3 conceptos analíticos que debe conocer todo profesional / experto en análisis

Contenidos

Introducción

El uso de métodos analíticos ha ganado una relevancia inmediata en los últimos años. La práctica de obtener información útil a partir de los datos ha ayudado a varias compañías a mejorar su desempeño comercial.

Los análisis posibilitan a las compañías obtener una imagen clara de los eventos del pasado y del futuro de su desempeño. Un vistazo al futuro ayuda a las compañías a prepararse para la desgracia (si la hay) que está a punto de llegar.

A través de la analítica, las compañías pueden hallar respuestas a tres preguntas principales: «Qué ha pasado», «Qué está pasando» y «Qué pasará». No sería incorrecto decir que el aumento de los datos ha impulsado esta escandalosa penetración del uso de la analítica.

La analítica no solo se limita a obtener conocimientos del pasado, sino que además posibilita predecir resultados futuros y aprovechar al máximo los recursos comerciales. Como consecuencia, las formas más avanzadas de análisis, a saber, el predictivo y el prescriptivo, han adquirido una mayor relevancia en el apoyo a las necesidades de toma de decisiones de las instituciones.

En este post, he explicado las 3 formas principales de análisis que categorizan todas las alternativas para modelos analíticos aplicados en todos los países.

Según un estudio, las instituciones que se enfocan en la automatización básica para ampliar sus capacidades de generación de informes pueden mejorar su ROI en un 188%. A pesar de esto, agregar implementaciones analíticas avanzadas que mejoran la estrategia de la organización puede extender su ROI hasta en un 1209 por ciento.

BS

Entonces, en principio, ¿cuáles son los diferentes tipos de análisis?

1. Análisis descriptivo

Comencemos con el tipo de análisis más básico, dicho de otra forma analítica descriptiva. El objetivo de los modelos descriptivos es analizar las tendencias históricas y descubrir patrones relevantes para obtener información sobre el comportamiento de la población. La analítica descriptiva implica hallar respuestas a «¿qué ha sucedido?». Es la forma de análisis más utilizada por las instituciones para su funcionamiento diario y de forma general es la menos compleja.

Los modelos descriptivos usan técnicas estadísticas y matemáticas básicas para derivar indicadores clave de rendimiento que resaltan las tendencias históricas. El propósito principal del modelo no es estimar un valor, sino obtener información sobre el comportamiento subyacente. Las herramientas comunes que se usan para ejecutar análisis descriptivos incluyen MS Excel, SPSS y STATA.

Un ejemplo típico en la industria bancaria sería la segmentación de clientes. Los datos históricos se extraen para analizar los patrones de gasto de los clientes y la participación de la billetera para permitir un enfoque específico de marketing y ventas. Dichos modelos son herramientas poderosas para perfilar la población, pero disponen una capacidad de predicción limitada con respecto al comportamiento de los miembros individuales de la misma población.

Recursos útiles:

  • Los recursos en línea para aprender estadísticas descriptivas básicas se pueden hallar en Khan Academy: Enlace
  • Aquí hay un video acerca de cómo ejecutar estadísticas descriptivas en SPSS: Enlace
  • Un MOOC imprescindible en Coursera- Kit de herramientas para científicos de datos: Enlace

2. Análisis predictivo

Analítica predictiva usar modelos estadísticos para establecer la probabilidad de que ocurra una situación o un resultado futuro. Implica hallar respuestas a ‘¿Qué podría pasar?’.

Los modelos predictivos se centran en modelos descriptivos a medida que van más allá del uso de datos históricos como base principal para la toma de decisiones, a menudo usando datos estructurados y no estructurados de diversas fuentes. Posibilitan a los tomadores de decisiones tomar decisiones informadas al proporcionar un relato compresivo de la probabilidad de que ocurra un evento en el futuro. Abarcan varios modelos estadísticos avanzados y conceptos matemáticos sofisticados como bosques aleatorios, GBM, SVM, GLM, teoría de juegos, etc.

Un modelo predictivo se basa en un modelo descriptivo para predecir el comportamiento futuro. A pesar de esto, a diferencia de un modelo descriptivo que solo perfila la población, un modelo predictivo se centra en predecir el comportamiento de un solo cliente.

Las herramientas utilizadas para ejecutar modelos predictivos varían según la naturaleza de la complejidad del modelo, a pesar de esto, algunas de las herramientas más utilizadas son RapidMiner, R, Python, SAS, Matlab, Dataiku DSS, entre muchas otras. Los recursos en línea sobre el uso de estas herramientas se pueden hallar en Coursera.

Un ejemplo típico en la industria bancaria sería el análisis avanzado de campañas. Puede ayudar a predecir la probabilidad de que un cliente responda a una oferta de marketing determinada para impulsar la venta cruzada y la venta ascendente de productos. Otro ejemplo sería predecir la probabilidad de fraude en tarjetas de crédito.

Recursos útiles

  • MOOC en Coursera on R para principiantes: Enlace
  • Una guía completa de Python para principiantes: Link
  • Construcción de modelos predictivos en Coursera: Enlace

3. Análisis prescriptivo

Analítica prescriptiva es el tipo de análisis más sofisticado que utiliza la optimización estocástica y la simulación para explorar un conjunto de alternativas posibles y recomendar la mejor acción factible para una situación determinada. Implica hallar respuestas a «¿Qué se debe hacer?».

Los modelos prescriptivos van más allá de los modelos descriptivos que solo abordan lo que está sucediendo, y más allá de los modelos predictivos que solo pueden decir lo que sucederá, a medida que avanzan para aconsejar lo que verdaderamente debería hacerse en el futuro predicho. Cuantifican el efecto de las acciones futuras sobre las métricas comerciales clave y sugieren la acción más óptima.

Los modelos prescriptivos sintetizan big data y reglas comerciales usando algoritmos complejos para comparar los resultados probables de una serie de acciones y seleccionar la acción más óptima para impulsar los objetivos comerciales. La mayoría de los modelos prescriptivos avanzados siguen un procedimiento de simulación en el que el modelo aprende de forma continua y automática a partir de los datos actuales para impulsar su inteligencia.

Estos modelos generalmente son de naturaleza más compleja y, por eso, están siendo utilizados por algunas compañías grandes y progresistas, dado que son difíciles de administrar. A pesar de esto, cuando se implementan correctamente, pueden tener un fuerte impacto en la efectividad de la toma de decisiones de una compañía y, por eso, en sus resultados finales.

Una vez dicho esto, los avances técnicos como las supercomputadoras, la computación en la nube, Hadoop HDFS, Spark, el procesamiento en la base de datos, la arquitectura MPP, etc. han hecho que la implementación de modelos prescriptivos complejos que usan datos estructurados y no estructurados sea mucho más fácil. Las herramientas utilizadas para ejecutar modelos prescriptivos son en su mayoría las mismas que los modelos predictivos, a pesar de esto, requieren capacidades de infraestructura de datos avanzadas.

Un ejemplo común de modelos prescriptivos en la industria de la banca minorista es la asignación óptima de personal de ventas en varias sucursales del banco para maximizar la adquisición de nuevos clientes. Al combinar la información de ubicación geográfica con el rendimiento y el potencial de cada sucursal, el modelo puede prescribir la asignación más óptima de personal de ventas en todas las sucursales.

Se utiliza un enfoque de modelado prescriptivo más sofisticado en los sistemas de precios de boletos de avión para aprovechar al máximo el precio de los boletos de avión en función de factores de viaje, niveles de demanda, tiempo de compra, etc. para maximizar los márgenes de ganancia, pero al mismo tiempo no disuadir las ventas.

Según una investigación, alrededor del 10% de las instituciones usan alguna forma de análisis prescriptivo actualmente, esta cifra ha aumentado del 3% en 2014 y se espera que aumente al 35% en 2020. Factores como inversiones masivas en análisis predictivo, expansión de las capacidades de IoT que complementan la analítica prescriptiva están impulsando este crecimiento y ampliando el alcance de los modelos prescriptivos.

Recursos útiles (al mismo tiempo de los de análisis predictivo):

  • Guía para construir un motor de recomendaciones en Python: Link
  • MOOC en Coursera para aprendizaje automático práctico: Enlace
  • Guía para aprender bosques aleatorios: link

Notas finales

En este post, he analizado 3 versiones diferentes de análisis que se usan en las industrias actualmente. Estos son los componentes básicos de la industria de la analítica en todo el mundo. Es justo decir que todos los modelos, desarrollos y descubrimientos realizados con datos pueden categorizarse en cualquiera de estas tres categorías.

Este post está destinado a ayudar a las personas que son nuevas en la analítica o que planean cambiar a la analítica para obtener una visión clara del dominio. Espero que los recursos mencionados le ayuden a comenzar a aprender.

Sobre el Autor

Foto

Sajal Jain es un profesional de análisis con más de 6 años de experiencia en análisis bancario y de la fuerza laboral. Completó su Maestría en Estadística de la London School of Economics (con una beca) y en este momento está trabajando con una firma de consultoría y tecnología basada en la investigación en Gurgaon.

¿Tiene experiencia en Business Intelligence / Machine Learning / Big Data / Data Science? Muestre sus conocimientos y ayude a la comunidad de DataPeaker publicando su blog.

Suscribite a nuestro Newsletter

No te enviaremos correo SPAM. Lo odiamos tanto como tú.