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:
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
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