Analítica predictiva: el futuro de la inteligencia de negocios




Introducción

El mercado está presenciando un cambio sin precedentes en la inteligencia de negocios (BI), principalmente debido a la innovación tecnológica y al incremento de las necesidades comerciales. El cambio más reciente en el mercado BI es el salto de la analítica tradicional a la analítica predictiva. Aunque la analítica predictiva pertenece a la familia BI, está emergiendo como un sector de software diferente y nuevo.

Las herramientas analíticas permiten mayor transparencia y pueden encontrar y analizar tendencias pasadas y presentes, además de la naturaleza oculta de los datos. Sin embargo, el entendimiento pasado y presente y la información sobre tendencias no son suficientes para ser competitivo en los negocios. Las organizaciones comerciales necesitan saber más sobre el futuro, y en especial, sobre las tendencias, patrones y comportamiento de los clientes en el futuro para comprender mejor el mercado. Para cubrir esta demanda, muchos vendedores desarrollaron la analítica predictiva para predecir las tendencias futuras sobre el comportamiento de los clientes, los patrones de venta y sobre quién está entrando o saliendo del mercado y por qué.

Las herramientas analíticas tradicionales alegan tener una vista real de 360º de la empresa o negocio, pero sólo analizan los datos históricos; datos sobre lo que ya pasó. La analítica tradicional ayuda a comprender qué estuvo bien y qué salio mal en la toma de decisiones. Las herramientas de hoy simplemente proporcionan un análisis posterior. Sin embargo, uno no puede cambiar el pasado, se puede preparar mejor para el futuro y las personas que toman las decisiones quieren ver el futuro predecible, controlarlo y tomar medidas hoy para lograr los objetivos de mañana.

¿Qué el la analítica predictiva?

La analítica predictiva se usa para determinar el resultado futuro probable de un evento o la posibilidad de que una situación ocurra. Es la rama de la minería de datos que se encarga de la predicción de probabilidades y tendencias futuras. La analítica predictiva se usa para analizar automáticamente grandes cantidades de datos con diferentes variables; incluye agrupamiento, árboles de decisión, análisis de la canasta de compra, modelado de regresión, redes neurales, algoritmos genéticos, minería de textos, prueba de hipótesis, analítica de decisiones y mucho más.

El elemento central de la analítica predictiva es el predictor, una variable que se puede medir para que un individuo o entidad prediga el comportamiento futuro. Por ejemplo, una compañía de tarjetas de crédito podría considerar la edad, el ingreso, el historial crediticio y otros datos demográficos como predictores al emitir una tarjeta de crédito y determinar el factor de riesgo del solicitante.

Varios predictores se combinan en un modelo predictivo, que, cuando se somete a análisis, puede ser usado para predecir las probabilidades futuras con un nivel de confiabilidad aceptable. En el modelado predictivo, los datos se reúnen, se formula un modelo estadístico, se hacen las predicciones y el modelo se valida (o revisa) conforme se dispone de datos adicionales.

La analítica predictiva combina el conocimiento del negocio y las técnicas analíticas estadísticas para aplicarlos a los datos comerciales para lograr una mejor percepción. Estas percepciones ayudan a las organizaciones a entender cómo se comportan las personas como clientes, compradores, vendedores, distribuidores, etc.

Varios modelos predictivos relacionados pueden producir buenas percepciones para tomar decisiones estratégicas en la compañía, como dónde explorar nuevos mercados, adquisiciones y retenciones; encontrar oportunidades de liquidación y venta cruzada; y descubrir áreas que pueden mejorar la seguridad y la detección de fraudes. La analítica predictiva indica no sólo qué hacer, sino cómo y cuándo hacerlo, además para explicar escenarios “¿qué pasaría sí…?”.

Una vista microscópica y telescópica de sus datos

La analítica predictiva emplea tanto una visión microscópica como una visión telescópica de los datos lo que permite que las organizaciones vean y analicen los detalles más minúsculos de un negocio, además de asomarse al futuro. Las herramientas BI tradicionales no logran esta funcionalidad. Las herramientas BI tradicionales trabajan con suposiciones que uno crea y posteriormente encontrarán si los patrones estadísticos se ajustan a esas suposiciones. La analítica predictiva va más allá de esas suposiciones para descubrir datos que antes no se conocían; luego busca patrones y asociaciones en todos lados entre información aparentemente diferente.

Usemos el ejemplo de una compañía de tarjetas de crédito que opera un programa de lealtad para describir la aplicación de la analítica predictiva. Las compañías de tarjetas de crédito tratan de retener a sus clientes por medio de programas de lealtad. El reto es predecir la pérdida del cliente. En un mundo ideal, una compañía puede ver al futuro y tomar las medidas apropiadas antes de que los clientes se cambien con las compañías de la competencia. En este caso, se puede construir un modelo predictivo usando tres predictores: frecuencia de uso, situación financiera personal y tasa de porcentaje anual (APR) ofrecida por los competidores. La combinación de estos predictores crea un modelo predictivo, que busca patrones y asociaciones.

Este modelo predictivo se puede aplicar a clientes que comienzan a usar sus tarjetas con menos frecuencia. La analítica predictiva clasificaría a estos usuarios menos frecuentes de manera diferente a los usuarios regulares. Entonces encontraría el patrón de uso de tarjeta para este grupo y predicen un resultado probable. El modelo predictivo podría identificar patrones entre uso de la tarjeta; cambios en la situación financiera personal, y una APR menor ofrecida por la competencia. En esta situación, el modelo de analítica predictiva puede ayudar a la compañía a identificar quiénes son los clientes insatisfechos. Como resultado de esto, las compañías pueden responder oportunamente para que esos clientes sigan siendo leales ofreciéndoles servicios promocionales atractivos para evitar que se cambien con la competencia. La analítica predictiva también puede ayudar a las organizaciones, tales como las agencias gubernamentales, bancos, departamentos de inmigración, video clubes, etc. a lograr sus objetivos comerciales usando datos internos y externos.

Las tiendas de música y libros en línea también aprovechan la analítica predictiva. Muchos sitios proporcionan información adicional del consumidor con base en el tipo de libros que compra. Estos detalles adicionales se generan por medio de la analítica predictiva para tratar de convencer a los clientes que compren productos y servicios relacionados de mayor precio.

La analítica predictiva y la minería de datos

El futuro de la minería de datos se basa en la analítica predictiva. Sin embargo, frecuentemente se confunde en el mercado el significado de los términos minería de datos y extracción de datos. La minería de datos es algo más que simple extracción de datos; es la extracción de información predictiva oculta de bases de datos grandes o almacenes de datos. La minería de datos, también conocida como descubrimiento de conocimiento en bases de datos, es la práctica de buscar patrones automáticamente en grandes almacenes de datos.

Para hacer esto, la minería de datos usa técnicas computacionales de reconocimiento de patrones y estadística. Por otro lado, la extracción de datos es el proceso de sacar datos de un fuente de datos y cargarlos en una base de datos determinada; por ejemplo, saca datos de una fuente o sistema heredado y cargar los datos a una base de datos estándar o almacén de datos. Por ende, la diferencia fundamental entre ambas es que la minería de datos busca patrones en los datos.

Un modelo analítico predictivo se crea con técnicas y herramientas de minería de datos. Las herramientas de minería de datos extraen los datos al entrar a bases de datos masivas y luego procesan los datos con algoritmos avanzados para encontrar patrones ocultos e información predictiva. Aunque hay una conexión obvia entre la estadística y la minería de datos, debido a que las metodologías usadas en la minería de datos se originaron en campos distintos a la estadística.

La minería de datos se encuentra en las fronteras comunes de varios campos, incluyendo la administración de bases de datos, la inteligencia artificial, el aprendizaje automático, el reconocimiento de patrones y la visualización de datos. Las técnicas comunes de la minería de datos incluyen redes neurales artificiales, árboles de decisiones, algoritmos genéticos, método del vecino más cercano y la inducción de reglas.

Principales vendedores de analítica predictiva

Algunos vendedores han permanecido en el sector de las herramientas analíticas predictivas durante décadas, otros han surgido recientemente. Esta sección analizará brevemente las capacidades de los vendedores clave de la analítica predictiva.

SAS

SAS es uno de los líderes en analítica predictiva. Aunque es un participante reciente en la BI, SAS comenzó haciendo herramientas para análisis estadístico por lo menos hace treinta años, lo que le ha ayudado a pasar a la minería de datos y a crear herramientas de analítica predictiva. Su aplicación SAS Enterprise Miner, racionaliza todo el proceso de minería de datos yendo del acceso a los datos a la implementación del modelo soportando todas las tareas necesarias dentro de una solución integrada única. Se entrega como un sistema cliente-servidor distribuido y es muy adecuado para la minería de datos en organizaciones grandes. SAS proporciona herramientas financieras, de predicción y de análisis estadístico esenciales para la resolución de problemas y la agilidad competitiva.

SAS orientado hacia los usuarios poderosos, y es difícil de aprender. Además, en términos de analítica en tiempo real, creación de tableros de mandos y tarjetas de puntuación, SAS está rezagado en comparación con competidores como Cognos, Business Objects e Hyperion; sin embargo, su producto nicho en la minería de datos y la analítica predictiva se ha destacado entre la multitud.

SPSS

SPSS Inc. es otro líder en software y soluciones de analítica predictiva. Fundada en 1968, SPSS tiene un largo historial en la creación de programas para el análisis estadístico en ciencias sociales. Actualmente, SPSS es más conocido como un desarrollador de software para analítica predictiva que para análisis estadístico.

SPSS ha desempeñado un papel de liderazgo pensado en el surgimiento de la analítica predictiva, exhibiéndola como un segmento diferente e importante dentro del sector más amplio del software de inteligencia de negocios. SPSS realizar casi todos los análisis de estadística general (regresión, regresión logística, análisis de supervivencia, análisis de variable, análisis de factores y análisis multivariado) y ahora tiene una gama completa de herramientas analíticas predictivas y de minería de datos.

Aunque el programa viene en módulos, es necesario tener el sistema SPSS Base System para poder aprovechar completamente el programa. SPSS se enfoca en la facilidad; por lo que los principiantes lo disfrutan, mientras que los usuarios más poderosos pueden sobrepasarlo rápidamente. SPSS es fuerte en el área de las gráficas y débil en procedimientos estadísticos más avanzados y no tiene métodos robustos ni métodos de encuesta. La última versión SPSS 14.0 ha mejorado sus vínculos con fuentes de datos y lenguajes de programación de terceros.

Insightful

En líneas muy similares se encuentra Insightful Corporation, un proveedor de software y servicios para el análisis estadístico de datos, minería de datos numéricos y de texto. Suministra software y soluciones para analítica predictiva y proporciona a las empresas soluciones escalables de análisis de datos que producen mejores soluciones al revelar patrones, tendencias y relaciones. El S-PLUS 7 de Insightful es una plataforma estándar de software para el análisis estadístico de datos y para la analítica predictiva. Diseñada con arquitectura abierta e interfases flexibles, S-PLUS 7 es una plataforma ideal para la integración de técnicas estadísticas avanzadas en los procesos comerciales existentes.

Otra herramienta ofrecida por Insightful es Insightful Miner, una herramienta de minería de datos. Su capacidad para escalar grandes conjuntos de datos de manera accesible es una de sus fortalezas. Insightful Miner también es una buena herramienta para tareas de importación/exportación de datos, exploración de datos y limpieza de datos, además reduce sus dimensiones antes del modelado. Aunque tiene poderosas capacidades de reporte y modelado, tiene niveles relativamente bajos de automatización.

StatSoft Inc.

StatSoft, Inc. es un proveedor global de software analítico. Su producto insignia es Statistica, una suite de productos de software para analítica. Statistica proporciona una completa gama de procedimientos de análisis, administración de datos, visualización y minería de datos. Sus características incluyen una amplia selección de técnicas de modelado predictivo, agrupación, clasificación y exploración que se encuentran disponibles en una plataforma de software. Debido a su arquitectura abierta, es altamente personalizable y se puede modificar para cumplir requerimientos de análisis muy específicos y demandantes. Statistica tiene una interfase de usuario de programación gráfica relativamente fácil de usar y proporciona herramientas para todas las tareas de minería de datos; sin embargo, sus tablas no se pueden obtener fácilmente para la evaluación de modelos de redes neurales. Statistica Data Miner es otra solución que ofrece una colección de completas soluciones de minería de datos. Es una de dos suites que proporciona una máquina de soporte vectorial (SVM), que proporcionar el marco para el modelado de algoritmos de aprendizaje.

Knowledge Extractions Engines (KXEN)

Knowledge Extraction Engines (KXEN) es el otro vendedor que proporciona una suite que incluye una SVM. KXEN es una proveedor global de software analítico de negocios. Su herramienta, KXEN, proporciona SVM y une los campos del aprendizaje automático y la estadística.

KXEN Analytic Framework es una suite de motores de modelado predictivos y descriptivos que crean modelos analíticos. Pone la tecnología de minería de datos más reciente al alcance de las personas que toman las decisiones y de los profesionales de la minería de datos. Los componentes clave de KXEN son su robusta segmentación, segmentador inteligente, series temporales, reglas de asociación, máquina de soporte vectorial, codificador consistente, codificador de secuencias, exportación de modelos y tabla de eventos.

Se puede insertar la herramienta de minería de datos de KXEN en aplicaciones empresariales y procesos comerciales. No se requieren conocimientos técnicos avanzados para crear e implementar modelos y KXEN es una herramienta de minería de datos muy exacta y es casi totalmente automática. Sin embargo, se debe enviar un registro por cada entidad que se va a modelar, y este registro debe contener un conjunto de datos limpios.

Unica

Affinium Model es la herramienta de minería de datos de Unica. Se usa en el modelado de respuesta para comprender y anticipar el comportamiento del cliente. Unica es un vendedor de software de administración de mercadotecnia empresarial (EMM) y Affinium Model es un componente central de Affinium EMM, una suite de software líder en el mercado.

El software permite que los profesionales de la mercadotecnia reconozcan y predigan los comportamientos y preferencias de los clientes –y usen esa información para desarrollar estrategias e interacciones de mercadotecnia relevantes, rentables y orientadas al consumidor. La operación automática del motor de modelado protege al usuario de muchas operaciones de minería de datos que los usuarios de otros paquetes deben hacer manualmente, incluyéndola elección de algoritmos.

Affinium es un producto de modelado de respuestas fácil de usar y es adecuado para el minero de datos o estadístico, que no tiene conocimientos estadísticos y gráficos. Las nuevas variables se pueden derivar en la hoja de cálculo con una amplia variedad de funciones macro; sin embargo, la solución no cuenta con herramientas de exploración de datos ni funciones de preparación de datos.

Angoss Software Corporation

Otro proveedor líder en las herramientas analíticas predictivas y de minería de datos es Angoss Software Corporation.

Sus productos proporcionan información sobre el comportamiento de los clientes y las iniciativas de mercadotecnia para ayudar a desarrollar estrategias comerciales. Los principales productos incluyen KnowledgeSTUDIO y KnowledgeSEEKER, que son herramientas analíticas predictivas y de minería de datos. La compañía también ofrece capacitación personalizada para sus clientes, que se encuentran en la industria de servicios financieros.

Angoss desarrolló software de analítica predictiva específico para la industria, como Angoss Expands FundGuard, Angoss Telecom Marketing Analytics y Angoss Claims & Payments Analytics. Además usarse en la industria financiera el software de Angoss se usa en organizaciones de telecomunicaciones, de ciencias biológicas y minoristas.

Fair Isaac Corporation

En líneas muy similares, Fair Isaac Corporation es el proveedor principal de sistemas de puntuación de crédito. La firma ofrece herramientas predictivas basadas en estadística para la industria del crédito al consumidor. Model Builder 2.1 trata de la analítica predictiva y es una plataforma avanzada de modelado diseñada específicamente para arrancar el proceso de modelado predictivo, que permite un rápido desarrollo y la implementación de modelos predictivos en las aplicaciones de decisiones de clase empresarial. Los productos analíticos y de administración de decisiones de Fair Isaac se usan en todo el mundo, e incluyen puntuación de solicitantes para aseguradoras, y productos de administración de riesgos financieros y bases de datos para cuestiones financieras.

IBM

No podemos dejar de lado a IBM, la compañía de tecnología e información más grande del mundo, que también ofrece herramientas analíticas predictivas. DB2 Intelligent Miner for Data es una herramienta analítica predictiva y se puede usar para tener nuevas percepciones comerciales y para extraer inteligencias comerciales valiosas de los datos empresariales. El Intelligent Miner for Data saca datos de transacciones de alto volumen generados en puntos de venta, cajeros automáticos (ATM), tarjetas de crédito, centros de llamadas o actividades de comercio electrónico. Equipa mejor a las organizaciones para tomar decisiones informadas, ya sea que el problemas sea cómo desarrollar campañas de mercadotecnia dirigidas con más precisión, reducir el desgaste de los clientes o incrementar los ingresos generados por las compras por Internet.

El Intelligent Miner Scoring está construido como una extensión de la herramienta DB2 y trabaja directamente desde la base de datos relacional. Acelera los procesos de minería de datos, lo que da como resultado la capacidad de tomar decisiones más rápidamente a partir de gran cantidad de datos seleccionados. Además, debido a que D2B Intelligent Miner Scoring es compatible con las bases de datos Oracle, las compañía ya no tienen que esperar a que Oracle incorpore capacidades de inteligencia de negocios en sus productos de base de datos.

Recomendaciones para los usuarios

Dependiendo de las necesidades de una organización, algunas herramientas de analítica predictiva serán más importantes que otras. Cada una tiene sus fortalezas y debilidades y puede ser muy específica para la industria y el modelo –los algoritmos y modelos creados para una industria no son aplicables para otras industrias. Las industrias financieras, por ejemplo, tienen modelos diferentes de los que se usan en las industrias de la manufactura y la investigación.

Seleccionar las herramientas de analítica predictiva adecuadas no es una tarea sencilla. Las siguientes capacidades deben tomarse en cuenta: riqueza de los algoritmos, grado de automatización, posibilidad de escalarla, portabilidad del modelo, capacidad de habilitar para la Web, facilidad de uso y capacidad de acceder a grandes conjuntos de datos. Mientras más diversificado sea el negocio, más funciones y modelos únicos se necesitan. La portabilidad del modelo es importante incluso dentro de diferentes unidades comerciales dentro de la misma compañía. La escalabilidad de la solución y su capacidad de manejar funcionalidades expandidas también se debe verificar y debe estar basad en el crecimiento del negocio.

Las herramientas también deben ser probadas por los expertos adecuados. Para comprender e interpretar los resultados de la analítica predictiva, se deben tener conocimientos sobre modelado estadístico. Se deben buscar las principales funciones y características de la herramienta y tratar de hacerlas coincidir con sus principales requerimientos, así como también medir si se sacrifica entre funcionalidad y costo. Por ejemplo, algunas funcionalidades pueden ser más importantes para algunas compañías que para otras.

Los compradores también deben tener cuidado. Aunque las campañas de mercadotecnia de las soluciones de analítica predictiva alegan “facilidad de uso”, estas herramientas no son para principiantes. Los usuarios deben tener experiencia y capacitación amplia para usar las funcionalidades básicas de las soluciones de analítica predictiva, tales como identificación de datos, construcción del modelo predictivo con los predictores adecuados, conocimiento sobre minería de datos para alinearla con la estrategia comercial etc. Además, la analítica predictiva automatiza la creación de modelos, pero no automatiza la integración de los procesos comerciales y el conocimiento. Por lo tanto, se necesita de experiencia y capacitación para evaluar el mejor software pertinente para el modelo comercial único de una organización.

No obstante, si la compañía tiene o está dispuesta a lograr la experiencia requerida para usar la analítica predictiva definitivamente puede sacar provecho de la herramienta. Aunque la mayoría de las empresas grandes usan algún tipo de herramienta o plataforma BI tradicional, sus herramientas no proporcionan la funcionalidad de analítica predictiva. Incorporar la analítica predictiva a una infraestructura BI existente puede proporcionar a la organización una ventaja competitiva en su industria. En consecuencia, la integración de las herramientas BI es una consideración clave al momento de seleccionar una herramienta analítica descriptiva, ya que su integración con aplicaciones clave tales como la planificación de los recursos de la empresa (ERP), la gestión de los recursos del cliente (CRM) y la administración de la cadena de suministro (SCM) etc. Finalmente, ya que la analítica predictiva es actualmente la única manera de analizar y monitorear las tendencias comerciales del pasado, presente y futuro, seleccionar la herramienta correcta puede ser un factor clave para el éxito de su estrategia BI.

Acerca del autor

Mukhles Zaman tiene más de 25 años de experiencia en la industria de la TI y se especializa en inteligencia de negocios (BI), administración de las relaciones con los clientes (CRM), administración de proyectos, diseño de bases de datos y software de reporte. Es un experto BI líder y ha trabajado como administración de proyecto senior en proyectos TI para compañías que se encuentran entre las Fortune 1000 en la India, el Medio Oriente, los Estados Unidos y Canadá. También ha desarrollado sistemas para centros de llamadas, arquitectura para software y sistemas de administración de portafolios. Tiene una maestría en Economía y una licenciatura en Economía y Estadística de la Universidad de Dhaka y es un Profesional certificado por Oracle. Puede comunicarse con él en la siguiente dirección mukhleszaman@yahoo.com.

 
comments powered by Disqus