Analítica predictiva: 5 formas de usarla en tu beneficio
¿No sería genial si pudieras ver el futuro? Las personas con responsabilidades de toma de decisiones pueden estresarse al intentar predecir los resultados posteriores de sus decisiones. Esa es la idea detrás del análisis predictivo, un método para utilizar datos históricos con el fin de predecir los resultados de las decisiones actuales y proyectarlos hacia el futuro.
Aunque no es totalmente infalible, el análisis predictivo puede darte una ventaja considerable cuando trabajas con datos de entradas históricas para detectar tendencias y elegir el camino correcto. Puedes utilizar este conjunto de herramientas en todo tipo de áreas, desde el marketing hasta la contratación y el rendimiento de la marca a lo largo del tiempo.
Este artículo explica qué es el análisis predictivo, cómo puede respaldar tu enfoque de marketing predictivo B2B y dónde puedes utilizarlo para resolver problemas complejos de gestión. Al final, deberías sentirte cómodo con el concepto y estar preparado para empezar a incorporar modelos predictivos a tus árboles de decisión habituales. También deberías terminar este artículo con excelentes ideas sobre cómo puedes utilizar el conjunto de herramientas de análisis predictivo para hacer que tu trabajo sea mucho más productivo y menos estresante.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
¿Qué es la analítica predictiva?
La analítica predictiva es un conjunto de herramientas para modelar el rendimiento futuro basándose en el rendimiento pasado. Consiste en una serie de procesos matemáticos para proyectar las tendencias a partir de los datos que tienes hacia los resultados que intentas predecir. Al seleccionar los datos históricos relevantes y aplicar un conjunto adecuado de herramientas, puedes predecir de forma fiable los resultados de las políticas e iniciativas que estás considerando ahora.
Para ponerlo en términos concretos, imagina que eres un responsable de recursos humanos encargado de contratar personas para escribir código para el departamento de TI de tu empresa. Según tu experiencia, algunas universidades producen graduados que se desempeñan mejor en este tipo de trabajo. Por eso, filtras a tus candidatos buscando palabras clave como "CalTech", "MIT" o "University of California Berkeley". De una forma muy sencilla, acabas de aplicar tu propio análisis predictivo para establecer una conexión significativa entre la universidad de un candidato y lo bien que podría desempeñarse en tu empresa.
Necesitarás una considerable capacidad de procesamiento y buenos algoritmos de aprendizaje automático para gestionar asociaciones más complejas. Supongamos que tus datos de ventas anteriores indican que tu empresa vende más fuegos artificiales durante las semanas previas a Año Nuevo y al 4 de julio, pero que tu filial vende mucho pavo en noviembre, justo antes de Acción de Gracias. En otra asociación bastante evidente, puedes predecir con antelación cómo serán tus ventas de fuegos artificiales y pavo basándote únicamente en el rendimiento pasado y la fecha del calendario.
Subiendo el nivel
Yendo más allá, quizá tengas experiencia lanzando marcas en las redes sociales, pero tu rendimiento anterior haya sido irregular y decepcionante. Al utilizar herramientas de marketing con modelos avanzados de analítica predictiva, tu análisis de datos muestra que los mensajes de marca se difunden bien de Twitter a Instagram, pero casi nunca lo hacen en la dirección contraria. En este caso, puedes desarrollar conocimientos prácticos como iniciar siempre una campaña en Twitter o ampliar tu base de seguidores en Instagram para lograr un mejor rendimiento.
Hasta ahora hemos visto algunas formas muy sencillas de predecir acontecimientos futuros utilizando métodos de análisis predictivo sumamente simples, pero esto puede llegar mucho más lejos. Tu puntuación crediticia FICO es una forma de análisis predictivo. Al revisar tu historial de pagos puntuales, el crédito disponible, la utilización actual del crédito y varios factores más, la puntuación FICO predice con un alto grado de precisión la probabilidad de que incumplas tus deudas. Incluso puede tener en cuenta el número de consultas de crédito que has realizado en los últimos 2 años para determinar si estás buscando desesperadamente ampliaciones de crédito, una señal de que se avecinan problemas.
De vuelta en el entorno laboral, podrías ser un responsable de control de calidad cuyo trabajo consiste en mantener las máquinas en funcionamiento. Cualquier tiempo de inactividad podría costarle dinero a tu empresa, así que tienes que predecir cuándo y dónde es probable que ocurran las averías. Tu aprendizaje automático revisa años de datos anteriores y determina que las averías ocurren cuando una pieza crítica se desgasta, algo que sucede más rápido cuando la temperatura de funcionamiento es alta. El conocimiento práctico en este caso consiste en hacer funcionar las máquinas con menor intensidad o invertir en un sistema de refrigeración más grande para mantener bajas las temperaturas, reducir el desgaste de las piezas críticas y prolongar la vida útil de las máquinas, lo que podría ahorrar millones de dólares.
Analítica predictiva frente a analítica de datos
Ahora que tienes una visión general de lo que es la analítica predictiva, esto es lo que no es. O, mejor dicho, esta es la línea divisoria entre la analítica predictiva y otros conceptos relacionados con los que puede confundirse fácilmente.
En primer lugar, la analítica predictiva no es lo mismo que la analítica de datos, que es más amplia. Sería correcto decir que es un subconjunto de la analítica de datos, uno que se centra en un conjunto limitado de herramientas para crear modelos orientados al futuro. Los otros tipos de analítica de datos son:
- Analítica descriptiva: Un registro preciso y organizado racionalmente de lo que ha ocurrido en el pasado, presentado de forma comprensible
- Analítica diagnóstica: Determinar por qué ocurrieron las cosas como ocurrieron en el pasado, idealmente para obtener conocimientos útiles para modelos predictivos posteriores
- Analítica prescriptiva: Conocimientos prácticos sobre hacia dónde deberías avanzar a partir de aquí y un conjunto de instrucciones sobre qué hacer (y qué no hacer) mientras trabajas para alcanzar un objetivo
Realmente no existen líneas claras y definidas que separen estos tipos de análisis de datos, y cada uno de ellos puede aportar información a los demás. Un enfoque realmente potente del análisis utiliza todos ellos en el lugar adecuado para construir modelos sólidos de comprensión de asuntos complejos.
Análisis descriptivo
Por ejemplo, podrías ser un ingeniero que intenta diseñar un automóvil más seguro. Necesitarás enormes cantidades de datos de análisis descriptivo de accidentes anteriores, incluidos informes de lesiones, para desarrollar un modelo sobre cómo se rompen los automóviles. La imagen que obtengas podría revelar que las víctimas de accidentes sufren con frecuencia lesiones en el cuello. Esta es una descripción de datos sin procesar, presentada de una manera que puedes leer, pero necesitas ir más allá para comprender su significado.
Análisis diagnóstico
Así que sabes que hay muchas lesiones de cuello en los accidentes automovilísticos. El siguiente paso, el análisis diagnóstico, te indica por qué. Al parecer, muchas personas se golpean la cabeza contra los parabrisas o sufren movimientos bruscos del cuello hacia delante y hacia atrás. A veces, un objeto pesado las golpea por detrás durante un accidente, lo que provoca las lesiones que estás observando.
Análisis prescriptivo
En el tercer paso, el análisis prescriptivo, desarrollas una serie de sugerencias sobre cómo prevenir las lesiones de cuello en los accidentes automovilísticos.
Podrías considerar diseñar el automóvil de modo que no se mueva hasta que el conductor lleve un collarín. Podrías construir una jaula de seguridad alrededor de la cabeza del conductor hecha de un blindaje pesado de plomo. Podrías instalar un asiento eyectable automático que detecte los problemas y lance al conductor fuera del vehículo ante la primera señal de peligro. Y así sucesivamente. En esta etapa, no hay malas ideas, solo ideas.
Tu trabajo realmente cobra sentido aquí, en la etapa del análisis predictivo. Al ejecutar modelos basados en el rendimiento pasado, descubres que a los propietarios de automóviles les molestan los dispositivos de seguridad intrusivos y que probablemente desactivarán los collarines, lo que los convierte en una opción inviable. Añadir peso con blindajes y reducir el campo de visión de los conductores resulta contraproducente. Los datos anteriores de la industria aeroespacial te indican que los asientos eyectables automáticos suelen ser una mala idea.
Pero hay algunas ideas prometedoras entre todas ellas, como revela tu análisis predictivo:
- Los cinturones de seguridad son una forma económica de mantener a las personas sujetas durante un accidente.
- Los airbags amortiguan el movimiento de los cuerpos.
- El vidrio de seguridad se rompe con facilidad, lo que reduce las lesiones en la cabeza y el cuello.
- La prevención de colisiones reduce el riesgo de sufrir un accidente desde el principio.
Así que incorporas estas ideas razonables a tu diseño mejorado, que, según predice tu análisis, ofrecerá los mejores resultados por el dinero invertido. El ciclo se repite entonces, a medida que una nueva generación de automóviles más seguros sale al mercado, sufre accidentes y genera más datos con los que trabajar, haciendo que los automóviles 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 del análisis predictivo? ¿Cómo funciona? ¿Qué hacen en realidad la inteligencia artificial, el aprendizaje automático y todas esas cosas?
Bueno, existen cuatro modelos básicos para este tipo de análisis. Las distintas plataformas utilizan todos o algunos de ellos, y su uso depende realmente del contexto. A continuación, presentamos un breve resumen de los diferentes tipos.
Modelo de clasificación
La clasificación podría llamarse igualmente segmentación. Este enfoque divide grandes conjuntos de datos en partes con relaciones significativas. Si alguna vez has participado en un proyecto de investigación de mercado, estarás familiarizado con la segmentación demográfica. Si has intentado comercializar monopatines para personas mayores, ya habrás aprendido lo importantes que pueden ser algunas clasificaciones.
Entre los modelos específicos para una clasificación precisa se incluyen el análisis de regresión logística, los árboles de decisión, los bosques aleatorios, las redes neuronales y el análisis de Bayes ingenuo.
Modelo de pronóstico
El pronóstico es uno de los enfoques más utilizados, en parte porque es muy versátil y en parte por su capacidad para asignar valores numéricos en tiempo real a fenómenos históricos complejos que carecen de cifras.
Por ejemplo, puedes utilizar el historial de lanzamientos de productos de tu marca para predecir el tráfico web el día en que lances una campaña. Con esta cifra, avisas a tu proveedor de alojamiento web y solicitas ancho de banda adicional. Como resultado, recibes enormes cantidades de tráfico, tu sitio no se bloquea y las ventas son sólidas.
Modelo de agrupamiento
Los modelos de agrupamiento son realmente potentes, y el auge de los algoritmos de aprendizaje profundo los ha hecho increíblemente eficaces. Funcionan detectando correlaciones entre cosas del mundo real, comparándolas con otras cosas y, después, realizando predicciones basadas en asociaciones.
Por ejemplo, tu modelo de agrupamiento podría observar que las personas que compran pañales, fórmula para bebés, muebles para la habitación infantil y tronas también tienen muchas probabilidades de comprar seguros médicos y material escolar en un futuro cercano. Al almacenar esta información, puede convertirse en la base de un discurso de ventas exitoso dirigido a estas personas hasta 18 años después, cuando un cliente esté comercializando préstamos estudiantiles.
Como quizá hayas adivinado, existen muchos de estos modelos. Entre los algoritmos de agrupamiento más comunes se incluyen el agrupamiento de k-medias, el agrupamiento de desplazamiento medio, el agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN), el agrupamiento de maximización de expectativas (EM) mediante modelos de mezcla gaussianos (GMM) y el agrupamiento jerárquico.
Modelos de series temporales
Podría decirse que los primeros analistas de series temporales fueron los cazadores-recolectores que observaron que los animales migraban con las estaciones. Este enfoque sigue los ciclos para predecir eventos futuros.
El ejemplo anterior sobre el aumento de las ventas de pavos en noviembre es un ejemplo de análisis de series temporales. Entre los tipos de modelos específicos que podrías utilizar se incluyen los autorregresivos (AR), los de media móvil (MA), ARMA y ARIMA.
3 beneficios del modelado predictivo
Hay mucho que decir sobre estos modelos predictivos y cómo ayudan en la toma de decisiones. Para obtener una visión más clara, aquí tienes tres áreas en las que puedes aplicar los modelos para conseguir excelentes resultados.
Seguridad y reducción de riesgos
La seguridad consiste principalmente en predecir el comportamiento de las personas y tenerlo en cuenta de antemano. Las cerraduras de tus puertas predicen que, en algún momento, la gente intentará girar los pomos. Los registros de auditoría forense anticipan que alguien intentará malversar dinero.
En marketing, tus datos históricos podrían sugerir que las filtraciones de información son más comunes entre los proveedores externos. Por eso, decides restringir el acceso a la 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 muy ocupado a primera hora de la mañana y a última hora de la tarde, pero completamente vacío el resto del tiempo, dispones de datos que te ayudan a programar los turnos.
Incorporar a tu personal por horas durante las horas punta y reducir la actividad cuando nadie llama coloca tus recursos exactamente donde se necesitan y en el momento adecuado, en lugar de contar con poco personal durante las horas de mayor actividad y con demasiados empleados cuando hay tranquilidad.
Mejora de la toma de decisiones
Este es el punto más importante. En la práctica, recurres al análisis predictivo para obtener una ventaja sobre el rendimiento futuro. Piensa de nuevo en las puntuaciones FICO. ¿Deberías conceder crédito a alguien con alto riesgo crediticio y una puntuación baja? ¿Deberías negarte a enviar una nueva tarjeta de crédito a alguien con una puntuación de 790? El modelo analítico te ayuda a predecir resultados futuros basándose en el rendimiento pasado.
5 formas de utilizar el análisis predictivo en tu beneficio
Segmentación de clientes y audiencias
Ya sabes que tus clientes son diferentes entre sí, pero tienden a agruparse en segmentos que los grandes conjuntos de datos permiten revelar. La minería de datos tiene mala reputación, pero es el primer paso para crear agrupaciones razonables sobre las que puedas generalizar y a las que puedas dirigirte de forma más eficiente.
Adquisición de nuevos clientes
Conseguir nuevos clientes es estupendo, y la capacidad de hacerlo de forma fiable con tus campañas de marketing proporciona a tu marca una ventaja competitiva. Técnicas como los modelos de regresión lineal te ayudan a perfeccionar tus flujos de trabajo y a sacar el máximo partido de las campañas de adquisición de nuevos clientes.
Puntuación de clientes potenciales
Separar las ovejas de las cabras es una parte importante de la inteligencia empresarial, especialmente al puntuar clientes potenciales y desarrollar una nueva base de seguidores. El modelado de propensión muestra hacia dónde es probable que se dirija el público contigo y cuáles son los prospectos más interesados.
Recomendaciones de contenido y anuncios
Los anuncios pueden resultar molestos si no se desean o si promocionan productos que el espectador no necesita. El filtrado colaborativo elimina las molestias y hace que tus mensajes publicitarios tengan muchas más probabilidades de llegar a su destinatario.
Personalización de las experiencias de los clientes
Tanto si eres un minorista como si trabajas en el sector de los servicios financieros o realizas previsiones meteorológicas para empresas de transporte marítimo, la segmentación automatizada te ayuda a examinar todos los resultados que podrías generar y a ofrecer una experiencia personalizada a cada persona con la que interactúas. Esta es la optimización a nivel personal y tiene el potencial de generar el mayor impacto en tu marketing, ya que conecta a nivel personal con todas las personas con las que interactúa tu marca.
Avanzando hacia el futuro
Hemos abarcado mucho, pero esperamos que ahora estés mucho mejor informado sobre los beneficios del software de análisis de marketing y sobre cómo puede ayudar con el análisis predictivo. También hay mucha más información disponible si la buscas. Suscríbete al boletín de The CMO para estar al día de los últimos consejos, tendencias, recomendaciones de software y mucho más en marketing.
