Llegamos a ustedes gracias a:



Reportajes y análisis

Los beneficios inesperados de la analítica de datos

[23/02/2018] Los proyectos de TI exitosos requieren objetivos claros, y la analítica de datos no es una excepción. Al llevar a cabo el análisis, los equipos de datos buscan descubrir información útil sobre los clientes, apoyar la toma de decisiones en un proyecto, mejorar la productividad y una serie de otros resultados.

Sin embargo, dada la naturaleza exploratoria de la analítica de datos, a veces los beneficios o los conocimientos recolectados aparecen inesperadamente y no forman parte del plan de negocio original. Estos accidentes felices respaldan la idea de que toda la analítica de datos vale la pena, porque nunca se sabe lo que podría ocurrir.

Aquí hay ejemplos reales de organizaciones que han visto beneficios inesperados en sus iniciativas de analítica.

Un pulso en las operaciones actuales

Allegis Global Solutions desarrolló su programa de análisis, ACUMEN Workforce Intelligence, con el objetivo de comprender tres cosas: ¿Cómo se desempeñan los programas? ¿Cómo se desempeñan contra otros programas? ¿Qué deberíamos hacer ahora?

"Si bien la plataforma de analítica fue creada para desarrollar una perspectiva histórica que puede usarse para la planificación, descubrimos que la analítica utilizada para responder estas tres preguntas tuvo un efecto dominó en nuestra organización, afirma Tim Johnson, director ejecutivo de inteligencia empresarial en Allegis.

"Debido a que los datos se extraen de todos nuestros programas y los actualizamos a diario, tenemos una visión muy fresca de las operaciones, afirma Johnson. "Esto dio como resultado el reciente lanzamiento de una nueva aplicación de datos que ayuda a analizar la actividad cotidiana, tanto a nivel de programa como de empresa. Los operadores no necesitan extraer un informe y analizar información para recopilar conocimientos del programa. En cambio, pueden tomar medidas sobre la información que ya han estructurado y presentado.

"Como un beneficio adicional al uso de datos operacionalmente, las tasas de adopción de la analítica son mucho más altas que las que se proyectaron inicialmente, afirma Johnson. "Ahora nos proponemos lograr una adopción interna del 100% semanalmente. Nuestros usuarios finales, debido a que están usando los datos diariamente para mejorar el desempeño, también vigilan más de cerca la información, llevando la calidad de los datos a un nuevo nivel de excelencia.

Para los propósitos de análisis inicial de la compañía, los datos solo necesitaban una precisión del 90% al 95%. Pero para las operaciones necesita contar con un 98% a 99% de precisión. "Con la aceptación en toda la organización, estamos allí, afirma Johnson. "Es divertido pensar que esas tres pequeñas preguntas iniciaron esta transformación de los datos en toda la organización.

Beneficios a largo plazo de las pérdidas a corto plazo

Un esfuerzo de análisis de datos ayudó al proveedor de recursos inmobiliarios en línea, Trulia, a ajustar su estrategia de correo electrónico para una de sus campañas, lo que finalmente ha incrementado el tráfico.

La compañía había estado enviando correos electrónicos múltiples por día, lo que aumentó la cantidad de clientes que cancelaron su suscripción, afirma Deep Varma, vicepresidente de ingeniería. "Luego cambiamos nuestro enfoque y agregamos correos electrónicos para que solo estuviéramos enviando un correo electrónico por día, afirma.

Al principio, Trulia vio un declive en el compromiso de sus usuarios, por lo que retiró el nuevo enfoque. Pero la compañía luego decidió probar el nuevo formato por un período más largo y obtuvo mejores resultados, que no esperaba inicialmente, afirma Varma.

"En este ejemplo, inicialmente, los datos demostraron que algo andaba mal porque no ampliamos nuestro alcance en las pruebas, afirma Varma. "Una vez que lo hicimos, experimentamos un beneficio inesperado en el sentido de que nunca pensamos que el tráfico aumentaría porque los datos en una semana mostraban que el tráfico disminuía. Sin embargo, al ejecutarlo por más tiempo, los análisis demostraron que en verdad sucedía lo contrario.

En otro ejemplo, la analítica de datos inspiró un nuevo producto, que no era el intento original.

"Vimos a los consumidores disminuyendo después de enviar una consulta a un agente, por lo que creamos una experiencia posterior a la implementación en la que comenzamos a mostrarles las propiedades recomendadas que son similares a la lista sobre la que acababan de preguntar, afirma Varma. "Como resultado, los consumidores comenzaron a regresar y continúan regresando con más frecuencia debido a este nuevo perfil de recomendación.

Problemas de garantía dan paso a la solución de IoT

En Rockwell Automation, un proyecto llegó al equipo de analítica a través del grupo de calidad del producto en la empresa.

"Fuimos desafiados con un problema de administración de la garantía, afirma Sangeeta Edwin, director de inteligencia comercial de Rockwell Automation. "En lugar de solo contemplar el problema presentado, ampliamos nuestro equipo de analítica de datos para centrarnos en identificar la causa raíz de los retornos.

Al rastrear los datos hasta el nivel de la máquina, el equipo encontró un defecto de fabricación que correlacionaba las fallas de ensamblaje con los retornos de la garantía. "Esto ayudó a evolucionar nuestra estrategia y plataforma para incluir la analítica de datos de la máquina IoT (Internet de las cosas, por sus siglas en inglés), afirma Edwin.

Este simple contexto de analítica de datos se convirtió en una solución sorprendente para el negocio, afirma Edwin. "Tomamos nuestros conocimientos del grupo de calidad y marcamos nuestra propia plataforma de análisis de datos a nivel de dispositivo para nuestros clientes, afirma ella. "A través de la analítica de datos, transformamos un problema empresarial en una herramienta útil para nuestros clientes, creando nuevas fuentes de ingresos.

Un error de variables descubre causas ocultas

Con los años, Decision Point Healthcare Solutions, una proveedora de productos de software para la industria de la salud, ha visto a sus clientes de planes de salud reducir significativamente las tasas de readmisión hospitalaria al dirigirse a las personas con alto riesgo de ingresos múltiples para su programa de gestión de cuidados de campo y telefónicos.

En estos casos, Decision Point usa un algoritmo de modelado predictivo especializado para identificar miembros/pacientes a quienes se les pronostica dos admisiones con 30 días de separación entre sí, antes de la admisión inicial "índice. "En resumen, los planes de salud se están adelantando a sus readmisiones dirigiéndose a las personas adecuadas para evitar potencialmente la admisión inicial, la readmisión o ambas cosas, afirma Saeed Aminzadeh, fundador y CEO de Decision Point.

En retrospectiva, es un gran enfoque, pero Decision Point se encontró con la metodología inesperadamente, afirma Aminzadeh. Para la administración de la atención, el enfoque tradicional de Decision Point incluía la predicción de individuos que están en alto riesgo de admisiones evitables, visitas a salas de emergencias (ER) y costos.

El nuevo enfoque de pronosticar las admisiones múltiples agrupadas se produjo cuando los científicos de datos de Decision Point reemplazaron erróneamente las admisiones con readmisiones como la variable dependiente, la variable que se predice, en el proceso de desarrollo del modelo predictivo.

Después de un análisis cuidadoso, se encontró que el nuevo modelo era bastante diferente de los modelos predictivos tradicionales de Decision Point. Mientras que los modelos tradicionales que pronostican las admisiones, los costos y las visitas identificaron individuos de alto riesgo con una combinación significativa de problemas clínicos y de utilización, la predicción de ingresos múltiples y agrupados resaltó el subconjunto de individuos que tienen problemas clínicos y socioeconómicos emergentes.

"Por ejemplo, si bien los modelos tradicionales identificaron individuos de alto riesgo con múltiples afecciones crónicas, el nuevo modelo identificó individuos de alto riesgo con afecciones crónicas y otros problemas como vivir solos, falta de relación con su médico, ausencia de tarjetas de crédito, educación sobre la salud, salud del comportamiento u otras preocupaciones, afirma Aminzadeh. Este fue un hallazgo importante porque muestra que, para reducir las tasas de readmisión, las organizaciones de atención médica no solo deben ser capaces de abordar los problemas clínicos de un individuo, sino también eliminar las barreras socioeconómicas que exacerban esos problemas clínicos, afirma.

Redescubriendo la importancia de la atención primaria

La proveedora de seguros médicos, Health Care Service Corp., ha encontrado ganancias inesperadas similares en la analítica de datos.

"Descubrimos una joya escondida cuando inicialmente intentábamos extraer datos para ayudarnos a identificar a los miembros que acudían a la sala de emergencias por causas evitables (que no eran emergencias) y las razones para hacerlo, afirma Himanshu Arora, director ejecutivo de análisis empresarial y gobernanza en el Servicio de Salud.

Si el 10% de los miembros de la empresa se inscribieron en planes HMO, se esperaría que menos del 10% de los servicios evitables de salas de emergencia se atribuyan a este grupo, dado su acceso a un médico de atención primaria (PCP). "Lo que encontramos fue una tendencia casi cuádruple en la dirección opuesta, afirma Arora. "Este 10% de los miembros estaba incurriendo en el 40% de todos los servicios evitables en la sala de emergencias.

El alto costo de una visita a la sala de urgencias, más la incomodidad para los miembros que van a la sala de emergencias y no se benefician de servicios que pueden prevenir o mitigar dichos episodios de salud, llevaron a la empresa a encontrar formas de ayudar a los miembros más allá de proporcionar acceso a un proveedor de atención.

"Volvimos al diseño para comprender mejor qué factores determinantes de la atención, como las barreras del idioma, el acceso al transporte y los problemas de programación, hacían que nuestros miembros de HMO visitaran la sala de emergencias en lugar de su PCP y encontraran soluciones, afirma Arora. "Contratamos a nuestra red de proveedoras para ayudarlos a contactar de manera proactiva a los miembros con el fin de garantizar que reciban la atención que necesitan, además de reevaluar nuestro producto y diseño de red para fortalecer nuestros modelos de riesgo compartido con las proveedoras -para que de esa forma tengan más incentivos para ayudar a identificar y actuar en base a estos análisis.

Redefiniendo el éxito del cliente -y las metodologías de analítica

Zeta Global, que proporciona una plataforma de software para aplicaciones de marketing, utiliza la analítica para respaldar iniciativas internas y de clientes, como el desarrollo de algoritmos para hacer predicciones dentro de los datos del cliente, análisis del registro de tráfico para la gestión del flujo de red o análisis de señal para la administración de seguridad.

"El poder predictivo en los datos a menudo se establece donde no lo esperas, afirma Jeffry Nimeroff, CIO de Zeta Global. "Existen técnicas sin supervisión porque existe información en los datos más allá de lo que las personas -incluso las inteligentes- puede atacar e inhabilitar. Los resultados inesperados son parte de la magia, y hemos tenido muchos casos en los que hemos mirado con asombro los hallazgos.

Un ejemplo implica la reducción del costo de la tecnología. "La mayoría de las organizaciones que implementan tecnología e incurren en costos de tecnología terminan con alguna forma de tecnología paralela, afirma Nimeroff. "Las personas, en la búsqueda de ser más productivas, encuentran las herramientas que les sirven.

Como parte de su reciente alianza de centro de operaciones de seguridad, la implementación se centró en la inteligencia de amenazas. Los resultados esperados presentaron un progreso continuo en la maduración de la seguridad, afirma Nimeroff, pero el valor inesperado vino de descubrir los costos ocultos de la tecnología de seguridad.

"Con esta visualización, pudimos hablar con personas específicas sobre tecnología específica, algunas de las cuales se olvidan por completo, y desconectarnos de los servicios al ritmo de una reducción de costos de seis cifras, afirma Nimeroff.

Otro ejemplo proviene de los esfuerzos de la empresa para determinar los usuarios con mejores resultados de sus clientes.

"Mucho del trabajo en la analítica de clientes se centra en la extensión de la audiencia, afirma Nimeroff. "En este caso, Zeta aprovecharía nuestros datos de propiedad para hacer coincidir los perfiles con aquellos que comparten propiedades con los perfiles proporcionados por el cliente. Tener una audiencia más grande de clientes con el mejor desempeño derivará en mejores resultados.

Después de generar modelos para pronosticar qué mensajes de marketing deberían proporcionar sus clientes a sus mejores usuarios para maximizar los resultados, Zeta vio el rendimiento de la audiencia flotando alrededor del grupo de control, afirma Nimeroff. "Resulta que, a través de un metaanálisis, los datos originales proporcionados por el cliente no eran los mejores para el usuario, porque el cliente limitaba los atributos que consideraban importantes para definir el éxito del usuario, afirma.

Cuando Zeta agregó las estadísticas y amplió la analítica a la base de datos del cliente, aprovechando más atributos del usuario, pudo proporcionar mejores datos de audiencia. Al comenzar con la base de datos del cliente y los objetivos de mensajería, pero sin tener una noción preconcebida de qué atributos eran importantes, Zeta pudo ayudar a extraer los mejores conjuntos de datos de los clientes. "Esta metodología extendida ha llevado a nuevas áreas de procedimiento en Zeta, afirma Nimeroff.