Analíticas Big Data, si, ¿pero cuáles?

Thursday, August 10, 2017

Analíticas Big Data, si, ¿pero cuáles?

Las empresas ya son conscientes de que, en el mundo actual, si no aprovechan al máximo el potencial de sus datos, se van a quedar fuera de juego. Saben que los sistemas de inteligencia de negocio tradicionales (BI) se han quedado cortos. Escuchan por todas partes hablar del Big Data, del Data Analytics, de Data Science... Leen informes de consultoras tecnológicas de primer nivel que predicen llamativos crecimientos del volumen de  negocio de estas industrias para los próximos años. Han empezado a invertir recursos en almacenar datos. Pero, llegados a este punto, no saben cómo empezar a sacar partido de toda esta información.
Como ya imaginaréis por el título, en este post vamos a hablar de los distintos tipos de analíticas que existen (Big Data Analytics), en qué consisten, cuán extendido está su uso en el mercado y cómo las están usando las empresas más innovadoras hoy en día. Toda esta información nos dará una pista sobre cuál es la que puede encajar mejor para un negocio concreto.
Lo primero que tiene que hacer es decidir qué tipo de analítica necesita tu negocio. Esto no es una cuestión baladí, porque no hay unas “analíticas universales” que sirvan para todos los casos. Tradicionalmente, se trabajaba con herramientas de análisis que operaban de forma reactiva. Herramientas que permitían generar informes o visualizaciones sobre “lo que ha sucedido en el pasado”, pero que no daban ninguna pista sobre posibles oportunidades de negocio o problemas que pudieran surgir en el futuro. Por ello se puso de manifiesto la necesidad de evolucionar, en los procesos de análisis, de unas Analíticas Descriptivas hacia unas Analíticas Predictivas. De unas analíticas lineales, en un entorno controlado hacia unas aplicadas a un mucho menos estructurado entorno real: Data Science Analytics.

Esta necesidad es tan latente, que la consultora tecnológica IDC estima una tasa de crecimiento anual (CAGR) de un 26,4% para la industria de Big Data y Analíticas avanzas a finales de 2018.


Figura 1: Analytics.
Figura 1: Analytics.

En este artículo vamos a explorar los distintos tipos de analíticas (Descriptiva, Predictiva y Prescriptiva) para conocer qué puede aportar cada una de ellas a la mejora de las capacidades operacionales de una empresa.

1 Analíticas Descriptivas (Descriptive Analytics)

Es la analítica más básica, y todavía hoy, es la usada por el 90% de las empresas
Este tipo de analítica responde a la pregunta ¿Qué ha pasado?
Analiza datos históricos y datos recogidos en tiempo real para generar Insights sobre cómo han funcionado estrategias de negocio en el pasado, por ejemplo, una campaña de marketing.
Objetivo:
Identificar las causas que motivaron un éxito o fracaso en el pasado para comprender cómo pueden afectar al futuro

Se basan en:
Funciones agregadas estándar de las bases de datos. Requieren un nivel matemático básico.


Ejemplos:
Este tipo de métricas se usan para social analytics y son el resultado de operaciones aritméticas básicas (tiempo promedio de respuesta, porcentaje de vistas de página etc)
  •  Número de seguidores
  •  Likes
  •  Posts
  •  Fans…
Aplicación:
Usar las herramientas de Google Analytics para analizar si una campaña promocional ha funcionado bien o no, usando parámetros básicos como el número de visitas de una página.
Se suelen visualizar con Dashboards o monitores para datos en tiempo real, o emisión de informes por email.


2 Analíticas predictivas (Predictive Analytics)


Es el siguiente paso en la reducción de datos y, según Gartner, es usada por un 13% de las organizaciones.

Este tipo de analítica responde a la pregunta ¿Qué puede pasar en el futuro según si nos basamos en lo que ha pasado antes?
Analiza las tendencias y modelos de datos pasados para intentar predecir cómo van a evolucionar en el futuro. Por ejemplo, una empresa puede predecir el crecimiento del negocio extrapolando el comportamiento en el pasado y asumiendo que no haya cambios relevantes en el entorno. La analítica predictiva facilita mejores recomendaciones y respuestas a preguntas a las que no puede atender el BI.

Objetivo:
Identificar las causas que motivaron un éxito o fracaso en el pasado para comprender cómo pueden afectar al futuro. Puede ser muy útil para establecer objetivos de negocio realistas, planificar de forma más efectiva o acotar expectativas de forma razonable.

Se basan en: 
Utilizan diferentes algoritmos estadísticos y de machine Learning para predecir la probabilidad de un resultado futuro. Los datos que alimentan los algoritmos, proceden de CRMs, ERPs o sistemas de recursos humanos. Éstos algoritmos son capaces de identificar relaciones entre distintas variables del dataset. También son capaces de rellenar las lagunas de información con las mejores predicciones posibles. Pero no por ser “las mejores posibles”, dejan de ser predicciones.

Ejemplos:
Se suele usar para Análisis de Emociones (Sentiment Analysis). Los datos de entrada del modelo de aprendizaje tienen formato de texto plano. A partir de ellos, el modelo asigna un valor en una escala que indica si la emoción es positiva, negativa o neutra.

Aplicación;
En entornos financieros para asignar a los clientes un “credit score”, o valor que predice la probabilidad de que ese cliente pague sus facturas puntualmente. También lo usan las grandes empresas de retail para identificar patrones de compra en los clientes, hacer predicciones de inventario o de los productos que suelen comprarse juntos (para ofrecer recomendaciones personalizadas) etc.

Las analíticas predictivas se pueden clasificar en:

Figura 2: Tipos de analíticas predictivas (producción propia).
Figura 2: Tipos de analíticas predictivas (producción propia).

3 Analíticas Prescriptivas (Prescriptive Analytics)


Este tipo de analíticas va todavía un paso más allá, ya que pretenden influir sobre el futuro. Por ello se las conoce como “la última frontera de las capacidades analíticas”. Las analíticas predictivas especifican qué acciones debemos emprender para lograr determinados objetivos. Las prescriptivas indican esto mismo, pero añaden los posibles efectos interrelacionados de cada opción.
Buscan una respuesta a la pregunta: “¿Qué debería hacer el negocio?”
Su complejidad hace que, a pesar de lo valiosas que pueden ser este tipo de analíticas para el negocio, no sean muy utilizadas. Según Gartner, sólo un 3% de las organizaciones las utilizan. 
https://www.blogger.com/Se%20basan%20en:
Figura 3: las tres fases de la analítica (fuente).

Objetivos:

Las analíticas predictivas no solo anticipan qué va a pasar y cuando, sino que también nos van a decir el ¿Por qué? Más aun, nos van a sugerir qué decisiones debemos tomar para sacar partido a una oportunidad de negocio futuro, o mitigar un posible riesgo, mostrando la implicación de cada opción sobre el resultado.

Se basan en:

Se basan en la ingesta de datos híbridos, estructurados (números, categorías) y no estructurados (vídeos, imágenes, sonidos, textos). Estos datos pueden proceder de fuentes internas a la organización, o bien externas (como las redes sociales). Sobre estos datos se aplican modelos matemáticos estadísticos, de machine Learning, o de procesamiento de lenguaje natural. También se aplican las normas, leyes, buenas prácticas y regulaciones del negocio de que se trate.
Estos modelos puedan seguir recogiendo datos para seguir adelante con las predicciones y prescripciones, De esta forma, las predicciones son cada vez más precisas y pueden prescribir mejores decisiones de negocio

Ejemplos:

Se usa software de análisis predictivo en los procesos de toma de decisiones relacionadas con la exploración y producción de petróleo y gas natural. Se captura una gran cantidad de datos, se crean modelos e imágenes sobre la estructura de la Tierra, se describen las distintas características del proceso (rendimiento de la maquinaria, flujo del crudo, temperatura y presión del reservorio etc.). Estas técnicas se usan para decidir dónde y cuándo conviene perforar y así construir los pozos minimizando costes y reduciendo al máximo la huella medioambiental
Aplicación:

Además de la industria petrolífera, se usan mucho en;

  • Proveedores de servicios de salud;
    •  Para planificar de forma más eficaz futuras inversiones en equipamientos, instalaciones etc. basados en datos económicos, demográficos, de salud pública etc.
    • Obtener mejores resultados en las encuestas de satisfacción de pacientes, evitar el abandonado (churn) de pacientes
    • Identificar los modelos de intervención más adecuados según grupos de población específicos
  • Empresas farmacéuticas:
    • para localizar qué pacientes son más adecuados para participar en un ensayo clínico
NO tenemos una bola de cristal que nos dicte lo números que van a salir en la lotería, pero está claro que las tecnologías Big Data sacan a la luz los problemas existentes en nuestro negocio, nos ayudan a comprender por qué ocurren. Así, podremos transformar los datos en acciones inteligentes y reinventar los procesos de negocio.


Figura 4: Del dato a la acción.
Figura 4: Del dato a la acción.

Pasaremos del “¿Qué ha pasado?” a entender ¿Por qué ha sucedido?”, predecir “¿Qué va a pasar?” y prescribir “¿Qué debo hacer ahora?”. Entonces, podremos crear una empresa inteligente.

1 comment: