Cualquier proyecto de Business Intelligence tiene, entre sus objetivos principales, apoyar la toma de decisiones en los distintos niveles de una organización aportando el conocimiento necesario para ello. Un conocimiento que, como sabemos, se obtiene de la información aportada por el análisis de datos estructurados con los que cuenta la compañía, recopilados durante el desarrollo de sus distintas actividades y procesos.

Big data y el análisis predictivo van de la mano pero, igual que ocurría con los grandes datos en sus primeros momentos, predictive anaytics todavía tiene la capacidad de desconcertar a todos aquéllos que, no saben muy bien en qué consiste, no confían en sus posibilidades o se auto-limitan a un reducido número de sus múltiples usos, restringiendo el mar de oportunidades por el que la analítica avanzada les puede guiar.

Los Cuadros de Mando Integral (o CMI) y las cuestiones relacionadas con los mismos nos han ocupado en varias ocasiones anteriores, en las que hemos visto de qué modo integrar un CMI en una estrategia de Business Intelligence, cómo las funcionalidades de los distintos tipos de cuadros de mando convergen en el CMI y hasta qué punto este representa una de las herramientas BI más imprescindibles para el correcto diseño, análisis y evaluación de las estrategias corporativas adoptadas. Con todo, no hemos profundizado lo suficiente en la importancia que adquiere un Cuadro de Mando Gerencial basado en un CMI para la correcta toma de decisiones en gerencia, un ámbito fundamental para el correcto desempeño de las tareas directivas en el sí de cualquier organización.

Establecer objetivos y diseñar las estrategias más viables y efectivas para alcanzarlos es una de las principales responsabilidades que recaen sobre los hombros de los directivos de cualquier empresa u organización. Una responsabilidad que, entre otras exigencias, obliga a manejar conceptos, competencias y visiones que mantienen entre sí una clara relación dialéctica y frecuentemente resultan, por este mismo motivo, difícilmente conciliables.

El predictive analytics, análisis predictivo, se diferencia de otras metodologías inteligentes pero sin esta capacidad de pronóstico por los beneficios que reporta a las empresas que aplican sus técnicas en cuanto a aumento de la rentabilidad y mejora de los márgenes de beneficio. En concreto, son de sobra conocidas sus bondades en cuanto a:

•  Optimización de la toma de decisiones.

La terminología en el terreno de las TI, y más concretamente en asuntos relacionados con el Business Intelligence puede llegar a representar un serio desafío para los que no estén familiarizados con ella. Términos y expresiones similares, que se usan de un modo recurrente y que designan aspectos clave de la inteligencia de negocios, se pueden entender de un modo algo confuso si se emplean sin mayores explicaciones. Un buen ejemplo de ello son los conceptos asociados a los cuadros de mando como, en el caso que hoy nos ocupa, el tablero de control operativo (o TCO).

Predictive analytics está impactando en organizaciones de todo el mundo, cambiando su forma de tomar decisiones y aumentando exponencialmente la eficacia de sus acciones. No sólo las empresas se basan en la solidez de los datos para analizar lo que les depara el futuro, sino que el sector público también se beneficia del análisis predictivo.

No es este el primer post que dedicamos a hablar sobre la importancia de la visualización de la información en la presentación de reportes; con todo, nunca sobra insistir en un asunto tan crítico y vital como el que nos ocupa hoy.

Las herramientas de visualización de la información en un entorno de Business Intelligence no solo representan una solución visual y amigable para la presentación de reportes: en un contexto corporativo en el que cada segundo cuenta, en el que ahorrar tiempo deviene regla y exigencia, en el cual la complejidad de la infraestructura organizativa dificulta un contacto fluido e inmediato entre departamentos, y para el que la simplificación es el único camino posible para mantener una visión integral del mismo en la toma de decisiones, las herramientas de visualización de la información se convierten en instrumentos insustituibles que permiten ahorrar costes, tiempo y esfuerzos en la monitorización de procesos, la gestión del desempeño y el diseño/modificación de estrategias.

Una de las fases más críticas para el predictive analytics es la implementación del modelo predictivo en la organización. Este paso permite que los resultados analíticos se puedan desplegar en todo proceso de toma de decisiones, automatizándola. Su intervención es necesaria para sacar el máximo rendimiento de las posibilidades que ofrece el análisis predictivo pero, sin embargo, no todas las organizaciones están preparadas para llevarlo a cabo en condiciones óptimas y con garantías de éxito.

Las decisiones informadas por técnicas de análisis avanzado sólo son tan buenas como los datos en que se basan: la calidad de datos para analitycs tiene en el quality assurance a su talón de Aquiles. En las organizaciones basadas en datos, las conversaciones acerca de la calidad y de las mejores prácticas han evolucionado pasando de ser meras opiniones a ideas basadas en resultados convincentes derivados de los datos empíricos. Sin embargo, el crecimiento exponencial en el volumen de datos disponibles y su dinamismo plantea nuevos desafíos y requiere de nuevos métodos, entre los que se encuentran:

•  El control de calidad de datos de alta dimensión.