No es ningún secreto que el análisis predictivo también puede fallar. Un buen ejemplo de ello fue recordado hace no mucho por Anthony Hilton quien, en un artículo publicado por Standard, citó a una anécdota real que confirma nuestras sospechas: la analítica también es humana. Hilton recuerda que cuando se le preguntó a McKinsey en los ochenta cuál sería la cifra de mercado en EE.UU. para la telefonía móvil en el año 2000, los analistas hicieron sus cálculos y lanzaron un "novecientas mil unidades". Sin embargo, la cifra real resultó ser de ciento nueve millones de unidades.
Créditos fotográficos: istock wisanuboonrawd
Esto no significa otra cosa que el hecho de que incluso a los expertos les resulta difícil anticipar tendencias disruptivas, por no hablar de analizar su impacto en una empresa determinada. Hasta los líderes del mercado pueden verse abrumados por un cambio disruptivo, como ha sucedido varias veces ya en los últimos años. No obstante, con el debido uso del análisis predictivo, las probabilidades de que eso suceda se reducen considerablemente. Mucho más si se emplean las nuevas armas secretas que analytics brinda a los negocios.
Gracias a las redes de satélites GPS, las torres de telefonía móvil y el nuevo entorno de internet, es posible rastrear y correlacionar la ubicación de personas y objetos de formas muy precisas que no eran posibles hasta hace poco. La innovación da lugar a nuevos descubrimientos, como las dos siguientes formas en que las organizaciones pueden utilizar esta información para optimizar sus capacidades de análisis predictivo:
1. Fijación dinámica de precios: si se dispone de la cantidad suficiente de conjuntos de datos de referencia, incluyendo geocodificación, mapas y datos meteorológicos; y se puede acceder a ellos en tiempo real, o en streaming, es posible combinarlos con los procedentes de fuentes de datos históricos para adquirir una visión de conjunto muy fiable.
Por ejemplo, en el sector seguros, el seguimiento llevado a cabo de esta manera y posteriormente sometido a un proceso de análisis predictivo permite conocer las características reales de cada asegurado potencial, contextualizarlas y detectar posibles tendencias de comportamiento. Un conductor que circula a demasiada velocidad será identificado fácilmente y, podrá aplicársele una tarifa diferente a otro que respete los límites de velocidad establecidos para cada tramo. No es sólo una cuestión de cantidad, sino que, más que el volumen de información, lo que hace falta es el contexto espacial adecuado. Y ahí es donde interviene analytics.
2. Toma de acción inmediata en base a analytics en entornos físicos: el análisis predictivo ha marcado un antes y un después en el sector retail. Sin embargo, gracias al analytics geo-espacial es mucho más sencillo realizar un seguimiento de la confianza del cliente, y no sólo en un e-commerce, sino también en un establecimiento tradicional; donde el factor geográfico puede ser la respuesta a muchas cuestiones que antes quedaban sin solución.
Es lo que se consigue desde que SpaceCurve, una plataforma de análisis espacial y AirSage, un proveedor de análisis de población, se han unido para ofrecer a las empresas una solución para el modelado que garantiza una comprensión más completa del comportamiento del consumidor basado en tiempo, lugar, movimiento, datos procedentes de sensores y otros atributos.
Su funcionamiento es simple, aunque los resultados son extraordinarios al permitir hacer un análisis en tiempo real de los datos de consumo que permite, por ejemplo, responder a la pregunta de si los clientes se detuvieron en la competencia de camino al propio establecimiento o si acudieron allí después de visitarlo.
Para aportar este conocimiento, cada día, AirSage captura y analiza más de quince mil millones de puntos en tiempo real. Se trata de datos anónimos procedentes de señales móviles que pueden ayudar a comprender los patrones de los consumidores en el mundo real. A su vez, la plataforma SpaceCurve es capaz de recoger, ordenar e integrar millones de esos complejos conjuntos de datos espaciales por segundo (casi en tiempo real) para ponerlos inmediatamente a disposición de la empresa, permitiéndole tomar acción sin perder ni un momento. De esta forma, un tipo de análisis predictivo que es habitual en el entorno online, pasa a estar también disponible en el mundo físico, que se beneficia de opciones de marketing altamente segmentadas y específicas.
Pero afinar ventas y comercialización, optimizar campañas de marketing y mejorar la detección y prevención del fraude no son los únicos usos de esta forma de análisis predictivo. Desde el impulso de la eficiencia agrícola, por ejemplo gracias a drones capaces de enviar información de los campos de cultivo en tiempo real, hasta la mejora de la agilidad en la cadena de suministro, gracias a un mejor control de la función de transporte que, por una parte aumenta las probabilidades de realizar una entrega perfecta y, por otra, facilita el poder ofrecer un servicio al cliente mejorado, al tener la posibilidad de compartir con él detalles de su envío en tiempo real.
Analytics empleado de esta manera multiplica la confiabilidad del análisis de riesgos y aumenta la conciencia de la situación, haciendo crecer la inteligencia empresarial. Y, por supuesto, también se está extendiendo su uso encaminado a mejorar la gestión de activos. De esta forma, la analítica predictiva apoya al negocio a la hora de diseñar la red de trabajo más eficiente, en función de los impactos reales dependiendo de cada ubicación y el establecimiento de prioridades; y optimiza la gestión de relaciones con los proveedores, ayudando a evaluar qué opciones dan mejores resultados y en qué momentos y ubicaciones se presenta el índice de problemas más elevado, datos que pueden cruzarse con los de otras fuentes para enriquecer la inteligencia de negocio y poder acceder a una visión más completa y realista de las operaciones.