La analítica predictiva encarna uno de los papeles protagonistas en el viaje hacia la Transformación Digital, ya emprendido por la mayoría de las organizaciones actuales. Su gran valor, la posibilidad de adelantarse a los acontecimientos con información relevante, lo que permite a los negocios lograr mejores resultados a la postre.
Su origen es el resultado de aplicar modelos matemáticos a los datos que atesora la organización, para extraer conclusiones que completen la visión del mercado y aporten a los responsables del negocio feedback de alto valor para tomar decisiones acertadas.
Sus hallazgos se emplean para realizar análisis de mercado, producto o clientes, para ajustar la oferta a las nuevas demandas o desarrollar nuevos productos y servicios para diferentes públicos objetivo.
La aplicación de la tecnología es, no obstante, el gran caballo de batalla para las organizaciones que deciden abordarlo, especialmente lastradas por el vértigo ante los cambios y la resistencia a abordar una operativa nueva, aunque sea de enorme potencial para su organización.
Quizás por ello, el análisis predictivo no ha alcanzado la tracción esperada y no ha sido ni siquiera valorado por muchos departamentos de IT, que además desconfían de la necesidad de incorporar a su equipo a un nuevo profesional, el llamado científico de los datos.
Este especialista es el encargado de dotar de sentido a los análisis que se realizan y de diseñar procesos que interactúen con tecnologías consolidadas en la empresa, como business intelligence o data warehouse.
Como se puede comprender fácilmente, el principal bien necesario para realizar analítica predictiva es el dato, esté donde esté, y el acceso, intercambio y consolidación de todos los recursos de información resulta capital.
El perfil del científico de datos se hace imprescindible porque, en general, las organizaciones carecen de suficiente formación específica en este campo y no alcanzan a comprender los cálculos matemáticos que es preciso manejar. Mucho menos para aplicar con criterio las herramientas de análisis necesarias, en cada caso concreto, y aprovechar su potencia para resolver problemas complejos; predecir la evolución del mercado, futuros escenarios comerciales o potenciales demandas de los clientes.
La buena noticia es que la mayor parte de las organizaciones no presenta excesiva complejidad y sus aspectos de negocio pueden analizarse con diez o menos algoritmos, lo que puede resolverse con técnicas de regresión, tablas y modelos lineales sencillos.
Esta supuesta complejidad, además, se está haciendo frente con una combinación de analítica predictiva y otras herramientas más establecidas, lo que puede extender su uso exponencialmente y permitir que respondan más rápido a los retos y oportunidades planteadas. Así, se están integrando herramientas de analítica predictiva con otras de business intelligence y con aplicaciones de negocio que facilitan su uso y mejoran los resultados inmediatos. O con bases de datos relacionales que permiten crear modelos predictivos en un solo sistema.
La integración de estas diversas fuentes de datos resulta vital para las herramientas de analítica actuales, pero implica una labor de preparación de los datos previa que permita su visionado y acceso. Y éste debe ser rápido y sencillo, de forma que no reste demasiado tiempo a las tareas de análisis.
Este primer paso decisivo debe permitir que las diferentes unidades de negocio y el departamento de IT trabajen en consonancia y aborden los objetivos comunes, con la ayuda de esta alternativa que ya forma parte del presente de muchas organizaciones y, sin duda, será elemento sustancial de su futuro.
