Presentamos los casos de cuatro empresas que están utilizando análisis predictivos para hacer que sus servicios sean más eficientes para optimizar el mantenimiento, encontrar amenazas potenciales e, incluso, salvar vidas.

Durante años, las empresas se han esforzado por desarrollar capacidades de análisis, no sólo para comprender el desempeño pasado, sino para anticipar tendencias y eventos futuros para mejorar la agilidad. Cada vez más, las empresas están implementando análisis predictivos para hacer que sus servicios sean más eficientes, desarrollar productos, encontrar amenazas potenciales, optimizar el mantenimiento e incluso salvar vidas.

La analítica predictiva aplica técnicas como el modelado estadístico, la previsión y el aprendizaje automático al resultado de la analítica descriptiva y de diagnóstico para hacer predicciones sobre resultados futuros.

En marzo, la firma de investigación Facts & Factors recordó que su predicción para el mercado global de análisis predictivo llegaría a 5.7 mil millones de dólares en 2019 y alcanzaría 22.1 mil millones para 2026, una tasa de crecimiento anual compuesta (CAGR) del 24.5%.

A continuación, se muestran cuatro ejemplos de cómo las organizaciones utilizan el análisis predictivo en la actualidad.

Rolls-Royce optimiza los programas de mantenimiento

Rolls-Royce, uno de los fabricantes de motores de aviones más grandes del mundo, está implementando análisis predictivos para ayudar a reducir drásticamente la cantidad de carbono que producen sus motores y al mismo tiempo optimizar el mantenimiento para ayudar a los clientes a mantener sus aviones en el aire por más tiempo.

La plataforma Intelligent Engine de la empresa supervisa cómo vuela cada uno de sus motores, las condiciones en las que están volando y cómo los utilizan los pilotos. Rolls-Royce aplica el aprendizaje automático (machine learning) a esos datos para personalizar los regímenes de mantenimiento de los motores individuales.

“Estamos adaptando nuestros regímenes de mantenimiento para asegurarnos de que estamos optimizando para la vida útil que tiene un motor, no la vida que el manual dice que debería tener”, explica Stuart Hughes, director de información y digital de Rolls-Royce. “Es un servicio verdaderamente variable que considera cada motor como un motor individual”.

Consejo de Hughes: Concéntrese en ayudar a su cliente. Los análisis están ayudando a Rolls-Royce a optimizar los servicios de mantenimiento que ofrece, pero el beneficio final es que los clientes ven menos interrupciones del servicio porque la empresa puede predecir mejor cuándo será necesario el mantenimiento y ayudarlos a programarlo.

“Rolls-Royce ha estado monitoreando motores y cargando por hora durante al menos 20 años”, asevera. Hughes. “Esa parte del negocio no es nueva. Pero a medida que evolucionamos, comenzamos a tratar el motor como un motor singular. Se trata mucho más de la personalización de ese motor”.

DC Water busca proactivamente roturas de alcantarillado

La Autoridad de Agua y Alcantarillado del Distrito de Columbia (DC Water) ha creado una herramienta llamada Pipe Sleuth que utiliza Inteligencia Artificial para revisar imágenes de CCTV de tuberías de alcantarillado para clasificar defectos.

“Utiliza un modelo de red neuronal de aprendizaje profundo (deep learning) avanzado para realizar análisis de imágenes de tuberías de alcantarillado de pequeño diámetro, clasificarlas y luego crear un informe de evaluación de la condición”, señala Thomas Kuczynski, CIO y vicepresidente de TI en DC Water.

Antes de implementar Pipe Sleuth, los operadores tenían que revisar las imágenes de CCTV manualmente y etiquetar los defectos que veían. Las imágenes etiquetadas se proporcionaron luego a ingenieros certificados para su clasificación. El proceso requería mucho tiempo y era ineficaz.

El consejo de Kuczynski: centrarse en los ingresos y la eficiencia. Pipe Sleuth forma parte de una iniciativa más amplia para aprovechar el análisis predictivo y el análisis en tiempo real en DC Water. Todos son parte de un esfuerzo por reducir la pérdida de agua entre un 2% y un 5%. Cada 1% de “agua encontrada” que antes no se midió vale alrededor de 4 millones de dólares para DC Water.

“Desea ver aquellos problemas que son desafíos persistentes para su organización e idealmente tener un componente de ingresos o un componente de eficiencia asociado con ellos”, afirma Kuczynski. “Siempre es más fácil vender algo que le ahorre algo, ya sea en dólares reales o algo que mejore un proceso de manera significativa”.

Ellie Mae busca amenazas de ransomware

La empresa de tecnología hipotecaria Ellie Mae adoptó una postura proactiva sobre el ransomware al desarrollar Autonomous Threat Hunting. Esta solución combina inteligencia de amenazas, análisis predictivo, Inteligencia Artificial e indicadores de compromiso (IOC) para identificar nuevas técnicas de evasión antes de que puedan usarse.

“La naturaleza de la búsqueda de amenazas es muy proactiva”, manifiesta Selim Aissi, vicepresidente senior y director de seguridad de Ellie Mae. “No espere hasta que haya ocurrido un ataque. Usted explora, prioriza e investiga las amenazas antes de que ocurra un ataque o incluso antes de que se conozca un malware”.

Aissi dice que el proyecto ha aumentado la eficiencia operativa de seguridad en aproximadamente un 35% y ha llevado a una mejora de aproximadamente 10 veces en la identificación temprana de amenazas. También ha aumentado la velocidad de resolución de nuevas amenazas en aproximadamente un 60%.

El consejo de Aissi: haga que la gestión de cambios sea parte de su proceso de planificación desde el principio.

“Desde la perspectiva de la gestión del cambio, gran parte del impacto se produjo realmente en mis equipos de ingeniería y operaciones de seguridad”, dice Aissi. “Muchas de estas capacidades han sido tradicionalmente manuales, y los analistas de seguridad tuvieron que recopilar la información de amenazas e ingresar manualmente esa información en las herramientas. Tuvimos que adaptarnos a esto y capacitar a los analistas e ingenieros de seguridad en esta nueva forma autónoma de hacer las cosas”.

Kaiser Permanente reduce la mortalidad de los pacientes

El consorcio de atención administrada Kaiser Permanente ha creado una herramienta de flujo de trabajo hospitalario que aprovecha el análisis predictivo para identificar a los pacientes de unidades de cuidados no intensivos (UCI) que están en riesgo de deterioro rápido.

Los pacientes que no están en la UCI que requieren transferencias inesperadas a la UCI representan sólo del 2% al 4% de la población total del hospital, pero representan el 20% de todas las muertes hospitalarias, según el Dr. Gabriel Escobar, científico investigador de la División de Investigación y director regional, Investigación de Operaciones Hospitalarias, Kaiser Permanente Northern California.

Kaiser Permanente desarrolló el sistema Advanced Alert Monitor (AAM), que aprovecha tres modelos analíticos predictivos para analizar más de 70 factores en el historial médico electrónico de un paciente determinado para generar una puntuación de riesgo compuesta.

“El sistema AAM sintetiza y analiza estadísticas vitales, resultados de laboratorio y otras variables para generar puntajes de riesgo de deterioro por hora para pacientes adultos del hospital en las unidades médico-quirúrgicas y de atención de transición”, dice Dick Daniels, vicepresidente ejecutivo y CIO de Kaiser Permanente. “Los equipos de hospitales remotos evalúan las puntuaciones de riesgo cada hora y notifican a los equipos de respuesta rápida en el hospital cuando se detecta un deterioro potencial. El equipo de respuesta rápida lleva a cabo una evaluación de cabecera del paciente y calibra el curso de tratamiento con el hospitalista “.

El consejo de Daniels: centrarse en el proceso. Las herramientas de análisis predictivo son tan buenas como los procesos que garantizan que se utilizará la información. Más allá del tiempo dedicado al desarrollo de la herramienta, el equipo de AAM dedicó una cantidad significativa de tiempo a desarrollar e implementar flujos de trabajo que permitirían a los equipos de atención médica responder a las alertas de la manera más eficiente posible.

“Nos tomó alrededor de cinco años realizar el mapeo inicial del back-end de la historia clínica electrónica y desarrollar los modelos predictivos”, dice Daniels. “Luego, nos tomó otros dos o tres años hacer la transición de estos modelos a una aplicación de servicios web en vivo que se pudiera usar de manera operativa”.

Thor Olavsrud, CIO.com