Toda organización aspira hoy en día sacar partido de sus procesos y de las relaciones con sus clientes. Una de las principales vías para conseguirlo pasa por acceder y analizar la información valiosa que radica en sus sistemas, para así obtener conclusiones y ponerlas en práctica.

Los datos revelan hechos sobre nuestros clientes. Por ejemplo, nos permiten identificar quiénes cancelan sus contratos y se marchan a la competencia, en qué área geográfica se mueven o en qué fuente de ingresos se sitúan aquellas personas que han contactado con nuestro call center tres o más veces en los últimos seis meses.

El análisis de estos datos nos pueden ayudar a entender mejor el comportamiento del cliente, cómo prever posibles cuellos de botella en materia logística o determinar la efectividad de una iniciativa.

Para obtener el mayor provecho posible de estas ideas, resulta necesario extender estas averiguaciones a todas las líneas de actividad de la organización, empleando la analítica predictiva.

Gracias a esta tecnología podremos identificar dónde se producen posibles retrasos en los procesos, tomar medidas para aliviar futuras incidencias o predecir el comportamiento del cliente.

Qué hacer y qué no hacer con la analítica predictiva

Para que los proyectos de analítica predictiva alcancen resultados satisfactorios y consigan integrarse en el seno de los procesos de negocio, se han de priorizar numerosos aspectos y sortear diversos obstáculos. A continuación se expone qué debemos y no debemos hacer con relación a la analítica predictiva:

• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.

_________

El autor de este artículo, Manuel del Pino, es Manager Preventa de Information Builders para México, España y Portugal.