Actualmente, cada vez son más las empresas que pueden encontrar patrones en técnicas de minería de datos y aprendizaje automático para identificar riesgos y oportunidades, definiendo predicciones acertadas sobre resultados futuros. Esta rama de la analítica avanzada que permite combinar datos históricos con modelos estadísticos se conoce como analítica predictiva, la cual comprende un conjunto de herramientas derivadas del desarrollo y evolución de la inteligencia artificial dentro de los distintos sectores empresariales.

La inteligencia artificial ha aumentado exponencialmente sus capacidades gracias a una mayor capacidad de velocidad computacional, así como a un acceso prácticamente ilimitado de datos. Por su parte, en los negocios la previsión es fundamental para tomar decisiones más inteligentes, llegar al mercado más rápidamente y lograr una ventaja competitiva en el mercado. El escenario que ofrece el análisis predictivo actual es el de un panorama que permite ampliar los datos históricos con información en tiempo real para predecir y dar forma a los distintos desafíos a los que pueden enfrentarse las organizaciones y con ello generar mejores soluciones de reacción. 

El análisis predictivo no es un concepto nuevo. Desde hace varios años, los estadísticos vienen usando árboles de decisión y regresión lineal y logística para ayudar a las empresas a co-relacionar y clasificar sus datos. Lo nuevo es que la analítica predictiva ha logrado ampliar su alcance gracias a la inteligencia artificial. Las empresas se están encontrando con una confluencia sin precedentes de herramientas intuitivas, que conectan las nuevas técnicas predictivas con un despliegue de nube híbrida, que ayuda a generar modelos más accesibles y eficientes. Por primera vez las organizaciones pueden incorporar análisis predictivos en sus procesos comerciales, aprovechar los beneficios de la IA en escala, y extraer valor de “datos oscuros” previamente inexplorados, entre otros beneficios.

Las empresas manejan un volumen muy grande de información que se aloja
en bases de datos transaccionales, archivos de registro de equipos, imágenes, vídeos, sensores u otras fuentes de datos que se hacen difíciles de gestionar, cuando no se tienen las herramientas adecuadas de análisis.

La analítica predictiva en cambio, Permite obtener información a través de
algoritmos de aprendizaje profundo y de aprendizaje automático para encontrar patrones y hacer predicciones sobre eventos futuros. Estos incluyen la regresión lineal y no lineal, las redes neuronales, las máquinas de vectores de soporte y los árboles de decisión. Los aprendizajes adquiridos a través de la analítica predictiva se pueden utilizar posteriormente en analítica prescriptiva para impulsar acciones basadas en conocimientos predictivos.

Las tendencias digitales no son ajenas a las empresas, las cuales empiezan a incluir dentro de sus planes estratégicos el objetivo de ser cada vez más Data Driven, es decir, están buscando fortalecer su capacidad de tomar decisiones de negocio basadas en datos. Es por ello que la analítica de datos se vuelve un concepto fundamental para todo tipo de organizaciones.

Algunos tipos de analítica que puede realizar una empresa según sus objetivos y madurez en transformación digital, son:

Analítica descriptiva. Es aquella que consiste en almacenar y realizar adiciones de
datos históricos, visualizando la mejor forma en que se puede hacer una comprensión global del estado actual y el estado pasado del negocio. Los procesos de analítica descriptiva se diseñan para responder a la pregunta ¿Qué ocurrió?

Analítica diagnóstica. El objetivo del análisis diagnóstico es determinar los factores y eventos que pasaron con anterioridad y contribuyen al resultado actual de las cosas.

Analítica prescriptiva. Analiza los datos frente a un hecho hipotético para encontrar cuál es la mejor solución entre una gama de variables. 

Analítica predictiva. La cual hace posible la creación de modelos que permiten vaticinar lo que va a ocurrir con antelación. Busca extraer conocimiento en forma de patrones, modelos o tendencias que permitirán acertar comportamientos futuros en base a una probabilidad.

Proceso y técnicas del análisis predictivo

Las técnicas de análisis predictivo tienen mejor atención por parte de las empresas dado que pueden generar resultados muy prometedores a un bajo costo. Algunas de las estrategias construidas más recurrentes son las desarrolladas con base en técnicas de Machine Learning, las cuales podemos clasificar en tres grandes grupos que podemos detallar: 

ALGORITMOS DE MACHINE LEARNING SUPERVISADOS.

Se entiende por aprendizaje automático supervisado aquellos algoritmos que se ejecutan en los ordenadores para aprender automáticamente con base en los datos proporcionados. Entre los tipos de algoritmos de analítica más utilizados tenemos los de regresión y los de clasificación, como por ejemplo: Naive Bayes, Super Vector Machine, Árboles de decisión o Random Forest.

ALGORITMOS DE MACHINE LEARNING NO SUPERVISADOS.

El aprendizaje supervisado utiliza ejemplos conocidos para obtener las inferencias mientras que el aprendizaje no supervisado no dispone de ejemplos con una etiqueta conocida para realizar las inferencias. Los tipos de algoritmos de analítica predictiva no supervisados se enfocan en su mayoría en problemas de agrupamiento como K-Medias, de agrupamiento jerárquico, o bien, para problemas de detección de anomalías.

ALGORITMOS DE APRENDIZAJE POR REFUERZO.

El aprendizaje por refuerzo se centra en los procesos basados en reglas, en los que se proporcionan algoritmos de aprendizaje automáticos con un conjunto de acciones, parámetros y valores finales. Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar diferentes opciones y posibilidades, monitoreando y evaluando cada resultado para determinar cuál es el más óptimo. Algunos tipos de algoritmos son Fuerza bruta y Q-learning.

Son diversas las aplicaciones que tiene la analítica predictiva en las empresas, resultando en un alto impacto para la
organización. Algunos ejemplos de cómo se está implementando la analítica predictiva en mundo son:

Sistemas de recomendación. Amazon tiene entre sus claves de negocio el sistema de recomendación de su plataforma ecommerce. De hecho, puede recomendar a sus usuarios una gran diversidad de productos al analizar millones de datos, establecer segmentos, y determinar patrones de comportamiento por segmentos.

Creación de producto. La empresa Netflix es un caso representativo y pionero en usar la analítica predictiva para el cumplimiento de objetivos organizacionales. A través de estas herramientas, la empresa logra analizar los gustos de sus suscriptores hasta el nivel de crear nuevos productos en función de lo que los datos digan sobre las tendencias de consumo.

Estado de salud de clientes. La empresa Fitbit, vendida recientemente a Google, es capaz de utilizar los datos obtenidos por sus dispositivos wearables para realizar estimaciones sobre qué tipo de enfermedades pueden sufrir sus usuarios. Esta información es utilizada para recomendar nuevas rutinas de ejercicio físico, así como prescribir algún tipo de medicamento para evitar dolencias futuras.

Predicción de hábitos de consumo. La cadena de supermercados Walmart utiliza la analítica predictiva para mejorar la rotación de sus stocks, llenar los lineales de sus tiendas con los productos que se van a consumir en tiempo real, y predecir tendencias de consumo a través del análisis de datos de distintas redes sociales.

Mantenimiento predictivo. La empresa de energía Shell utiliza los datos para supervisar el estado y el funcionamiento de sus equipos para acciones de perforación. Gracias a la analítica predictiva puede realizar pronósticos de averías en máquinas y así anticiparse al problema con la sustitución de las piezas oportunas.

 

Referencias:

https://www.iebschool.com/blog/analitica-predictiva-importancia-analitica-tipos-digital-busines

https://www.ibm.com/co-es/analytics/predictive-analytics

https://www.ibm.com/downloads/cas/0RMBW34B