Big Data necesita del predictive analytics para materializar su valor en el ámbito de negocio. El análisis predictivo, cuando se lleva a cabo en las condiciones adecuadas, puede representar una fuerte ventaja competitiva para las empresas al:
Créditos fotográficos: istock Dimitrii Kotin
- Permitirles ser proactivos: un planteamiento que se adelanta a los acontecimientos y que se traduce en la reducción de costos, la mejora del servicio y el posicionamiento (o consolidación) en el mercado.
- Mejorar su comprensión de los clientes: la visión que predictive analytics provee consigue acercar al negocio al objetivo de satisfacción de la demanda, logrando que aumente la lealtad de los clientes y sus tasas de retención.
No obstante, para experimentar estos beneficios el planteamiento del análisis debe ser correcto desde el principio y ello implica desterrar algunos de conceptos erróneos comunes, en concreto dos.
Predictive analytics: un modelo a prueba de errores
La primera barrera a un despliegue de predictive analytics, el obstáculo clave para la implementación de proyectos de análisis es la disponibilidad de datos de calidad. Sin embargo, pese a que se trata de un problema serio, no es el único a superar para poder exprimir las posibilidades del predictive analytics. Lograrlo depende de evitar los siguientes fallos:
A/ Querer abarcar mucho. Es preferible comenzar con un número limitado de atributos bien seleccionados e ir avanzando en base a iteraciones, que tratar de lanzarse a la piscina desde el principio. En las fases iniciales de los proyectos de predictive analytics, la obtención de un amplio conjunto de atributos para un número razonable de puntos de datos es más importante que el contar con una visión de atributos limitada para un gran número de puntos de datos. El motivo es que trabajando del modo propuesto se logra triangular los datos mejor, pudiendo identificar las características clave que impulsan pronósticos más fiables. Para conseguirlo hay que aplicar las siguientes reglas:
- Centrarse en un conjunto limitado de los problemas de negocio. Escogiendo sólo los más prioritarios y asociándolos a casos de uso. Por ejemplo, ocuparse del descenso en la tasa de retención de clientes.
- Usar una muestra representativa de puntos de datos como punto de partida para los análisis. Por ejemplo, al modelar el comportamiento del cliente para personalizar su experiencia, es mejor considerar todos los atributos de un conjunto representativo de clientes, en lugar de un número limitado de atributos de toda la base de clientes.
- Aplicar las acciones de negocio a un conjunto limitado de casos para reducir al mínimo el riesgo y construir un circuito de retroalimentación, que servirá para afinar el modelo iterativo. Por ejemplo, personalizando la experiencia para un subconjunto de clientes en base a una oferta determinada o a un servicio post-venta más completo para, de forma iterativa, ir ampliando esta personalización a toda la base de clientes.
B/ Conformarse. Cuando se comprueba que se ha alcanzado un nivel aceptable de fiabilidad en las predicciones, muchas organizaciones dan el recorrido por finalizado. Hasta ahí llegan sus esfuerzos en predictive analytics. Actuando de esta forma se están obviando dos variables importantes:
- La necesidad de mejora continua: que obliga a seguir monitorizando y ajustando, para no perder precisión y relevancia en los indicadores seleccionados. Los modelos predictivos requieren un cuidado constante, necesitan ser actualizados, por lo que los supuestos deben ser re-evaluados a medida que cambian los factores ambientales.
- La importancia de la premura en la toma de acción: porque, si no se actúa con agilidad, el alcance de predictive analytics deja de tener sentido al desvanecerse progresivamente el propósito que lo motivó. Las ideas no tienen ningún valor para el negocio a menos que se actúe en consecuencia. Cuando lo que impide la acción es la baja tolerancia al riesgo, hay que actuar siguiendo el mismo sistema que se aplicó en el punto anterior: comenzando en pequeño (sobre los asuntos de menor riesgo o sobre una proporción menor del objetivo), para iterar rápidamente tan pronto se tenga oportunidad.
Post relacionados:
- Los 4 ejes fundamentales del análisis de ratios financieros
- 5 KPI de marketing imprescindibles en una estrategia Social Media
- Gestión empresarial: 5 fallos críticos que se pueden evitar
