artificial, disciplinas como el machine learning y el bidgata han permitido dar un impulso en las soluciones predictivas. La capacidad de análisis es mucho mayor, incluso se habla de que todas las empresas deberían conocer “lo que va a ocurrir en los próximos 6 meses”. Cuanto mayor es la capacidad analítica, menor será el GAP entre la realidad y la predicción.
Casos de uso
Las empresas deben tomar decisiones relativas a la producción, inversión, marketing, etc en base a diferentes incógnitas que caracterizan cualquier actividad económica.
Las compañías desean comprender mejor los patrones de compra de sus clientes, los riesgos que existen y las oportunidades que se presentan.
En cualquier organización, los diferentes departamentos toman decisiones en base a preguntas que previamente se formulan y son comunes en todas las empresas: ingresos, producción necesaria para abastecer la demanda y gestión del stock, gestión de los recursos humanos, costes…
Los modelos predictivos van más allá de establecer una aproximación sobre los ingresos y los costes.
Las diferentes áreas de la empresa deben ser usuarios recurrentes de este tipo de soluciones para mejorar los objetivos globales de la compañía. Los casos de uso más comunes podrían resumirse en:
- En el departamento de marketing, resulta fundamental conocer el comportamiento de los clientes, su opinión y reacción ante el producto o servicio, conocer sus gustos… En base a esta información, se podrán realizar políticas de precios, promoción y fidelización, para ofrecer el producto o servicio idóneo a cada tipo de cliente y aumentar las posibilidades de venta. Además, en el área de postventa, también juega un papel muy importante.
- En el departamento de recursos humanos, analizar diferentes variables y patrones puede ser útiles para retener talento, mejorar el rendimiento y la satisfacción de las personas…
- Producción: conocer la cantidad demandada del producto o servicio ofrecido según diferentes variables debería ser “obligatorio” para todas las empresas. Optimizar estos procesos permite reducir costes importantes no solo en el inventario, sino también en la propia gestión.
- Área financiera: en base a todas las predicciones que se realicen en ventas, producción, costes; se podrán tomar decisiones más acertadas de financiación o inversión. Actualmente, todas las empresas realizan previsiones de sus finanzas.
Estos ejemplos resultan obvios, sin embargo, aunque muchas compañías realizan predicciones, pocas tienen centralizada y fácilmente accesible la información. Obtener una foto global de los análisis predictivos de los diferentes departamentos, debe ser el objetivo de todo directivo.
Impacto del COVID-19 en el análisis predictivo
La situación que se está viviendo desde hace unos meses a nivel mundial, ha supuesto una alteración en nuestra vida cotidiana, hábitos o decisiones.
La analítica predictiva se encarga de estimar con mayor exactitud las decisiones que deben tomarse en el futuro, mediante el análisis de los datos pasados. Con la irrupción de la pandemia producida por el coronavirus, de la que no existen precedentes, se han producido deviaciones en las predicciones propuestas durante los meses anteriores a la crisis.
Este obstáculo, supone una oportunidad para mejorar la fiabilidad de los análisis predictivos y acotar los posibles desvíos, asumiendo que pueden producirse situaciones tan improbables como una pandemia que puede parar el mundo.
Durante los primeros meses de 2020, en Europa, los análisis de propensión que se realizaban, contaban con un escenario estable en el que los datos se podrían explotar para predecir comportamientos de compra, contrataciones, etc.
Sin embargo, con el avance de la pandemia, se han tenido que lanzar planes de contingencia para cambiar las acciones y estrategias planificadas en base a las predicciones realizadas durante los primeros meses del año.
Empresas de gran tamaño han tenido que modificar por completo su planificación anual. Uno de los ejemplos más claros es la compra online. Aunque el comercio online está en auge, con la llegada del COVID, su uso se ha incrementado en niveles que ningún análisis predictivo realizado a principios de año podría contemplar.
El futuro de la analítica predictiva
De la misma forma que los modelos realizados a principio de año han resultado poco útiles para los meses consiguientes, se debe tener en cuenta que los datasets históricos que se analicen en un futuro estarán sesgados.
Un ejemplo es el consumo de material sanitario (mascarillas, guantes, geles desinfectantes…). Hasta hace unos meses, estos productos no eran consumidos por la población general. Una empresa dedicada a la fabricación de este tipo de material, no podrá tener en cuenta las ventas realizadas durante la pandemia para realizar una estimación de las ventas cuando esta situación se haya solucionado con la ansiada vacuna.
Es preciso que el análisis de datos se realice teniendo en cuenta esta situación y así introducir variables que mitiguen el sesgo y obtener un resultado lo más aproximado posible.
Este ejemplo de material sanitario muestra de forma muy clara la importancia de los sesgos en el análisis predictivo.
También se puede extrapolar a multitud de sectores: energía (caída del consumo por las oficinas vacías), telecomunicaciones (alto tráfico y saturación de la red), turismo (cierre de hoteles, restricciones de movilidad…)
Los datos que se generen durante este periodo “oscuro” no serán útiles para realizar predicciones cuando se haya alcanzado la verdadera normalidad.
Aunque el ejemplo anterior resulte obvio, un porcentaje alto de las empresas que operan en España, no cuentan con los medios o el conocimiento necesario para poner en práctica estas acciones.
Proyectos de analítica predictiva: puntos clave
En el mercado existen numerosas herramientas de analítica predictiva. Todos los fabricantes de soluciones se han subido al carro de este tipo de tecnología. Sin embargo, la mayor parte de proyectos que se realizan de analítica predictiva y data science se abordan con tecnologías open source y repositorios de código libre.
Por eso, a la hora de seleccionar la herramienta idónea, se elegirá en función de las necesidades de la empresa, más que en función del gigante tecnológico que hay detrás de cada solución.
No solo se deben tener en cuenta requisitos técnicos, también es importante conocer las necesidades del usuario final, así como otras cuestiones como el alcance, la interoperabilidad, el escalado…
Por ello, según la experiencia adquirida en este ámbito, nuestros consultores recomiendan tener en cuenta los siguientes puntos clave para llevar a cabo este tipo de proyectos:
- Definición muy clara del objetivo de negocio que perseguimos y de los beneficios que vamos a obtener: aumento de ingresos, mejora de conocimiento del cliente, reducción de costes y eficiencia operativa, minimizar riesgos o detección de fraude, etc.
- El siguiente paso es identificar qué datos internos y externos nos hacen falta así como validar su disponibilidad y su calidad. Este proceso es muy delicado, ya que implica la necesidad de realizar tareas de “limpieza”, integración… El resultado de este paso, condicionará el resto de steps.
- En función de la disponibilidad de los datos, se decidirá qué tipo de analítica se va a utilizar y qué servicios, soluciones, librerías… Uno de los principales errores que se cometen en este tipo de proyectos es comenzar por este paso. Imponer un tipo de analítica sin conocer al detalle los datos disponibles o potencialmente disponibles y el objetivo de negocio. En este punto y en el anterior, se tendrán que tener en cuenta todas aquellas variables que estén sesgando los datos y por tanto los resultados del análisis predictivo (COVID-19, estacionalidad, fenómenos climatológicos extremos…)
- Aplicar un enfoque iterativo: acotar un alcance inicial que proporcione resultados visibles, que permitan tomar decisiones a corto plazo e ir evolucionando progresivamente.
Se trata de resolver una problemática de negocio, por lo que cualquier modelado sin resultados accionables, interpretables por negocio o que sirvan para soportar la toma de decisiones, no es válido.
Como se recoge en los anteriores puntos, se trata de un proceso cuyos pasos están relacionados entre sí y los resultados de cada step, condicionarán los siguientes avances.
Además, otro error común, es entender este tipo de proyectos como exclusivamente técnicos. Solo se obtendrán buenos resultados cuando la inteligencia de negocio se aplique en cada paso.
El objetivo es llevar a cabo un proyecto que permita conocer con “exactitud” las incógnitas que toda empresa se plantea. Y para ello es necesario seguir una metodología precisa y dar con la solución que mejor se adapte a la empresa.
