Analítica predictiva: 11 claves para rentabilizarla

Comparte nuestro contenido

En la actualidad, toda organización requiere de la analítica predictiva sea una organización pequeña, mediana o grande; empresa familiar o corporación; local o multinacional, requiere de sacar provecho de toda la información que está alojada en sus sistemas y que puede apoyar un análisis soportado para obtener conclusiones valiosas que generen decisiones viables para ponerlas en práctica en la operación, con la mayor probabilidad de éxito que sea posible.

Con la convicción de que “la información es poder”, los datos derivados de nuestra interacción con clientes nos permiten comprender e identificar quiénes y cada cuándo se pierden contratos debido a que se han ido con la competencia, en qué regiones se ubican o tienen operación o en qué fuentes de ingresos se sitúan aquellas personas que han contactado en tres o más ocasiones con nuestras áreas de soporte en el último trimestre.

Toda esta información y sus datos nos permiten comprender el comportamiento de los clientes y prever posibles eventos que impidan que las transacciones con ellos se lleven a cabo en el mejor tiempo y oportunidad posibles y, por supuesto, crear planes de respuesta determinados por el tipo de situación que se presente con un cliente.

“Para obtener el mejor resultado de estas iniciativas, es necesario analizar y evaluar todas aristas que integran la operación del negocio. Para hacerlo, la tecnología a implementar es la analítica predictiva”.

Gracias a esta tecnología, es posible evaluar e identificar dónde se producen los posibles “cuellos de botella” en los procesos, tomar las medidas necesarias para mitigar las desviaciones en el futuro y/o hacer un pronóstico que nos permita anticipar el comportamiento de los clientes.

Nuestros datos, su análisis y un buen pronóstico nos preparan para enfrentar un mundo altamente competitivo.

Qué se recomienda hacer y qué no se recomienda hacer cuando se aplica la analítica predictiva

Con el objetivo de que los proyectos de analítica predictiva alcancen resultados satisfactorios y logren integrarse naturalmente a la operación del negocio, es necesario tener en cuenta diversas variables y obstáculos que podrían dificultar su implementación. Las siguientes recomendaciones tienen como objetivo clarificar aquello qué debemos y lo que no debemos hacer cuando se aplica la analítica predictiva:

  1. Ser proactivos a la hora de tomar decisiones: Los resultados de la analítica predictiva proporcionan ideas sobre posibles comportamientos. Gracias a esta valiosa información, las organizaciones podrán valorar las iniciativas positivas que emprendan y reducir el impacto de las negativas.
  1. Fallar al poner el foco en una iniciativa de negocio específica: Concentrarse en un proyecto de negocio específico reduce la posibilidad de que se produzca la denominada “parálisis en el análisis”, consistente en malgastar esfuerzos a la hora de casar averiguaciones analíticas con objetivos indefinidos.
  1. Concentrarse en proyectos que impacten directamente en el negocio, es decir, que aumenten la rentabilidad o que reduzcan los costos: Estos proyectos son más tangibles y cuentan con más posibilidades de ser aprobados, ya que facilitan a las organizaciones la capitalización de los datos capturados.
  1. Ignorar fases cruciales, como la preparación y el acceso a los datos: Al desplegar proyectos de analítica predictiva, numerosas organizaciones pasan por alto etapas importantes del proceso. Las grandes “olvidadas” suele ser la preparación y el acceso a los datos, aunque, en realidad, deberían ser las iniciativas en las que hacer mayor hincapié.
  1. Asumir una visión amplia del proceso y desplegar una visión holística de la solución: Si sólo ponemos el foco en un aspecto –por ejemplo, capturar un conjunto específico de datos–, es posible que no estemos lo suficientemente preparados como para sacar partido del proyecto en el momento oportuno.
  1. Emplear demasiado tiempo evaluando modelos: Las compañías suelen evaluar en exceso. Añaden nuevas variables a los modelos para aumentar su fiabilidad, lo que habitualmente repercute en el rediseño del sistema con retrasos en el despliegue y en obstáculos que impiden sacar provecho a las posibilidades que puede ofrecer la analítica predictiva.
  1. Desarrollar un proceso de colección y exploración directa de los datos: Identificar incidencias en la calidad de los datos, recabar conclusiones iniciales y detectar subconjuntos relevantes, no sólo ayuda al usuario a familiarizarse con los datos, sino que también garantiza que los análisis realizados sean más eficientes y precisos.
  1. Invertir en herramientas que apenas proporcionan retorno de la inversión: Cuando hablamos de un ambiente computacional, las organizaciones suelen implementar dos tipos de sistemas: uno de analítica predictiva y otro de reporting para extraer resultados. Esto genera costos adicionales e innecesarios en hardware, soporte y mantenimiento. Combinar ambos sistemas en un único entorno simplificaría y abarataría el proyecto.
  1. Preparar incorrectamente los datos: Debemos ser cuidadosos a la hora de seleccionar los datos relevantes cuando se escogen tablas, registros y atributos procedentes de diversas fuentes. Posteriormente, los datos deben ser transformados, fusionados, agregados, divididos, analizados y calificados para optimizar los resultados.
  1. Errar a la hora de industrializar las averiguaciones: Si no se utilizan las conclusiones que nos ha proporcionado la analítica predictiva para construir y desplegar una aplicación o para aplicar un cambio tangible en el sistema, los esfuerzos destinados a preparar y crear un modelo, o a recolectar y analizar los datos, habrán sido en vano.
  1. Seleccionar y aplicar varias técnicas de modelado: Además de haber preparado de manera óptima sus datos, debe asegurarse de usar las técnicas de análisis más acordes con sus propósitos. Algunas técnicas pueden ilustrar los patrones subyacentes con datos que ofrecen un ángulo más útil que otros, y, en consecuencia, comparar los resultados de varios métodos de modelado.

Evitar estos errores habituales de planificación y adoptar las mejores prácticas subrayadas anteriormente condicionarán la diferencia entre desarrollar con éxito o no un proyecto de analítica predictiva.

Autor: Manuel del Pino

Manager Preventa de Information Builders para México, España y Portugal

Fuente: CIO México


Comparte nuestro contenido

Dejar un comentario

Tu dirección de correo electrónico no será publicada.