Gartner pronosticaba que para el año 2014, el 30% de las aplicaciones analíticas utilizaría capacidades proactivas, predictivas y de pronóstico. Promesas cumplidas que instan a, en este 2015, dar un paso más e innovar. Cuando se busca la innovación en predictive analytics, intentando extraer aún más valor de su aplicación, se debe tener en cuenta que existen dos patrones distintos que pueden aplicarse a este proceso:
- La innovación disruptiva: entendida como una búsqueda predictiva ligada a una propuesta de valor muy diferente, capaz de descubrir oportunidades en forma de nuevos mercados.
- La innovación sostenible: que quedaría representada por los cuadros de mando o las herramientas de visualización que contribuyen a mejorar el rendimiento de los productos y servicios existentes.
En la ejecución de cualquiera de ambos patrones dentro del marco de un proyecto de predictive analytics, se hace necesario seguir cuatro etapas: aprendizaje, exploración, compromiso y ejecución; que consisten, a grandes rasgos, en lo siguiente:
1. Aprendizaje: en esta fase, el enfoque principal es el desarrollo de la conciencia y el conocimiento.
2. Exploración: etapa donde la atención se centra en la definición y el diseño del plan de trabajo de la organización para el desarrollo de grandes datos. El resultado de este proceso sería la creación de una hoja de ruta.
3. Compromiso: llegadas a esta fase, las organizaciones comienzan a comprobar el valor empresarial de los grandes datos, a la vez que suelen optar por llevar a cabo una evaluación de sus tecnologías y habilidades.
4. Ejecución: los grandes datos y capacidades de análisis son aplicadas más ampliamente dentro de la organización gracias a una implementación integral.
Créditos fotográficos: istock Sergey Nivens
Predictive analytics, innovación y decisiones
Dependiendo del caso de uso y de la solución de predictive analytics escogida, será necesario hacer elecciones y tomar decisiones a lo largo de varias dimensiones:
-
Tipo de análisis que se requiere: en tiempo real o no.
-
Metodología de procesamiento de datos: que puede incluir una o varias entre, por ejemplo, análisis de textos, identificación de patrones, análisis social media, etc.
-
Frecuencia de uso de datos: continua, en tiempo real o bajo pedido, entre otras.
-
Tipos de datos: metadatos, datos históricos o transaccionales y datos maestros.
-
Formato del contenido: estructurado, desestructurado, semi-estructurado o varios de ellos.
-
Fuentes de origen: bases de datos internas, datos biométricos, social media, generados por usuarios, generados por equipos o datos transaccionales, por citar algunos de los más relevantes.
-
Destinatarios de los datos: usuarios individuales, procesos de negocio, repositorios de datos o aplicaciones empresariales.
En base a las elecciones tomadas, las tecnologías digitales escogidas y el modelo de análisis predictivo implementado en la organización un negocio está en disposición de innovar, en base al recién adquirido conocimiento; haciéndolo con diferentes objetivos como:
-
Mejorar la comercialización de sus productos o servicios.
-
Optimizar la gestión de la cadena de suministro.
-
Diseñar una estrategia de diversificación o expansión, para aprovechar la oportunidad de penetración en nuevos mercados o alcanzar segmentos de clientes distintos.
Post relacionados:
-
Objetivos estratégicos que pueden alcanzarse con predictive analytics
-
Los mejores consultores especializados en predictive analytics
