Llegamos a ustedes gracias a:



Reportajes y análisis

Analítica predictiva: Transformando datos en ideas futuras

[29/06/2018] La analítica predictiva es una categoría de analítica de datos destinada a hacer predicciones sobre resultados futuros basados en datos históricos y técnicas de análisis, como el modelado estadístico y el aprendizaje automático. La ciencia de la analítica predictiva puede generar ideas futuras con un grado significativo de precisión. Con la ayuda de sofisticadas herramientas y modelos de analítica predictiva, cualquier organización ahora puede usar datos pasados y actuales para pronosticar tendencias y comportamientos de milisegundos, días o años en el futuro.

La analítica predictiva ha capturado el apoyo de una amplia gama de organizaciones, con un mercado global proyectado para alcanzar aproximadamente los 10,95 mil millones para el 2022, creciendo a una tasa de crecimiento anual compuesta (CAGR) de alrededor del 21% entre el 2016 y el 2022, según un Informe del 2017 emitido por Zion Market Research.

¿Cómo funciona la analítica predictiva?

La analítica predictiva obtiene su poder de una amplia gama de métodos y tecnologías, que incluyen big data, data mining, modelado estadístico, aprendizaje automático y diversos procesos matemáticos. Las organizaciones usan la analítica predictiva para examinar los datos actuales e históricos, para detectar tendencias y pronosticar eventos y condiciones que deberían ocurrir en un momento específico, según los parámetros suministrados.

Con la analítica predictiva, las organizaciones pueden encontrar y explotar los patrones contenidos en los datos para detectar riesgos y oportunidades. Los modelos pueden diseñarse, por ejemplo, para descubrir relaciones entre diversos factores de comportamiento. Dichos modelos permiten la evaluación de la promesa o el riesgo presentados por un conjunto particular de condiciones, guiando la toma de decisiones informadas a través de varias categorías de la cadena de aprovisionamiento y los eventos de adquisición.

¿Cuáles son los beneficios de la analítica predictiva?

A lo largo de los siglos, mirar hacia el futuro siempre ha tenido tres objetivos fundamentales: dinero, fama y poder. La analítica predictiva en realidad no cambia las razones por las cuales las personas quieren saber qué va a pasar la próxima semana, el mes que viene o el próximo año, simplemente hace que mirar hacia el futuro sea más preciso y confiable que las herramientas anteriores.

  • Dinero: La analítica predictiva puede ayudar a los adoptantes a encontrar formas de ahorrar y ganar dinero. Los minoristas a menudo usan modelos predictivos para pronosticar los requerimientos de inventario, administrar los cronogramas de envíos y configurar los diseños de las tiendas para maximizar las ventas. Las aerolíneas frecuentemente usan la analítica predictiva para establecer precios de boletos que reflejan las tendencias de viajes anteriores. Los hoteles, restaurantes y otros competidores de la industria de la hospitalidad pueden usar la tecnología para pronosticar el número de huéspedes en una noche determinada con el fin de maximizar la ocupación y los ingresos.
  • Fama: Ningún negocio ha tenido éxito al desvanecerse en la oscuridad. Al optimizar las campañas de marketing con analítica predictivas, las organizaciones pueden generar nuevas respuestas o compras de clientes, así como promover oportunidades de ventas cruzadas. Los modelos predictivos pueden ayudar a las empresas a atraer, retener y nutrir a sus clientes más valiosos.
  • Poder: La analítica predictiva se puede utilizar para detectar y detener varios tipos de comportamiento delictivo antes de que se cometa cualquier daño grave. Mediante el uso de la analítica predictiva para estudiar las conductas y las acciones de los usuarios, una organización puede detectar actividades que son extraordinarias, desde el fraude con tarjetas de crédito hasta el espionaje corporativo y los ataques cibernéticos.

¿Cómo se diferencia la analítica predictiva de los análisis tradicionales?

La diferencia entre la analítica convencional y la analítica predictiva es simple y directa. Mientras la analítica tradicional generalmente se enfoca en las ideas que impactan aquí y ahora, la analítica predictiva tiene como objetivo permitir que los usuarios observen el futuro a corto y largo plazo con el propósito de identificar las tendencias probables y las próximas conductas.

¿Cómo debe una organización comenzar con la analítica predictiva?

Si bien iniciar la analítica predictiva no es exactamente algo instantáneo, es una tarea que prácticamente cualquier empresa puede manejar siempre y cuando se mantenga un compromiso con el enfoque y se disponga a invertir el tiempo y los fondos necesarios para que el proyecto avance. Comenzar con un proyecto piloto de escala limitada en un área comercial crítica es una excelente manera de limitar los costos iniciales y minimizar el tiempo antes de que las recompensas financieras comiencen a llegar. Una vez que se pone en marcha un modelo, generalmente requiere poco mantenimiento mientras continúa para obtener ideas accionables durante muchos años.

Ejemplos de analítica predictiva

Las organizaciones de hoy en día usan la analítica predictiva de maneras prácticamente infinitas. La tecnología les ayuda a los adoptantes en campos tan diversos como las finanzas, la salud, el comercio minorista, la hotelería, los productos farmacéuticos, la automoción, la industria aeroespacial y la fabricación.

Aquí hay algunos ejemplos de cómo las organizaciones están utilizando la analítica predictiva:

  • Aeroespacial: Predecir el impacto de las operaciones de mantenimiento específicas en la confiabilidad de la aeronave, el uso de combustible, la disponibilidad y el tiempo de actividad.
  • Automotriz: Incorporar registros de robustez y falla de los componentes en los próximos planes de fabricación de vehículos. Estudiar el comportamiento del conductor para desarrollar mejores tecnologías de asistencia al conductor y, eventualmente, vehículos autónomos.
  • Energía: Pronosticar las relaciones de precio y demanda a largo plazo. Determinar el impacto de los eventos climáticos, fallas en los equipos, regulaciones y otras variables en los costos del servicio.
  • Servicios financieros: Desarrollar modelos de riesgo de crédito. Previsión de las tendencias del mercado financiero. Pronosticar el impacto de las nuevas políticas, leyes y regulaciones en las empresas y los mercados.
  • Fabricación: Pronosticar la ubicación y la tasa de fallas de la máquina. Optimizar las entregas de materia prima en función de las demandas futuras proyectadas.
  • Aplicación de la ley: Utilizar datos de tendencias delictivas para definir vecindarios que puedan necesitar protección adicional en ciertos momentos del año.
  • Venta minorista: Seguir a un cliente en línea en tiempo real para determinar si proporcionar información de productos o incentivos adicionales aumentará la probabilidad de una transacción completa.

Herramientas de analítica predictiva

Las herramientas de analítica predictiva brindan a los usuarios información valiosa y en tiempo real sobre una gama casi infinita de actividades comerciales. Las herramientas se pueden usar para predecir varios tipos de comportamiento y patrones, como la forma de asignar recursos en momentos específicos, cuándo reponer existencias o el mejor momento para lanzar una campaña de marketing, basando las predicciones en un análisis de datos recopilados durante un período de tiempo.

Prácticamente todos los que usan la analítica predictiva usan herramientas provistas por uno o más desarrolladores externos. Muchas de estas herramientas están diseñadas para satisfacer las necesidades de empresas y departamentos específicos. Entre los principales proveedores de servicios y software de analítica predictiva se encuentran:

Modelos predictivos de analítica

Los modelos son la base de la analítica predictiva: las plantillas que permiten a los usuarios convertir los datos pasados y actuales en información procesable, creando resultados positivos a largo plazo. Algunos tipos de modelos predictivos típicos incluyen:

  • Modelo de valor de vida del cliente: Identificar a los clientes que tienen más probabilidades de invertir más en productos y servicios.
  • Modelo de segmentación del cliente: Agrupar a los clientes basándose en características similares y comportamientos de compra
  • Modelo de mantenimiento predictivo: Pronosticar las posibilidades de que se malogre equipo esencial.
  • Modelo de garantía de calidad: Detectar y prevenir defectos para evitar decepciones y costos adicionales al proporcionarles productos o servicios a los clientes.

Técnicas de modelado predictivo

Los usuarios de modelos tienen acceso a una gama casi infinita de técnicas de modelado predictivo. Muchos métodos son únicos para productos y servicios específicos, pero un núcleo de técnicas genéricas, como árboles de decisión, regresión e incluso redes neuronales, ahora son ampliamente compatibles en una amplia gama de plataformas de analítica predictiva.

Los árboles de decisión, una de las técnicas más populares, se basan en un diagrama esquemático, en forma de árbol, que se usa para determinar un curso de acción o para mostrar una probabilidad estadística. El método de ramificación también puede mostrar todos los resultados posibles de una decisión particular y cómo una elección puede conducir a la siguiente.

Las técnicas de regresión se utilizan a menudo en la banca, la inversión y otros modelos orientados a las finanzas. La regresión les ayuda a los usuarios a pronosticar valores de activos y comprender las relaciones entre variables, como los productos básicos y los precios de las acciones.

A la vanguardia de las técnicas de analítica predictiva se encuentran las redes neuronales -algoritmos diseñados para identificar relaciones subyacentes dentro de un conjunto de datos al imitar la forma en que funciona la mente humana.

Algoritmos de analítica predictiva

Los usuarios de analítica predictiva tienen fácil acceso a una amplia gama de algoritmos estadísticos, de minería de datos y de aprendizaje automático diseñados para su uso en modelos de analítica predictiva. Los algoritmos generalmente están diseñados para resolver un problema comercial específico o una serie de problemas, mejorar un algoritmo existente o proporcionar algún tipo de capacidad única.

Los algoritmos de agrupamiento, por ejemplo, son adecuados para la segmentación de clientes, la detección de comunidades y otras tareas relacionadas con la sociedad. Típicamente, se utilizan los algoritmos de clasificación con el fin de mejorar la retención de clientes o para desarrollar un sistema de recomendación. Por lo general, se selecciona un algoritmo de regresión para crear un sistema de puntaje crediticio o para pronosticar el resultado de muchos eventos impulsados por el tiempo.

Analítica predictiva en Salud

Las organizaciones de atención médica se han convertido en una de las industrias adoptadoras más entusiastas de la analítica predictiva por una razón muy simple: la tecnología les ayuda a ahorrar dinero.

Las organizaciones de salud utilizan la analítica predictiva de muchas formas diferentes, incluida la asignación inteligente de los recursos de las instalaciones en función de tendencias pasadas, la optimización de los horarios del personal, la identificación de pacientes en riesgo de readmisión costosa a corto plazo y la adición de inteligencia a la adquisición y gestión de suministros y farmacéuticos.

Un informe de la Society of Actuaries del 2017, sobre tendencias de la industria de la salud en analítica predictiva, descubrió que más de la mitad de los ejecutivos de atención médica (el 57%) en organizaciones que ya usan analítica predictiva creen que la tecnología les permitirá ahorrar 15% o más de su presupuesto total en los próximos cinco años. Un 26% adicional de ahorros previstos del 25% o más.

El estudio también reveló que la mayoría de los ejecutivos de atención médica (el 89%) pertenecen a organizaciones que ahora están utilizando la analítica predictiva o planean hacerlo en los próximos cinco años. Un impresionante 93% de los ejecutivos de atención médica declaró que la analítica predictiva es importante para el futuro de su negocio.