Resultados decepcionantes, barreras a la implementación o problemas que surgen inesperadamente durante la construcción de una solución de predictive analytics son algunas de las decepciones que muchas empresas tienen que afrontar en su viaje hacia la experiencia de una nueva forma de entender la analítica de negocio.
Créditos fotográficos: istock arcady_31
Toda empresa que se precie intenta utilizar grandes volúmenes de datos para el análisis predictivo. Los beneficios y la justificación de negocio son los primeros argumentos que quienes optan por este tipo de soluciones tienen en mente. Sin embargo, no todo es tecnología: predictive analytics no es sólo tecnología.
Conocer algunos obstáculos comunes a los que las organizaciones tienen que hacer frente en la aplicación de análisis predictivo es la forma más rápida de detectarlos y superarlos.
Fallos en predictive analytics que se podían haber evitado
El aspecto técnico no es lo único que cuenta en predictive analytics, como así demuestran algunos de los errores más comunes:
1. Falta de liderazgo ejecutivo: al igual que con cualquier nueva herramienta que se planea implementar, es necesario que haya un patrocinador ejecutivo que determine las prioridades de la empresa, que establezca el rumbo a seguir y justifique la inversión. No importa lo que el nuevo sistema es capaz de, si nadie cambia su flujo de trabajo para utilizarla correctamente, es un fracaso y el líder juega un papel esencial en este proceso. Su rol implica:
-
Liderar a la organización a través del cambio que supone la implementación del nuevo sistema de predictive analytics.
-
Aprovechar para modificar todos los aspectos que se detecte que pueden mejorar.
-
Saber incentivar adecuadamente y motivar a los usuarios para utilizar la nueva herramienta.
2. Descuidar los datos: la mayoría de las organizaciones tienen un problema importante de calidad de datos que, bien desconocen, bien ha faltado una justificación de negocio que sirva como excusa para hacerle frente. Cualquier aplicación de predictive analytics que se desee implementar requiere de datos de una calidad suficiente para ser cargados y cotejados.
-
La presentación de una aplicación de negocios que puede utilizar los datos de una manera nueva y poderosa a menudo puede servir de justificación para ese proceso de limpieza de datos.
-
Es preciso incluir esta limpieza de datos en la planificación, ya que consumirá tiempo y recursos, seguramente en mayor medida de lo que se puede prever a priori.
-
En cualquier caso, interesa incorporar la limpieza de datos como parte de la aplicación en la herramienta de análisis predictivo escogida, ya que la calidad de los datos no se debe abordar como un evento puntual sino como un proceso continuado en el tiempo.
3. No limitar el alcance de la iniciativa de predictive analytics: muchas empresas presentan expectativas poco realistas al implementar el análisis predictivo en su organización. El resultado de un planteamiento erróneo es un alcance de proyecto equivalente. Para evitarlo, hay que dejarse asesorar por los expertos y tener en cuenta que:
-
La mayoría de las organizaciones pueden manejar un sistema pequeño que crece en valor con el tiempo, pero muy pocas pueden absorber un cambio masivo de inmediato.
-
Es preferible optar por un enfoque iterativo, con plazos que adjudiquen a cada fase una meta asociada a valor de negocio específico.
Post relacionados:
-
Modelos predictivos: reforzando el valor de una buena decisión
-
Internet de las Cosas: nuevas alianzas para afrontar los nuevos retos
