Inicio
 > Informes e investigaciones > Blog de TEC > El uso de análisis predictivos dentro de la inte...

El uso de análisis predictivos dentro de la inteligencia comercial

Escrito por: Analistas de TEC
Publicado: junio 15 2006

Introducción

Los análisis predictivos han ayudado a conducir la inteligencia comercial (BI) hacia una gestión del desempeño comercial (BPM). Por lo general, los análisis predictivos y los modelos se han utilizado para identificar patrones en negocios orientados al consumo, como identificar el riesgo potencial de crédito al emitir tarjetas de crédito o analizar los hábitos de compra de los consumidores minoristas. La industria BI ha cambiado de identificar y comparar patrones de datos (basado en el procesamiento en lotes de datos mensuales y semanales) a proporcionar soluciones de gestión de desempeño con cargas de datos en el tiempo adecuado para poder permitir una toma de decisiones en tiempo real. Por lo tanto el surgimiento de análisis predictivos dentro de BI se ha convertido en una extensión de la funcionalidad general de la gestión de desempeño. Para que las organizaciones compitan en el mercado, es esencial tomar una acercamiento donde se esté un paso adelante. BI puede proporcionar el marco de trabajo para las organizaciones enfocadas en conducir sus negocios con base en modelos predictivos y otros aspectos de la gestión de desempeño.

Se definirán análisis predictivos y se identificarán sus distintas aplicaciones dentro y fuera de BI También se verán los componentes de análisis predictivos y su evolución a partir de minas de datos, y se verá cómo se interrelacionan. Por último, se examinará el uso de análisis predictivos y cómo se pueden fortalecer para conducir la gestión de desempeño.

Perspectiva general de los análisis y su aplicación comercial en general

Las herramientas analíticas permiten una mayor transparencia dentro de una organización, y pueden identificar y analizar tendencias pasadas y presentes, al igual que descubrir la naturaleza oculta de datos. Sin embargo, los análisis y la identificación de tendencias presentes y anteriores no son suficientes para obtener una ventaja competitiva. Las organizaciones necesitan identificar patrones, tendencias y comportamientos futuros del cliente para entender y anticipar sus mercados.

Las herramientas analíticas tradicionales afirman tener una vista de 360 grados de la organización, pero realmente sólo analizan los datos históricos, que pueden estar caducos, incompletos o pueden ser corruptos. Los análisis tradicionales pueden ayudar a obtener una mejor perspectiva con base en tomas de decisiones pasadas, que pueden ser benéficas; sin embargo, los análisis predictivos les permiten a las organizaciones tener un mejor acercamiento al mismo tipo de capacidades analíticas.

Los proveedores de tarjetas de crédito ofrecen un ejemplo de la aplicación de análisis (específicamente análisis predictivos) en su identificación de riesgo de tarjetas de crédito, en la retención del cliente y en los programas de lealtad. Las compañías de tarjetas de crédito intentan retener a sus clientes existentes a través de programas de lealtad y necesitan tomar en cuenta los factores que hacen que los clientes elijan a otros proveedores de tarjetas de crédito. El reto es predecir la pérdida de clientes. En este caso, un modelo que utiliza tres predicciones se puede utilizar para ayudar a predecir la lealtad del cliente: frecuencia de uso, situaciones financieras personales y una tasa menor del porcentaje anual (APR) que ofrecen los competidores. La combinación de estas predicciones se puede utilizar para crear un modelo predictivo. El modelo predictivo puede entonces aplicarse a los clientes y se puede poner en categorías con base en los datos que se obtienen como resultado. Cualquier cambio en la clasificación del usuario etiquetará al cliente; ese cliente entonces se convertirá en un objetivo para el programa de lealtad. Por otro lado, las instituciones financieras utilizan análisis predictivos para identificar el valor del tiempo de vida de sus clientes. Ya sea que esto se traduzca o no a beneficios aumentados, a tasas más bajas de interés u otros beneficios para el cliente, clasificar y aplicar patrones a distintas segmentaciones de clientes les permite a las instituciones financieras beneficiarse de (y beneficiar a ) sus clientes.

Componentes del análisis predictivo

Las minas de datos se pueden identificar como herramientas analíticas que buscan patrones de datos automáticamente e identifican patrones específicos dentro de conjuntos grandes de datos a lo largo de sistemas organizacionales dispares. Las minas de datos, de textos y de Web son tipos de identificación de patrones. Las organizaciones pueden utilizar estas formas de reconocimiento de patrones para identificar patrones de compra de los clientes o la relación entre los registros financieros de una persona y su riesgo de crédito. Los análisis predictivos van un paso más adelante y aplican estos patrones para hacer predicciones con vista al futuro. En lugar de sólo identificar un riesgo potencial de crédito, una organización puede identificar el valor del tiempo de vida de un cliente al desarrollar modelos de decisión predictivos y aplicarlos a patrones identificados. Este tipo de identificación de patrones y de estructuras adelantadas de modelo puede aplicarse igualmente a las soluciones de gestión de desempeño y BI dentro de una organización.

Los análisis predictivos se utilizan para determinar el posible resultado futuro de un evento, o la posibilidad de que se presente una situación. Es la rama de la mina de datos a la que le concierne la predicción de probabilidades y tendencias futuras. El análisis predictivo se utiliza para analizar automáticamente grandes cantidades de datos con distintas variables, incluyendo agrupaciones, árboles de decisión, análisis de la canasta del mercado, modelos de regresión, nidos neurales, algoritmos genéticos, minas de textos, pruebas de hipótesis, análisis de decisiones, etc.

El elemento central de los análisis predictivos es la predicción, una variable que se puede medir para un individuo o entidad para predecir el comportamiento futuro. Estas predicciones se basan en modelos que se crean para utilizar las capacidades analíticas dentro de modelos predictivos generados. Los modelos descriptivos clasifican relaciones al identificar clientes o clientes prospecto, y colocarlos en grupos con base en criterios identificados. Los modelos de decisión consideran conductores económicos y comerciales y restricciones que sobrepasan la funcionalidad general de un modelo predictivo. En un sentido, loa análisis estadísticos también ayudan a conducir estos procesos. Las predicciones son los factores que ayudan a identificar los resultados del modelo actual. Por ejemplo, una institución financiera puede querer identificar los factores que convierten a un cliente valioso por el tiempo de vida.

Las predicciones múltiples se pueden combinar en un modelo predictivo, que, cuando sea sujeto de análisis se pueda utilizar para pronosticar probabilidades futuras y niveles aceptables de confianza. En el modelo predictivo, se recolectan los datos, se formula un modelos estadístico, se hacen las predicciones y se valida el modelo (o se revisa) ya que están disponibles los datos adicionales. Una de las principales diferencias entre las minas de datos y los análisis predictivos es que las minas de datos pueden ser un proceso completamente automatizado, mientras que los análisis predictivos requieren a un analista para identificar los predicadores y aplicarlos a los modelos definidos.

Un árbol de decisión es una variable dentro de un análisis predictivo que permite que el usuario visualice la localización de observaciones acerca de un artículo y lo compare a las conclusiones acerca del valor del artículo. Básicamente, los árboles de decisión se construyen al crear una jerarquía de atributos de predicción. El nivel más alto representa el resultado, y cada subnivel identifica otro factor en dicha conclusión. Esto se puede comparar a las declaraciones deductivas que identifican un resultado con base en si ciertos factores cubren criterios específicos. Por ejemplo, para poder evaluar una deuda potencialmente incobrable con base en el historial crediticio , en el salario en la demografía, etc., una institución financiera puede querer identificar múltiples escenarios, cada uno de los cuales puede cubrir los criterios de clientes de deudas incobrables, y utilizar combinaciones de estos escenarios para identificar cuáles clientes es probable que se conviertan en cuentas de deudas incobrables.

El análisis de regresión es otro componente del análisis predictivo que les permite a los usuarios modelar las relaciones entre tres o más variables para poder predecir el valor de una variable en comparación a los valores de otros. Se puede utilizar para identificar patrones de compra en múltiples calificadores demográficos como edad y género que pueden ser benéficos para identificar dónde vender productos específicos. Dentro de BI; esto es benéfico al utilizarlo con tarjetas de puntuación que se enfoquen en la geografía y las ventas.

Las aplicaciones prácticas de todos estos modelos analíticos les permiten a las organizaciones pronosticar resultados para predecir resultados financieros, esperando un aumento en los ingresos en el proceso. Dentro de BI, aparte de los resultados financieros, los análisis predictivos se pueden utilizar para desarrollar estrategias corporativas a través de la organización. Se pueden llevar a cabo análisis de escenarios “qué sucedería si” para fortalecer las capacidades de análisis predictivos para construir varios escenarios, permitiéndoles a las organizaciones localizar una serie de resultados de planes estratégicos y tácticos. De esta forma, las organizaciones pueden implementar la mejor estrategia con base en la creación de escenarios.

Cómo se utilizan los análisis predictivos dentro de BI, y cómo conducen la BPM de una organización

Las minas de datos, los análisis predictivos y los motores estadísticos son ejemplos de herramientas que se han incluido en los paquetes de software BI para fortalecer los beneficios y la gestión de desempeño. Si BI se ve en retrospectiva y las minas de datos identifica el aquí y ahora, los análisis predictivos y su uso dentro de la gestión de desempeño es la bola de cristal para ver el futuro. Esta vista adelantada les ayuda a las organizaciones conducir su toma de decisiones. BI es conocida por su consolidación de datos de unidades comerciales dispares y por sus capacidades de análisis con base en esos datos consolidados. La gestión de desempeño va un paso adelante al fortalecer el marco de trabajo BI (como la estructura de almacenaje de datos y las capacidades de extracción, transformación y carga [ETL]) para monitorear el desempeño, identificar tendencias y permitirles a los que toman las decisiones la habilidad de establecer medidas adecuadas y monitorear los resultados de forma continua.

Con los análisis predictivos integrados en el proceso anterior, las medidas establecidas y las reglas comerciales identificadas por las organizaciones se pueden utilizar para identificar predicciones que necesiten ser evaluadas. Estas predicciones se pueden utilizar para cambiar a un acercamiento con vista al futuro en la toma de decisiones al utilizar las fuerzas de las áreas antes descritas. Las tarjetas de puntuación son un ejemplo de una herramienta de gestión de desempeño que puede fortalecer los análisis predictivos. La identificación del desempeño de ventas por región, tipo de producto y demografía se pueden utilizar para definir qué productos nuevos deben introducirse en el mercado y dónde. En general, las tarjetas de evaluación pueden reflejar gráficamente la información de ventas seleccionada y crear escenarios “qué sucedería si” con base en los datos identificados para verificar las combinaciones adecuadas de la distribución del nuevo producto.

Los escenarios “qué sucedería si” se pueden utilizar dentro de diferentes herramientas de visualización para crear modelos comerciales que anticipan lo que puede suceder dentro de una organización con base en cambios en variables definidas. Los análisis de estos escenarios les proporcionan a las organizaciones las herramientas para identificar cómo se verán afectadas las ganancias con base en los cambios en inflación y patrones de precios al igual que el impacto del aumento del número de empleados en toda la organización. Se pueden crear cubos de procesamiento analítico en línea (OLAP) para identificar datos dimensionales, y se pueden comparar los patrones dentro de dimensiones cambiantes con el tiempo para contrastar escenarios que utilizan una estructura de cubo para ver automáticamente el resultado de los escenarios "qué sucedería si".

Conclusión

Utilizar análisis predictivos les ayuda a las organizaciones identificar tendencias con base en patrones de datos identificados. Las predicciones y los modelos se pueden utilizar para descubrir patrones de venta y detectar tarjeta habientes de alto riesgo. También pueden fortalecerse e incluirse dentro de soluciones BI y BPM. Las organizaciones que utilizan herramientas de gestión de desempeño deben aprovechar las herramientas integradas de análisis predictivos para llevar a cabo escenarios “qué sucedería si”, crear modelos de regresión y construir árboles de decisión a partir de los patrones identificados dentro de las herramientas de minas de datos que están dentro de BI. Las iniciativas de gestión de desempeño dentro de una organización pueden ayudar a conducir decisiones comerciales con vista al futuro. Ya sea para el departamento de finanzas, el cumplimiento gubernamental, la gestión de desempeño de los centros de llamadas, o las ventas de una organización y los patrones de envío relacionados, desarrollar escenarios "qué sucedería si" y utilizar modelos predictivos, el uso de estas técnicas dentro de la gestión de desempeño ha cambiado la apariencia de BI. Seleccionar las herramientas adecuadas de análisis predictivos no es una tarea simple. Se deben tomar en cuenta las siguientes capacidades antes de implementar una herramienta de análisis predictiva: alcance del algoritmo, grado de automatización, escalabilidad, portabilidad del modelo, habilitación de Web, facilidad de uso, y capacidad para accesar a grandes grupos de datos. Entre más diversificado sea el negocio, más funciones y modelos únicos que se requieren. La portabilidad del modelo es importante incluso dentro de unidades comerciales diferentes en la misma compañía. La escalabilidad de la solución y su habilidad de manejar una funcionalidad expandida se debe verificar y basar en el crecimiento de un negocio.

 
comments powered by Disqus

Búsquedas recientes:
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z Others