3 errores comunes que pueden descarrilar los esfuerzos de análisis predictivo de su equipo

Scott Barbour/Getty Images

Con la gran demanda actual de científicos de datos y los elevados salarios que cobran, a menudo no resulta práctico para las empresas mantenerlos en plantilla. En su lugar, muchas organizaciones trabajan para aumentar las habilidades analíticas de su personal existente, incluido el análisis predictivo. Pero las organizaciones deben proceder con cautela. El análisis predictivo es especialmente fácil de equivocar. He aquí los tres primeros “no hacer” que su equipo debe aprender, y sus correspondientes remedios.

1) No caiga en las palabras de moda: aclare su objetivo

¿Conoce la canción de Joe Jackson, “You Can’t Get What You Want (Till You Know What You Want)”? Enciéndala y que sea su mantra. Por muy de moda que esté, la “ciencia de los datos” no es un objetivo empresarial ni un objetivo de aprendizaje en sí mismo. Esta palabra de moda no significa nada más específico que “un uso inteligente de los datos”. No se refiere necesariamente a ninguna tecnología, método o propuesta de valor en particular. Más bien alude a una cultura: la de personas inteligentes que hacen cosas creativas para encontrar valor en sus datos. Es importante que todo el mundo tenga esto muy presente cuando aprenda a trabajar con datos.

Bajo el amplio paraguas de la ciencia de datos se sitúa el análisis predictivo, que proporciona la mayor ganancia procesable que se puede obtener de los datos. En pocas palabras, el análisis predictivo es una tecnología que aprende de la experiencia (los datos) para predecir el comportamiento futuro de las personas con el fin de tomar mejores decisiones. La predicción es el Santo Grial para ejecutar con mayor eficacia operaciones a gran escala en marketing, riesgos financieros, detección de fraudes y otros ámbitos. El análisis predictivo permite a su organización optimizar estas funciones al señalar quién tiene más probabilidades de hacer clic, comprar, mentir, morir, cometer fraude, dejar su trabajo o cancelar su suscripción y, más allá de predecir a las personas, al predecir también los resultados más probables para los clientes corporativos individuales y los instrumentos financieros. Estas predicciones informan directamente de la acción a emprender con cada individuo, por ejemplo, mediante el marketing dirigido a los que tienen más probabilidades de comprar y la auditoría de los que tienen más probabilidades de cometer fraude.

Centro de información

• Amplíe las competencias de su equipo en materia de datos

  Patrocinado por Splunk

  Ayude a sus empleados a ser más expertos en datos.

En su aplicación a estas funciones empresariales, el análisis predictivo y el aprendizaje automático (ML) son sinónimos (en otros ámbitos, el aprendizaje automático también se extiende a tareas como el reconocimiento facial que no suelen denominarse análisis predictivo). El aprendizaje automático es clave para la predicción. La acumulación de patrones o fórmulas que el ML deriva (aprende) de los datos -conocida como modelo predic tivo- sirve para considerar una situación única y poner probabilidades al resultado. Por ejemplo, el modelo podría tomar como entrada todo lo que se sabe actualmente sobre un cliente individual y producir como salida la probabilidad de que ese individuo cancele su suscripción.

Cuando empiece a desplegar el análisis predictivo con su equipo, se estará embarcando en un nuevo tipo de propuesta de valor, por lo que requiere un nuevo tipo de proceso de liderazgo. Necesitará que algunos miembros del equipo se conviertan en “líderes de aprendizaje automático” o “gestores de análisis predictivo”, que significan conjuntos de habilidades mucho más específicos que el cajón de sastre “científico de datos”, un título culpable de vaguedades y exageraciones (pero, permítales ese título si quieren, siempre que estén en la misma página).

2) No lidere con la selección de software: las habilidades del equipo son lo primero

En 2011, Thomas Davenport tuvo la amabilidad de pronunciar un discurso en la conferencia que fundé, Predictive Analytics World. “No se trata de las matemáticas, ¡se trata de las personas!”, bramó absolutamente a nuestra cautivada audiencia, más alto de lo que yo había oído nunca desde el instituto, cuando los profesores tenían que controlar una clase de adolescentes.

El sorprendente tono de Tom tocó la nota justa (un re bemol agudo, para ser exactos). Los proveedores de análisis le dirán que su software es La Solución. ¿Pero la solución a qué? Se trata de optimizar sus operaciones a gran escala. Y la solución es una nueva forma de hacer negocios que integre el aprendizaje automático. Así pues, una herramienta de aprendizaje automático sólo sirve para una pequeña parte de lo que debe ser un proceso organizativo holístico.

Play

Play

00:00

Play

Seek 10 seconds backwards

Seek 10 seconds forward

00:00 / 00:00

Mute

Settings

Picture in picture

Fullscreen

.video-summary-list-container { height: 100%; } .video-summary-list-container .MuiScopedCssBaseline-root { height: 100%; }

Summary & chapters

Read as overview

.chapters-list-module_intro__74vPf { padding: 16px; border-bottom: 1px solid rgba(255, 255, 255, 0.2); } .chapters-list-module_chapter__uKhQh { padding: 0 16px 16px 8px; border-bottom: 1px solid rgba(255, 255, 255, 0.2); .MuiPaper-root .MuiButtonBase-root .MuiAccordionSummary-content { margin-top: 16px; margin-bottom: 0; } .MuiPaper-root .MuiCollapse-root .MuiCollapse-wrapper .MuiAccordionDetails-root { padding-bottom: 0; } } .chapters-list-module_chapter-header__Pu4Xi { width: 100%; margin-right: 8px; } .chapters-list-module_chapter-header-content__JIOjX { flex-grow: 1; padding: 8px; border-radius: 8px; cursor: pointer; } .chapters-list-module_chapter-header-content__JIOjX:hover { background-color: rgba(0, 0, 0, .2); } .chapters-list-module_chapter-header-expand-icon__tLLZ9 { margin-top: 16px; } .chapters-list-module_chapter-header-text__bPoKD { font-size: 11px; font-weight: 400; letter-spacing: 1px; text-transform: uppercase; } .chapters-list-module_chapter-bullet-icon__kCL9n { font-size: 11px; font-weight: 400; letter-spacing: 1px; text-transform: uppercase; } .chapters-list-module_chapter-intro__H-iVR { display: flex; align-items: center; gap: 8px; margin-bottom: 2px; } .chapters-list-module_chapter-description__ziIpd { margin: 0 -16px 0 -8px; } .chapters-list-module_intro-text__Sqgju { } .chapters-list-module_chapter-description__ziIpd, .chapters-list-module_intro-text__Sqgju { font-size: 16px !important; white-space: pre-wrap; }

En lugar de seguir las indicaciones de un proveedor, prepare a su personal para gestionar la integración del aprendizaje automático como un esfuerzo empresarial, y luego permita que su personal determine una elección más informada del software de análisis durante una fase posterior del proyecto.

3) No se lance a hacer números: planifique estratégicamente la implantación

El error más común que hace descarrilar los proyectos de análisis predictivo es lanzarse al aprendizaje automático antes de establecer un camino hacia el despliegue operativo. El análisis predictivo no es una tecnología que simplemente se compra y se enchufa. Es un paradigma organizativo que debe salvar la brecha existente entre la cultura cuántica y la empresarial mediante un proceso de colaboración guiado conjuntamente por los stakeholder estratégicos, operativos y analíticos.

Este artículo también aparece en:

• 

  Strategic Analytics: The Insights You Need de HBR

  Tecnología y Operaciones Libro

  22.95

  View Details

Cada proyecto de análisis predictivo sigue una serie de pasos relativamente estándar y establecidos que comienza primero por establecer cómo lo va a implantar su empresa y luego trabaja hacia atrás para ver qué necesita predecir y qué datos necesita para predecirlo, como sigue:

1. Establezca el objetivo empresarial: cómo se integrará el modelo de predicción para influir activamente de forma positiva en las operaciones existentes, por ejemplo, orientando de forma más eficaz las campañas de marketing de retención de clientes.
2. Defina un objetivo de predicción específico que sirva al objetivo empresarial, para lo cual debe contar con la aprobación de los stakeholders empresariales, como el personal de marketing, que debe estar dispuesto a cambiar su orientación en consecuencia. He aquí un ejemplo: "¿Qué clientes actuales con una permanencia de al menos un año y que hayan comprado más de 500 $ hasta la fecha cancelarán en un plazo de tres meses y no volverán a unirse hasta pasados otros tres meses?". En la práctica, las tácticas empresariales y las limitaciones pragmáticas significarán a menudo que el objetivo de predicción debe definirse de forma aún más específica que eso.
3. Preparar los datos de entrenamiento sobre los que operará el aprendizaje automático. Este puede ser un cuello de botella importante, que generalmente se espera que requiera el 80% de la carga de trabajo práctico del proyecto. Se trata de una tarea de programación de bases de datos, mediante la cual los datos existentes en su forma actual se reajustan a las necesidades del software de aprendizaje automático.
4. Aplicar el aprendizaje automático para generar el modelo predictivo. Esta es la parte de la “ciencia espacial”, pero no es la que más tiempo requiere. Es la fase en la que cuenta la elección de la herramienta de análisis - pero, inicialmente, se pueden probar y comparar opciones de software con licencias de evaluación gratuitas antes de tomar luego una decisión sobre cuál comprar (o qué herramienta gratuita de código abierto utilizar).
5. Despliegue el modelo. Integre sus predicciones en las operaciones existentes. Por ejemplo, dirija una campaña de retención al 5% de los clientes para los que sea más probable una respuesta afirmativa a la pregunta “¿se dará de baja el cliente?” definida en (ii).

Hay dos cosas que debe saber sobre estos pasos antes de seleccionar las opciones de formación para sus líderes de análisis predictivo. En primer lugar, estos cinco pasos implican un amplio retroceso e iteración. Por ejemplo, sólo ejecutando el paso (iii) puede quedar claro que no hay datos suficientes para el objetivo de predicción establecido en el paso (ii), en cuyo caso hay que revisarlo y modificarlo.

En segundo lugar, al menos para sus primeros proyectos piloto, tendrá que recurrir a un consultor externo de aprendizaje automático para las partes clave del proceso. Normalmente, su personal no debería esforzarse por convertirse inmediatamente en prácticos autónomos del núcleo del aprendizaje automático, es decir, el paso (iv). Aunque es importante que los jefes de proyecto aprendan los principios fundamentales del funcionamiento de la tecnología -para entender tanto sus requisitos de datos como el significado de las probabilidades predictivas que arroja-, un experto cuantitativo con proyectos previos de análisis predictivo en su cartera debería intervenir en el paso (iv), y también ayudar a guiar los pasos (ii) y (iii). Este puede ser un compromiso relativamente ligero que mantenga la rentabilidad global del proyecto, ya que usted seguirá ejecutando internamente los pasos que requieren más tiempo.

Buena suerte y feliz predicción.