Ronald Rodríguez, ingeniero de software senior de Prodigious, plataforma de producción global del Publicis Groupe, explica que los modelos predictivos se basan en el análisis de datos históricos para realizar predicciones de comportamiento en el futuro. Dentro de las organizaciones, la analítica predictiva se utiliza para respaldar la toma de decisiones.
Cada vez más empresas de diferentes sectores económicos comprenden profundamente la necesidad de implementar buenas prácticas y herramientas para el análisis de datos como parte de los procesos de Transformación Digital. En los últimos meses, el comportamiento de los consumidores ha cambiado y parte de sus decisiones de compra se toman teniendo en cuenta la información adquirida en ‘un momento inmediato’, e incluso sin tener en cuenta el pasado.
Para la adopción de prácticas y herramientas, se realiza un reconocimiento de las necesidades y nivel de madurez de la gestión de datos de cada organización. Hoy en día, una de las fuentes de datos con mayor crecimiento en análisis es la del mercado digital; Básicamente, toda la información recopilada sobre el comportamiento de un usuario en un sitio web, se convierten en insumos que ayudan a comprender mejor las necesidades del consumidor y también para que las empresas reorganicen el sitio web de una manera más dinámica. Estas entradas, a su vez, se utilizan para diversas tareas dentro del negocio, una de ellas es el análisis predictivo.
La analítica predictiva se desarrolla utilizando técnicas de recopilación, preparación y evaluación de estadísticas. A este proceso se le suman técnicas de Machine Learning (ML) e Inteligencia Artificial (AI) para generar valor a partir de los datos. Si bien es común esperar a que se consulten los documentos de evaluación, cada vez hay más aplicaciones de software que están orientadas a entregar modelos predictivos para resolver diversas necesidades de respuesta a la demanda.
La aplicación de modelos predictivos también beneficia a la industria petrolera. En este caso, las empresas, a través de sensores ubicados en la maquinaria y en los terminales, recolectan cantidades de información que permiten establecer el momento oportuno para realizar el mantenimiento preventivo de los equipos. Aquí cobra relevancia el análisis de los datos porque el mantenimiento realizado a tiempo evita que la máquina falle, hecho que genera un ahorro económico para las empresas frente a tener la producción detenida durante horas.
Independientemente del contexto en el que se apliquen estos modelos predictivos, debe quedar claro qué desea pronosticar y la información que se requiere para ello. Recientemente, eventos como la pandemia han asestado un duro golpe a los modelos predictivos. Antes del coronavirus, la recolección de información histórica era fundamental, luego de este evento los hábitos de consumo cambiaron y varían a diario, cambiando la concepción del valor de los datos.
A la hora de determinar qué datos son relevantes o no para estos modelos, es importante establecer aquellas cualidades enfocadas en el éxito de un negocio. Por ejemplo, comprender los hechos que lograron la conversión de un usuario, por qué se logró una venta, factores en torno a por qué el usuario finalmente hizo clic en un botón, elementos asociados con el comportamiento del usuario (en casos como este, la recopilación de datos históricos).
Al mencionar cuál es la percepción de las organizaciones frente a estos modelos predictivos, nos encontramos con que, al principio, cada empresa ha creado su hipótesis de por qué algo tiene éxito. Sin embargo, cuando empresas, como Prodigious, muestran que a partir de datos reales se puede validar o refutar esa primera hipótesis, la percepción sobre la importancia de tomar decisiones basadas en el análisis de datos cambia por completo, mostrando que factores de alto impacto pueden generar cambios en la experiencia del usuario.
Aunque al principio hay cierta resistencia, luego, dependiendo de los resultados, la percepción cambia. También hay cierto escepticismo al ver cosas que serán disruptivas para el negocio. La recomendación es no comenzar con cambios tan drásticos.
Desde el punto de vista del sector público, es necesario que los gobiernos comiencen a basar sus decisiones en estos modelos predictivos, con el fin de dar mayor confianza a la gente y reaccionar a tiempo ante posibles problemas. Este tipo de modelo funciona bien cuando se implementa correctamente. Además, es necesario que exista una cultura de propiedad del cambio para llevarlo a cabo.
