¿Qué es analytics prescriptivos?

La analítica preventiva es una subdisciplina dentro de los analytics de big data, en sí misma una práctica situada dentro de las disciplinas de analytics de negocio y business intelligence, que se definen ampliamente como la conversión de datos en insights aplicables en la práctica.

Existen cuatro tipos principales de analytics de datos, siendo analytics prescriptivos el más avanzado:

• Analytics descriptivos: "¿Qué pasó?"

• Analytics de diagnóstico: "¿Por qué sucedió?"

• Análisis predictivos: "¿Qué puede ocurrir a continuación?"

• Analytics prescriptivos: "¿Qué debemos hacer a continuación?"

Si bien los cuatro tipos de analytics son útiles para contar la historia dentro de los datos, analytics prescriptivos difiere de los otros tipos en su enfoque no solo en predecir resultados futuros, sino también en recomendar acciones o decisiones para lograr los resultados deseados o prevenir los indeseables. No se trata solo de "¿qué podría pasar en el futuro?" sino "¿Qué debemos hacer para prepararnos para el futuro?"

Las organizaciones emplean analítica preventiva para tareas tan variadas como la segmentación de clientes, la predicción de abandono, la detección de fraudes, la evaluación de riesgos, el forecasting de la demanda, el mantenimiento prescriptivo y las recomendaciones personalizadas. Si bien la práctica precede a la llegada de big data, la prevalencia de grandes volúmenes de datos históricos dentro de las organizaciones aceleró la práctica.

Hoy en día, las herramientas de analítica preventiva emplean muchas técnicas estadísticas del modelado predictivo, pero también aprovechan los algoritmos y modelos de inteligencia artificial y machine learning. El software de análisis emplea modelos de machine learning entrenados con grandes cantidades de datos, lo que permite a los analistas identificar con mayor precisión los riesgos y las oportunidades, lo que guía y mejora la toma de decisiones de los líderes empresariales.

Analytics prescriptivos agrega una capa de recomendación sobre analytics predictivo y se diferencia de este en términos de enfoque, alcance y abordaje.

Analytics prescriptivos ofrece una amplia gama de beneficios en todas las industrias y aplicaciones. Estos son algunos de los principales beneficios, junto con ejemplos de analytics prescriptivos:

Analytics prescriptivos permite a las organizaciones tomar decisiones basadas en datos al proporcionar insights sobre tendencias y resultados futuros. Por ejemplo, considere una cadena minorista que quiere pronosticar la demanda de un nuevo producto. Con insights predictivos basados en datos históricos de comportamiento del consumidor, la cadena minorista puede tomar decisiones más informadas sobre si lanzar, poner precio y promocionar el nuevo producto, cuándo y cómo.

Al refinar continuamente los modelos prescriptivos, experimentar con nuevas fuentes de datos y explorar enfoques innovadores, las compañías pueden diferenciar en el mercado y mantener un beneficio competitivo. En la atención médica, donde emitir juicios sobre los resultados futuros puede ser una cuestión de vida o muerte, analytics prescriptivos se puede emplear para decidir sobre tratamientos o medicamentos óptimos en función de muchos factores.

Analytics prescriptivos ayuda a las organizaciones a optimizar sus operaciones mejorando la asignación de recursos y agilizando los procesos de negocio. Al predecir las necesidades de mantenimiento, gestionar los niveles de inventario y optimizar los programas de producción, las compañías pueden minimizar los costos y reducir los residuos.

Imagine una compañía de fabricación con una línea de ensamblaje que consta de varios procesos interconectados, incluida la adquisición de componentes, el ensamblaje, el control de calidad y el empaque. El mantenimiento prescriptivo se puede emplear para analizar los datos de los sensores, como las lecturas de temperatura, vibración y presión, y predecir las tasas de falla para que los gerentes de las instalaciones puedan dar servicio a sus equipos de manera proactiva.

Analytics prescriptivos ayuda a las organizaciones a identificar y mitigar riesgos al detectar anomalías y tendencias indicativas de amenazas potenciales. En sectores como los servicios financieros, los seguros y la ciberseguridad, los modelos pueden evaluar el riesgo crediticio y detectar actividades fraudulentas, protegiendo así los activos y preservando la confianza.

Analytics prescriptivos asigna puntajes de riesgo a transacciones o entidades individuales en función de su probabilidad de ser fraudulentas. Al considerar varios factores de riesgo, como los montos de las transacciones, la frecuencia, la ubicación y el comportamiento del cliente, los algoritmos de analytics avanzados pueden priorizar las alertas y centrar los esfuerzos de investigación en transacciones o entidades de alto riesgo. Esto ayuda a los equipos de detección de fraudes a asignar sus recursos de manera más efectiva y responder rápidamente a posibles amenazas.

Al anticipar a las necesidades y preferencias de los clientes, las compañías pueden ofrecer experiencias personalizadas y soluciones a medida. Analytics prescriptivos permite a las organizaciones segmentar su base de clientes para mejorar la orientación y ofrecer recomendaciones específicas y otros compromisos anticipatorios basados en lo que el modelo cree que quieren los clientes.

Las empresas de hoy en día pueden reducir la pérdida de clientes al predecir cómo los clientes quieren interactuar con las marcas y los productos, utilizando la toma de decisiones basada en datos donde antes solo podían hacer conjeturas. Estas herramientas no son solo para ventas y marketing, sino para toda la organización. Todo lo relacionado con el desarrollo y evolución de un producto a lo largo del tiempo ahora puede ser informado por un análisis prescriptivo que recomienda las mejores acciones que impulsarán la satisfacción del cliente.

Analytics prescriptivos suele seguir estos pasos:

1. Definición del problema: en primer lugar, los profesionales deben definir lo que el modelo necesita predecir para determinar el enfoque correcto. Hay muchos tipos de modelos que se adaptan a casos de uso específicos. El uso del modelo correcto y los datos correctos es clave para obtener los mejores resultados de manera más rápida y rentable.

2. Recopilación y preprocesamiento de datos: el proceso comienza con la recopilación de datos relevantes de diversas fuentes internas y datos externos de terceros proveedores. La calidad y la cantidad de los datos recopilados son cruciales para la precisión y la eficacia de los modelos. Una vez recopilados los datos, se someten a un preprocesamiento para limpiarlos, transformarlos y prepararlos para el análisis. Esto puede implicar manejar valores faltantes, eliminar duplicados, estandarizar formatos y codificar variables categóricas. El preprocesamiento de datos ayuda a garantizar que los datos sean congruentes y adecuados para el modelado.

3. Selección e ingeniería de características: a continuación, se seleccionan o diseñan las características relevantes del conjunto de datos para emplearlas como entradas de los modelos. Este paso implica identificar las características más informativas que tienen poder predictivo y pueden requerir experiencia en el dominio para determinar qué variables son más relevantes para la tarea de predicción.

4. Analytics descriptivos y predictivos: Antes de aplicar analytics prescriptivos, las organizaciones suelen realizar análisis descriptivos para comprender el rendimiento pasado y analytics predictivo para pronosticar resultados futuros. El analytics descriptivo implica resumir y visualizar datos para obtener insights sobre tendencias y patrones históricos, mientras que el analytics predictivo emplea modelos estadísticos y de machine learning para el forecasting de eventos o comportamientos futuros.

5. Modelado prescriptivo: las soluciones de analítica preventiva implican la creación de modelos matemáticos y algoritmos de optimización para recomendar decisiones empresariales que conduzcan a los mejores resultados empresariales posibles. Estos modelos tienen en cuenta varios factores, como restricciones, objetivos, incertidumbres y compensaciones. Esto se basa en el resultado del análisis descriptivo y predictivo, dando recomendaciones sobre cómo una organización debe responder a diversas potencialidades.

6. Despliegue: luego de la evaluación, los modelos se despliegan en sistemas operativos o aplicaciones donde pueden hacer predicciones y sugerencias en tiempo real sobre el mejor curso de acción. Esto puede implicar la integración de los modelos en sistemas de software, API o paneles de control existentes para automatizar los procesos de toma de decisiones o proporcionar información prescriptiva a los usuarios. Las automatizaciones pueden ayudar a que la recopilación y el uso de insights sean más fluidos.

7. Monitoreo y refinamiento: Los modelos requieren monitoreo y mantenimiento continuos para garantizar su efectividad y relevancia a lo largo del tiempo. Esto implica monitorear el desempeño del modelo, actualizarlo con nuevos datos, volver a capacitarlo periódicamente y refinarlo para adaptarlo a circunstancias cambiantes o patrones evolutivos en los datos.