Análisis Predictivo: 5 Formas de Usarlo a Tu Favor
¿No sería estupendo si pudieras ver el futuro? Las personas con responsabilidades de toma de decisiones pueden sentirse estresadas al tratar de predecir los resultados derivados de sus elecciones. De ahí surge el análisis predictivo, un método que utiliza datos históricos para anticipar los resultados de las decisiones actuales y proyectarlos hacia el futuro.
Aunque no es infalible, el análisis predictivo puede darte una ventaja considerable cuando trabajas con datos de entradas pasadas para detectar tendencias y elegir el camino correcto. Puedes emplear este conjunto de herramientas en todo tipo de áreas, desde marketing hasta contratación o rendimiento de marca a lo largo del tiempo.
Este artículo explica qué es el análisis predictivo, cómo puede respaldar tu enfoque de marketing predictivo B2B y en qué situaciones puedes utilizarlo para resolver problemas complejos de gestión. Al final, deberías sentirte cómodo con el concepto y listo para comenzar a incorporar modelos predictivos en tus árboles de decisión habituales. También terminarás este texto con buenas ideas sobre cómo usar el conjunto de herramientas de análisis predictivo para hacer tu trabajo mucho más productivo y menos estresante.
Want more from The CMO?
Sign up for a free membership to complete reading this article:
Have an account? Log In
¿Qué es el análisis predictivo?
El análisis predictivo es un conjunto de herramientas para modelar el rendimiento futuro a partir del rendimiento pasado. Se basa en procesos matemáticos que proyectan tendencias a partir de los datos que tienes hacia los resultados que tratas de predecir. Seleccionando los datos históricos relevantes y aplicando el conjunto adecuado de herramientas, puedes prever de manera fiable los resultados de políticas e iniciativas que estás considerando ahora.
Poniéndolo en términos reales, imagina que eres un responsable de recursos humanos encargado de contratar personas para programar en el departamento de TI de tu empresa. Por tu experiencia, ciertas universidades generan graduados que rinden mejor en ese tipo de trabajo. Así que filtras a tus candidatos por palabras clave como "CalTech", "MIT" o "University of California Berkeley". De manera muy sencilla, acabas de aplicar tu propio análisis predictivo para establecer una conexión significativa entre la universidad del candidato y el rendimiento esperado en tu empresa.
Para manejar asociaciones más complejas, necesitarás una buena cantidad de potencia de cómputo y buenos algoritmos de aprendizaje automático. Supón que tus datos de ventas históricos indican que tu empresa vende más fuegos artificiales en las semanas previas a Año Nuevo y el 4 de julio, pero tu subsidiaria vende mucho pavo en noviembre, justo antes de Acción de Gracias. En otra asociación bastante evidente, puedes predecir anticipadamente cómo serán tus ventas de fuegos artificiales y pavos solo revisando el rendimiento pasado y la fecha en el calendario.
Llevándolo al siguiente nivel
Si vas más allá, podrías tener experiencia lanzando marcas en redes sociales, pero tu rendimiento pasado ha sido irregular y decepcionante. Utilizando herramientas de marketing con modelos avanzados de análisis predictivo, tu análisis de datos revela que los mensajes de marca viajan bien de Twitter a Instagram, pero casi nunca ocurre lo contrario. En este caso, podrías desarrollar conclusiones prácticas como iniciar siempre las campañas en Twitter o potenciar tu comunidad en Instagram para lograr un mejor rendimiento.
Hasta ahora hemos visto algunos ejemplos sencillos de cómo predecir eventos futuros utilizando métodos muy básicos de análisis predictivo, pero esto puede ir mucho más allá. Tu puntaje de crédito FICO es una forma de análisis predictivo. Al revisar tu historial de pagos a tiempo, crédito disponible, uso actual del crédito y varios otros factores, el puntaje FICO predice con alto grado de precisión la probabilidad de que entres en mora. Incluso puede considerar el número de consultas de crédito que hayas tenido en los últimos 2 años para determinar si estás buscando desesperadamente extensiones de crédito, lo que puede indicar problemas futuros.
De vuelta en el ámbito laboral, podrías ser un responsable de control de calidad cuya tarea es mantener las máquinas en funcionamiento. Cualquier tiempo de inactividad puede costarle dinero a tu empresa, por lo que debes predecir cuándo y dónde es probable que ocurran los fallos. Tu aprendizaje automático revisa años de datos y determina que las averías ocurren cuando se desgasta una pieza crítica, lo que sucede más rápido cuanto mayor es la temperatura de funcionamiento. La conclusión práctica aquí es operar las máquinas a menor intensidad o invertir en un sistema de refrigeración mayor, lo que ayudará a mantener bajas las temperaturas, reducir el desgaste de las piezas críticas y prolongar la vida útil de las máquinas, lo que puede ahorrar millones de dólares.
Análisis predictivo vs. análisis de datos
Ahora que tienes una idea general de qué es el análisis predictivo, veamos qué no es. O mejor dicho, aquí está la línea divisoria entre el análisis predictivo y otros conceptos relacionados con los que fácilmente se puede confundir.
Primero, el análisis predictivo no es lo mismo que el análisis de datos en sentido más amplio. Sería correcto decir que es un subconjunto del análisis de datos, uno que se centra en un conjunto limitado de herramientas para construir modelos enfocados en el futuro. Los otros tipos de análisis de datos son:
- Análisis descriptivo: Un registro preciso y organizado racionalmente de lo que ha ocurrido en el pasado, presentado de forma inteligible
- Análisis diagnóstico: Averiguar por qué ocurrieron las cosas tal como ocurrieron en el pasado, idealmente para obtener información útil para futuros modelos predictivos
- Análisis prescriptivo: Conclusiones prácticas sobre hacia dónde deberías dirigirte desde aquí, y un conjunto de instrucciones sobre qué hacer (y qué no hacer) mientras avanzas hacia un objetivo
Realmente no existen líneas claras y brillantes que separen estos tipos de análisis de datos, y cada uno de ellos puede informar a los demás. Un enfoque analítico verdaderamente potente los utiliza todos en su debido lugar para construir modelos sólidos de comprensión en asuntos complejos.
Analítica Descriptiva
Por ejemplo, podrías ser un ingeniero intentando diseñar un coche más seguro. Necesitarás montones y montones de datos analíticos descriptivos de accidentes pasados, incluyendo informes de lesiones, para construir un modelo de cómo se rompen los coches. La imagen que obtienes de esto podría revelar que las víctimas de accidentes sufren frecuentemente lesiones en el cuello. Esta es una descripción de datos en bruto, presentada de una manera que puedes leer, pero necesitas ir más allá para darle sentido.
Analítica de Diagnóstico
Así que sabes que hay muchas lesiones de cuello en los accidentes automovilísticos. Tu siguiente paso, el análisis de diagnóstico, te dice por qué. Al parecer, muchas personas se golpean la cabeza contra el parabrisas o sufren latigazos cervicales hacia adelante y hacia atrás. A veces, un objeto pesado los golpea por detrás durante un accidente, lo que causa las lesiones que estás viendo.
Analítica Prescriptiva
En el tercer paso, analítica prescriptiva, desarrollas una serie de sugerencias sobre cómo prevenir lesiones de cuello en los accidentes de tráfico.
Podrías considerar diseñar el coche para que no se mueva hasta que el conductor esté usando un collarín cervical. Podrías construir una jaula protectora alrededor de la cabeza del conductor hecha de un pesado blindaje de plomo. Podrías instalar un asiento eyectable automático que detecte problemas y expulse al conductor al primer signo de peligro. Y así sucesivamente. No hay ideas malas, solo ideas en esta etapa.
Tu verdadero trabajo toma forma en la etapa de análisis predictivo aquí. Ejecutando modelos de desempeño pasado, aprendes que los propietarios de automóviles se irritan con los dispositivos de seguridad intrusivos y probablemente deshabilitarán los collarines, lo que los hace inviables. Añadir peso al blindaje y reducir el campo de visión de los conductores es contraproducente. Los datos históricos de la industria aeroespacial te indican que los asientos eyectables automáticos suelen ser una mala idea.
Pero hay algunas ideas prometedoras en el montón, que tu análisis predictivo revela:
- Los cinturones de seguridad son una forma económica de mantener a las personas firmes durante un accidente.
- Las bolsas de aire amortiguan los cuerpos en movimiento.
- El vidrio de seguridad se rompe fácilmente, reduciendo las lesiones en la cabeza y el cuello.
- La prevención de colisiones reduce el riesgo de accidente en primer lugar.
Así que integras estas ideas razonables en tu diseño mejorado, que tu análisis predice que dará los mejores resultados por el dinero invertido. Luego el ciclo se repite, ya que una nueva generación de coches más seguros circula, se accidenta y genera más datos para trabajar, haciendo que los coches sean cada vez más seguros en el futuro.
Tipos Comunes de Modelos Predictivos
Todo esto está muy bien hasta ahora, pero ¿cuáles son realmente las herramientas de la analítica predictiva? ¿Cómo funciona? ¿Qué hacen en realidad la inteligencia artificial, el aprendizaje automático y demás recursos?
Pues bien, existen cuatro modelos básicos para este tipo de análisis. Diferentes plataformas emplean todos o algunos de ellos, y su utilización depende mucho del contexto. Aquí tienes un resumen breve de los distintos tipos.
Modelo de Clasificación
La clasificación podría llamarse también segmentación. Este enfoque divide grandes conjuntos de datos en segmentos con relaciones significativas. Si alguna vez has trabajado en un proyecto de investigación de mercados, estarás familiarizado con la segmentación demográfica. Si has intentado vender monopatines a personas mayores, ya sabes lo importante que pueden ser algunas clasificaciones.
Modelos específicos para una clasificación precisa incluyen el análisis de regresión logística, los árboles de decisión, el random forest, las redes neuronales y el análisis de Naïve Bayes.
Modelo de Pronóstico
El pronóstico es uno de los enfoques más utilizados, en parte por su versatilidad y en parte por su capacidad de asignar valores numéricos en tiempo real a fenómenos históricos complejos y no numéricos.
Por ejemplo, puedes utilizar el historial de lanzamientos de productos bajo tu marca para predecir el tráfico web el día que lances una campaña. Con este dato, informas a tu proveedor web y solicitas ancho de banda extra. Como resultado, recibes mucho tráfico, tu sitio no se cae y las ventas son sólidas.
Modelo de Agrupamiento
Los modelos de agrupamiento son realmente potentes, y el auge de los algoritmos de deep learning los ha hecho increíblemente efectivos. Funcionan detectando correlaciones entre elementos del mundo real, comparándolos con otros y luego haciendo predicciones basadas en las asociaciones.
Por ejemplo, tu modelo de agrupamiento podría notar que las personas que compran pañales, leche para bebés, muebles de guardería y sillas altas, también tienen muchas probabilidades de comprar seguro médico y útiles escolares en un futuro próximo. Al almacenar esta información, se puede convertir en la base de una exitosa campaña de ventas dirigida a estas personas incluso dentro de 18 años, cuando un cliente ofrezca préstamos estudiantiles.
Como habrás adivinado, existen muchos de estos modelos. Entre los algoritmos de agrupamiento más comunes están k-means clustering, mean-shift clustering, agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN), agrupamiento por expectativa-maximización (EM) con Gaussian Mixture Models (GMM) y el agrupamiento jerárquico.
Modelos de Series Temporales
Probablemente los primeros analistas de series temporales fueron los cazadores-recolectores que notaron que los animales migraban con las estaciones. Este enfoque sigue ciclos para predecir eventos futuros.
El ejemplo anterior sobre el aumento en la venta de pavos en noviembre es un ejemplo de análisis de series temporales. Tipos de modelos específicos que podrías utilizar aquí incluyen autorregresivo (AR), media móvil (MA), ARMA y ARIMA.
3 beneficios de la modelización predictiva
Hay mucho que destacar sobre estos modelos predictivos y cómo ayudan en la toma de decisiones. Para tener una mejor idea, aquí tienes tres áreas donde puedes aplicar los modelos para obtener grandes resultados.
Seguridad y reducción de riesgos
La seguridad es principalmente el negocio de predecir el comportamiento de las personas y anticiparse a ellos. Las cerraduras en las puertas predicen que alguien intentará girar los picaportes en algún momento. Las auditorías forenses anticipan que alguien intentará malversar dinero.
En marketing, tus datos históricos pueden sugerir que las filtraciones de información son más comunes con proveedores externos. Por eso decides reservar información hasta las fechas de lanzamiento de los productos o incluso segmentarla para mantenerla segura.
Eficiencia operativa
Las herramientas predictivas pueden mejorar enormemente tu eficiencia operativa al ayudarte a prever la demanda. Si tienes un centro de llamadas que está muy ocupado temprano en la mañana y al final de la tarde, pero es un desierto el resto del tiempo, cuentas con datos que te permiten programar los turnos.
Llevar a tu personal por horas durante los picos de mayor actividad y reducirlo cuando no hay llamadas pone los recursos donde más se necesitan, en los momentos adecuados, en vez de estar escasos de personal en las horas punta y con exceso cuando todo está tranquilo.
Mejora en la toma de decisiones
Este es el aspecto más importante. Básicamente, recurres a la analítica predictiva para obtener una especie de "truco" para el desempeño futuro. Vuelve a pensar en las puntuaciones FICO. ¿Deberías conceder crédito a una persona de alto riesgo con una puntuación baja? ¿Deberías negarte a enviar una tarjeta de crédito nueva a alguien con una puntuación de 790? El modelo analítico te ayuda a predecir resultados futuros según el rendimiento pasado.
5 formas de usar la analítica predictiva a tu favor
Segmentación de clientes y audiencias
Ya sabes que tus clientes son diferentes entre sí, pero suelen agruparse en conjuntos que los grandes volúmenes de datos revelan. La minería de datos puede tener mala fama, pero es el primer paso para formar grupos lógicos sobre los que puedas generalizar y dirigirte de forma más eficiente.
Captación de nuevos clientes
Captar nuevos clientes es algo excelente, y la capacidad de hacerlo de manera confiable a través de tus campañas de marketing le da a tu marca una ventaja competitiva. Técnicas como los modelos de regresión lineal te ayudan a perfeccionar tus flujos de trabajo y obtener el mayor provecho de las campañas de adquisición de nuevos clientes.
Puntuación de prospectos (Lead Scoring)
Distinguir a los clientes potenciales más adecuados es una parte fundamental de la inteligencia empresarial, especialmente con la puntuación de prospectos y el desarrollo de nuevas audiencias. El modelado de propensión revela hacia dónde es más probable que vaya el público y cuáles prospectos son los más valiosos.
Recomendaciones de contenido y anuncios
Los anuncios pueden resultar molestos si no son relevantes o si publicitan productos que el espectador no necesita. El filtrado colaborativo elimina esa molestia y hace que tus anuncios sean mucho más efectivos.
Personalización de experiencias de cliente
Ya seas minorista, trabajes en el sector de servicios financieros o realices pronósticos meteorológicos para navieras, la segmentación automatizada te ayuda a cribar todos los resultados que podrías generar y ofrecer una experiencia personalizada a cada persona con la que interactúas. Esto es optimización a nivel personal, y tiene el potencial de lograr el mayor impacto en tu marketing, ya que conecta individualmente con cada quien que entra en contacto con tu marca.
Avanzando hacia el futuro
Ha sido mucho contenido por repasar, pero esperamos que ahora tengas mucha más información sobre los beneficios del software de analítica de marketing y cómo pueden ayudarte con la analítica predictiva. También hay mucha más información disponible si la buscas. Suscríbete al boletín de The CMO para mantenerte al día sobre los últimos consejos, tendencias, recomendaciones de software y más en marketing.
