En entregas anteriores tuvimos la oportunidad de compartir nuestro punto de vista respecto de la hoja de ruta que las empresas recorren para convertirse en organizaciones Data-Driven. 

Un aspecto fundamental en esta hoja de ruta es la capacidad analítica con la que los datos serán aprovechados.

Los escenarios en los que las decisiones de negocio basadas en datos se dan, abarcan diferentes niveles de análisis de datos que responden a las siguientes preguntas a medida que dichos niveles son cubiertos:

• ¿Qué sucedió? 

• ¿Por qué sucedió? 

• ¿Qué va a suceder? 

• ¿Qué debo hacer? 

Analítica Descriptiva: ¿Qué sucedió? 

La analítica descriptiva se encarga de resumir y describir los datos históricos para entender qué ha ocurrido en el pasado. La capacidad de visualización, tanto a nivel de resumen como a nivel de detalle, es clave. Es muy importante también poder elegir el nivel de resumen y qué se desea visualizar el análisis. 

Ejemplos de analítica descriptiva: 

• Reportes mensuales de ventas que muestran la evolución de la rentabilidad de diferentes productos en diferentes regiones. 

• Resúmenes estadísticos de pacientes, diagnósticos y tratamientos realizados en un hospital en el último año. 

• Dashboards y paneles de control que muestran el estatus de cumplimiento de objetivos de las principales métricas de negocio/KPIs. 

La herramienta más usada, de lejos, es Excel con una curva de aprendizaje mucho más baja. También se usa en forma significativa Power BI y Tableau, especialmente por sus funcionalidades de análisis más complejos y funcionalidades de visualización avanzadas como por ejemplo estructuras de datos diversas y de múltiples fuentes, altos volúmenes de datos, conexión directa a bases de datos y visualización interactiva (vs estática). 

Analítica Diagnóstica: ¿Por qué sucedió? 

La analítica diagnóstica profundiza en el análisis de datos para entender las causas de los eventos o comportamientos observados. Se utilizan técnicas de análisis de correlación y de causalidad, regresión y búsqueda de patrones y relaciones (gráficos X-Y). 

Distinguir entre correlación y causalidad es fundamental en la analítica diagnóstica para evitar conclusiones equivocadas. Si bien la correlación puede ser un punto de partida útil para identificar relaciones entre variables, la causalidad requiere una investigación más profunda y cuidadosa para establecer un vínculo causal verdadero. 

Hay numerosos ejemplos de correlaciones que no implican causalidad, como las clásicas: 

• Disminución del número de piratas en el mar y el aumento de la temperatura global, aunque con una fuerte correlación, ésta es espúrea ya que no existe relación de causalidad. 

• En la correlación que existe entre el aumento de venta de helados y el aumento de incidentes de ahogamiento, no efecto de causalidad, sino más bien existe una tercera variable, la temperatura, la que es en realidad la causa subyacente.

Ejemplos de analítica diagnóstica: 

• Análisis de datos de campañas para determinar los principales factores que impactaron positivamente en las ventas (p.ej. ratio de conversión con emparejamiento de productos). 

• Identificación de las causas raíz en la caída del rendimiento de una cartera de inversiones específica. 

• Análisis de las principales causas de averías en la maquinaria en proceso productivo 

Algunas de las principales herramientas usadas para analítica descriptiva tienen también funcionalidades que permiten hacer analítica diagnóstica como MS Power BI y Tableau o el mismo Excel, a las cuales se suma por un lado Qlik Sense con su capacidad de realizar análisis de causa raíz, y por otro lado la posibilidad de usar Python con una diversidad de bibliotecas enfocadas en el diagnóstico (Pandas, NumPy, SciPy, etc). 

Analítica Predictiva: ¿Qué va a suceder? 

La analítica predictiva utiliza datos históricos así como técnicas de modelado estadístico, machine learning y algoritmos para predecir eventos futuros. Dicha predicción se asocia a un nivel de probabilidad de ocurrencia basado en patrones y tendencias pasadas. 

La analítica predictiva no es algo nuevo, recordemos el uso de promedio móvil ponderado o regresiones variadas y multivariadas en general. Lo nuevo es la aparición de algunos algoritmos (tipo Deep Learning), pero sobre todo la gran capacidad/posibilidad de incorporar un número altísimo de variables para hacer las predicciones. 

Realizar un análisis diagnóstico previo ayuda mucho en el nivel de precisión de los modelos predictivos. 

Ejemplos de analítica predictiva: 

• Pronóstico de ventas basado en la data histórica, temporadas, campañas, variables externas (p.ej. clima). Tiene un rango de aplicación amplio, incluyendo la planificación de la producción, la gestión de inventarios y el diseño de estrategias de marketing. 

• Mantenimiento predictivo con base en el análisis de la información que producen los sensores en la maquinaria, reduciendo el tiempo de inactividad y los costos de reparación. 

• Predicción del abandono/deserción de clientes (churn) basado en datos de comportamiento del cliente, las interacciones con estos y sus datos demográficos; lo cual permite tomar medidas preventivas como ofertas o acciones de retención personalizadas. 

• Detección de fraude en base al análisis de transacciones financieras en el que se identifiquen patrones inusuales. 

• Modelos de riesgo de crédito que predigan la probabilidad de incumplimiento de pago usando datos financieros y de comportamiento previo. 

La elección de la herramienta adecuada depende del tipo de análisis y el nivel de personalización que se busca. Herramientas como SAS Advanced Analytics, DataRobot, e IBM SPSS Modeler son alternativas para los usuarios que buscan una solución integrada con capacidades avanzadas de análisis y visualización. Por otro lado, el uso de las bibliotecas TensorFlow, por ejemplo con Python, es ideal para proyectos de deep learning y casos que requieren una alta flexibilidad y personalización. Para casos simples, siempre está disponible el Excel. 

Analítica Prescriptiva: ¿Qué debo hacer? 

La analítica prescriptiva no solo predice lo que va a pasar, sino que también sugiere acciones que se deben tomar para aprovechar oportunidades o mitigar riesgos. Utiliza técnicas de optimización y simulación para proponer estrategias basadas en los resultados predictivos. 

Ejemplos de analítica prescriptiva: 

• Optimización de rutas de despacho para minimizar costos y tiempos. 

• Recomendaciones personalizadas de tratamientos para pacientes basadas en su historial y en predicciones de resultados. 

• Maximización del rendimiento de una cartera de inversiones para un determinado nivel de riesgo. 

• Optimización en los procesos productivos. Por ejemplo en agro, la dosificación de fertilizantes y pesticidas para maximizar la productividad; en minería, los porcentajes de reactivos para maximizar la recuperación de mineral. 

Las funcionalidades más relevantes de herramientas como @Risk, IBM Decision Optimization, Oracle Crystal Ball y FICO Xpress Optimization, incluyen capacidades avanzadas de programación lineal y no-lineal, simulación y manejo de escenarios, análisis de sensibilidad y entornos de desarrollo avanzados. Por otro lado, las predicciones generadas con la analítica predictiva pueden servir como inputs para modelos de optimización o para simulación de escenarios en la analítica prescriptiva. 

La aplicación Waze es un buen ejemplo de cómo se complementa el ámbito predictivo con el prescriptivo, ya que a la predicción de tiempos, recomendaciones de salida y la predicción de eventos, se suma la optimización de rutas y su monitoreo y ajuste dinámico.  

Finalmente, otro ejemplo de aplicación de los 4 tipos de analítica en una área común en muchas empresas es la gestión de inventarios: 

Con analítica descriptiva mostramos la evolución del inventario, con analítica diagnóstica explicamos las principales causas de dicha evolución, con analítica predictiva pronosticamos los niveles requeridos en base a los escenarios más probables y con analítica prescriptiva determinamos la programación de pedidos sugeridos óptima. 

Conclusiones 

En su camino Data-Driven las empresas recorren distintos niveles de aprovechamiento dependiendo del tipo de preguntas de negocio que requieren responder con data, en los casos de uso relevantes para la empresa.  

Las herramientas analíticas a usar dependerán de dicha tipología y, sin duda, la capacidad de análisis dependerá también del nivel de calidad de datos con el que se cuenta. 

Si necesitas ayuda para establecer tu hoja de ruta de aprovechamiento de data, o para realizar una evaluación del nivel de calidad de data que tienes, o si quieres profundizar en algún caso de uso específico y desarrollar un MVP, no dudes en contactarnos. 

Contáctanos aquí: aperezluna@rtm.com.pe