La Analitica predictiva y su impacto en el mundo de los negocios

Hoy en día, las organizaciones están registrando y almacenando de manera detallada datos de los procesos internos y de las interacciones que mantienen con sus clientes. ¿Pero qué es lo que sigue? Presuntamente, las empresas están invirtiendo en infraestructura de Big Data porque consideran que haciéndolo obtendrán un retorno positivo de su inversión. Sin embargo, comparando los reportes y las encuestas consultadas no está del todo claro de qué manera o bajo que usos específicos el Big Data generará estos flujos positivos para el retorno de la inversión (ROI).

Tomando en consideración que el Big Data se ha vuelto un tema de gran relevancia en estos días y que cada vez son más las compañías que se suman a esta carrera, lo más sensato es presentar casos de uso específicos de como la correcta explotación del Big Data puede generar beneficios para las organizaciones, beneficios que sin duda serán vehículos para obtener un retorno de la inversión más que favorable.

El primer caso de uso es:

Predicción de la demanda: Este primer caso de uso implica determinar la demanda para productos de consumo que están en el "long tail" de consumo. ¿Qué es el long tail? De acuerdo con el sitio 40defiebre el long tail esta conformado por las búsquedas con términos menos específicos que individualmente generan poco tráfico hacia el sitio web, pero que en su conjunto son la mayor fuente de visitas. Las empresas valoran desde hace mucho los pronósticos acertados de la demanda. Ya que por un lado resulta muy costoso mantener el inventario en los estantes y por otro lado, los desabastos van en detrimento de los ingresos en el corto plazo y de la retención del cliente en el largo plazo. 

El agregado del total de las ventas es un recurso limitado para dotar de información a las empresas que  requieren distribuir su inventario geográficamente, por lo que esta limitación hace que estas necesiten de  pronósticos hiperlocales. El enfoque tradicional para resolver esta situación es empleando series de tiempo econométricas con datos históricos de ventas. Esta manera de hacer las cosas funciona muy bien para productos populares en grandes regiones geográficas, pero tiende a fallar cuando los datos comienzan a escasear ya que la aleatoriedad va más allá de la precisión que se requiere.

La solución de Big Data a este problema es a través del uso de datos anónimos agregados provenientes de la búsqueda Web y Sentiment data asociados a cada localidad o tienda junto con los datos de las series de tiempo existentes. Los Data Scientits de Microsoft han estado utilizando este enfoque para ayudar a empresas a pronosticar la venta de automóviles.  El desarrollo de modelos con datos de búsqueda Web es una de las fuentes que reducen significativamente el error aleatorio de pronóstico.

La solución de Big Data hace uso de datos que no han sido utilizados anteriormente y que la gente genera en grandes cantidades con sus consultas en redes sociales y búsquedas en línea antes de comprar un vehículo. El incremento en la exactitud de la predicción hace posible aumentar significativamente la efectividad operativa de estas empresas, teniendo el inventario correcto en las localidades correctas. 

Los datos anónimos resultantes de la búsqueda en Web han probado ser de gran utilidad para la elaboración de pronósticos desde que la actividad en línea permite conocer con un alto nivel de exactitud las compras y acciones del público en general. Sin embargo, el simple hecho de contar con estos datos no es suficiente. Procesar estos datos, analizarlos y combinarlos con fuentes de datos tradicionales es como se generará el valor, ya que a través de este procesamiento y análisis integral es como se determinarán mejores predicciones. Se ha comprobado que consultar en bruto el volumen de datos generados por la búsqueda en línea no es suficiente para identificar de manera precisa las señales o información que se correlacione con la demanda real por un producto o servicio.

Identificar que señales son las que aportan valor a partir de un análisis Big Data requiere de experiencia y mucha atención al detalle, ya que las mejores prácticas pueden estar relacionadas a un caso en específico.

Una mayor eficiencia en la determinación de precios - Emplear un precio único es económicamente ineficiente ya que parte de la curva de la demanda que podría ser atendida de manera rentable no lo es por ofrecer un precio fuera del mercado. Como consecuencia de esto, las empresas regularmente ofrecen descuentos y promociones dirigidas hacia segmentos diferenciados por el precio de sus productos con el objetivo de atender a diferentes tipos de consumidores. Los sitios de comercio electrónico tienen una ventaja perceptible utilizando este enfoque, ya que estos cuentan con información detallada de la navegación de los clientes y no únicamente de los productos que finalmente terminan adquiriendo, esta visibilidad les da la opción de ajustar sus precios cada vez que sea necesario. Estos ajustes son una manera de experimentación y junto con Big Data permiten a las organizaciones aprender más acerca de la sensibilidad al precio por parte de sus clientes. 

Los retailers que no están en línea puede imitar las estrategias de precios dando seguimiento a sus consumidores a través de su conectividad con el teléfono inteligente, identificando que clientes son los que ingresan a una tienda, qué tipos de productos son los que revisan y si realizan una compra. Machine learning (Aprendizaje automático en máquinas) aplicado a estos datos puede algorítmicamente generar segmentos de clientes basados en la sensibilidad al precio y en sus preferencias, lo cual generará una mejora notable en el tradicional método de re direccionamiento basado únicamente en datos demográficos.

La experiencia con la publicidad de estrategias de precios en el motor de búsqueda Bing establece que empleando Big Data se pueden producir beneficios substanciales haciendo una mejor coincidencia entre las empresas que se publicitan y sus consumidores. El éxito del algoritmo para seleccionar los objetivos ha sido ampliamente documentado y se identifica como el motor clave de ingresos para el mercado de la publicidad en línea. Los avances en las tecnologías de medición hacen a su vez que las empresas que no están en línea también sean participes de estos beneficios, ya que les ayuda a determinar sus precios de una manera más precisa y efectiva.

Mantenimiento predictivo - Que las cadenas de suministro operen fluidamente es crucial para la generación de utilidades de manera regular y estable. Las máquinas inactivas imponen un costo a las empresas por su falta de productividad lo que puede provocar dos situaciones: producir cadenas de suministro más complejas y productos de consumo. Ejecutivos en industrias en donde el uso de activos es intensivo a menudo consideran que el principal riesgo operativo para sus negocios es la inesperada falla de sus activos. Sin embargo, una nueva ola de datos generado por el Internet de las cosas (IoT por sus siglas en inglés) pueden proveer una telemetría a detalle de lo que ocurre con los procesos de producción en tiempo real.  Modelos de Machine learning alimentados con este tipo de datos permiten predecir cuando ciertas máquinas al interior de las plantas llegarán a fallar.

Un ejemplo para ilustrar este fenómeno es el caso de las aerolíneas las cuales están particularmente interesadas en poder predecir fallas mecánicas a fin de poder reducir el número de vuelos demorados y/o las cancelaciones de los mismos. 

Nuevas Aplicaciones - Tal y como se ha expuesto en este artículo, Big Data puede ser empleado para mejorar el desempeño de procesos actuales, sin embargo Big Data también el potencial para ser aplicado de tal forma que cree todo un cambio de paradigma generando innovación disruptiva en la manera en que varios procesos o métodos son llevados a cabo, como puede ser el empleo de Big Data y Machine learning para revolucionar la manera en que muchas enfermedades son diagnosticadas y tratadas en la actualidad. O para desarrollar modelos de generación de electricidad en función de la demanda particular de una zona geográfica. Si usted desea saber más acerca del artículo escrito por LaRiviere, Mcafee, Rao, Narayanan y Sun de click aquí 

Xarvis en su experiencia de más de 15 años en el mercado Mexicano a podido constatar a través de los proyectos emprendidos en empresas líderes en su ramo el impacto y el rol estratégico que juega en estos días la analítica predictiva como un elemento esencial para incrementar la efectividad y rentabilidad de sus respectivos negocios. Tal y como lo ilustra el artículo de LaRiviere, Mcafee, Rao, Narayanan y Sun los negocios independientemente del sector al que pertenezcan requieren cada vez de mejores y más certeros pronósticos de la demanda. De la determinación correcta de estos pronósticos depende en gran medida el poder crecer como negocio, el ser rentable, exitoso y eficiente. Por lo que atendiendo a esta necesidad de los negocios, Xarvis desarrolló la solución Customer Centric, la cual a través de su motor de segmentación y analítica predictiva permite identificar que productos y/o servicios son más proclives a ser demandados por un segmento o perfil de clientes a través del análisis integral de su comportamiento, hábitos de compra, transacciones pasadas, gustos y preferencias. Elementos que analizados en su conjunto se convierten en información estratégica para una determinación de la demanda más precisa por grupos de clientes, e incluso si los datos disponibles lo permiten igualmente para ciertas regiones geográficas. Así mismo, en este sentido y con el afán de otorgar insumos de valor para la estrategia de los negocios, el motor de segmentación de Customer Centric y su avanzada analítica predictiva trabajan en sintonía como un elemento de apoyo para monitorear la sensibilidad del precio de sus clientes. Customer Centric hace real la tan citada personalización del marketing a través del desarrollo de piezas con productos, servicios, promociones y ofertas dirigidas especialmente hacia un segmento en especial, de esta manera los negocios incrementan su efectividad de conversión y a la vez obtienen información a través de la medición respectiva de estos esfuerzos de que tan exitosas o no es el uso de cierto tipo de productos, ofertas o promociones por tipo de cliente y zona geográfica. Si usted desea conocer más acerca de las ventajas que trae consigo el uso estratégico de la analítica predictiva a través de una solución como Customer Centric no duda en dar click aquí