Las empresas gastan una gran cantidad de dinero en Business Intelligence, pero actualmente se usa principalmente para rastrear KPIs a través del panel de control o al menos así es como los responsables de la toma de decisiones experimentan el resultado. Obtiene “lo que sucedió”, o incluso “lo que está sucediendo” si la actualización es casi en tiempo real, pero a menudo aún no puede entender los datos.
Madurez de las necesidades comerciales
El análisis de datos puede ayudar con este problema y llevar la inteligencia empresarial a los siguientes niveles.
- ¿Cómo informan los datos su estrategia?
- ¿Cuáles son los desafíos para clasificar los datos informáticos de salud?
- ¿Cómo logra Coffee Meets Bagel tener éxito sin ningún científico de datos?
- ¿Qué proyectos combinan ciencia de datos y aerodinámica?
- ¿Qué es Big Data y cómo se relaciona con las bases de datos?
- El análisis estadístico le dará una idea de qué factores podrían haber contribuido al resultado pasado. Uno de los ejemplos más simples de esto es la prueba A / B.
- El modelado predictivo le permitirá extraer datos para descubrir patrones en el pasado que pueden tener poder predictivo mediante el uso de minería de datos y aprendizaje automático. La detección de fraude, las recomendaciones de productos, la calificación crediticia, la prevención de pérdida de clientes son ejemplos de análisis predictivos. Las empresas obtienen valor al permitirles actuar antes de que ocurran incidentes positivos o negativos. ¿Recuerdas el “Informe de Minorías”?
- La simulación es una extensión del análisis predictivo, pero le ofrece inferencia estadística adicional ante la incertidumbre, especialmente cuando los factores externos juegan un papel importante. En los servicios financieros, por ejemplo, necesitan administrar activos financieros durante un largo período de tiempo con volatilidad del mercado. La gente a menudo ejecuta simulaciones para permitir que se desarrollen varios escenarios y descubrir qué opciones de inversión son óptimas, y también obtiene confianza estadística de la probabilidad de obtener el resultado deseado.
¿Qué pasa con Big Data?
Escuchas mucho sobre “Big Data”, pero cualquier empresa, independientemente de su tamaño, puede beneficiarse del análisis de datos porque:
- no necesariamente necesita datos realmente “grandes” para obtener los beneficios del análisis de datos
- Cualquier negocio en estos días ya tiene toneladas de datos con los que no saben qué hacer. Lo que más importa es el tipo y la calidad de los datos que tiene.
Barricadas
Si su inteligencia empresarial está en el nivel de madurez del tablero de KPI, su enfoque está en cómo resumir y simplificar la complejidad de los datos. Intenta agregar y limpiar los datos que obtiene.
Desafortunadamente, tales esfuerzos le impedirán pasar al siguiente nivel porque esencialmente está arrojando los datos que necesita para la minería de datos para el análisis predictivo. Debe conservar los datos en el nivel atómico de granularidad, como las transacciones individuales o los historiales de visitas a la web. ¿Ahora puede ver por qué los datos pueden ser bastante grandes para cualquier organización?
Otro problema que enfrenta es el conjunto de habilidades del equipo de Business Intelligence, así como el consumidor de su producción. La razón por la que el equipo de BI necesita simplificar los datos es porque su audiencia quiere respuestas simples. Para aprovechar el sofisticado enfoque de análisis de datos, ¿también necesita educar a la audiencia al nivel de sofisticación necesario para comprenderlo?
La respuesta correcta es “ponerlo en funcionamiento”. Aquí hay una publicación de blog que proporciona un ejemplo concreto
Predecir cuándo las personas renuncian a sus trabajos
El análisis predictivo y la simulación no son para usuarios del tablero. Digamos que su algoritmo detectó que un cliente importante está a punto de desertar a la competencia. ¿Envía esa información al vicepresidente de ventas? El vicepresidente de ventas puede estar demasiado ocupado como para darse cuenta, y para cuando la información llegue a las personas adecuadas, ya sería demasiado tarde. Claramente, solo puede beneficiarse si envía esa alerta directamente al representante de servicio al cliente o al representante de ventas que son responsables de ese cliente, que han sido capacitados para manejar tales alertas cuando lo reciben.
Eso nos lleva de vuelta al equipo de BI. ¿Necesitan mejorar sus habilidades? Sí, pero creo que muchos están ansiosos por hacerlo, y pueden haber estado tomando MOOC para aprender esas habilidades por su cuenta. El mayor desafío para ellos es volver a priorizar su esfuerzo desde servir los paneles de control hasta aplicar las habilidades recién adquiridas para las áreas operativas, porque ahora está hablando con un conjunto completamente diferente de personas dentro de una organización. Eso requiere visión, liderazgo y gestión de aceptación.
Elección de herramientas en el contexto de la operacionalización
Cuando se trata de elegir herramientas, el equipo de BI necesita nuevas herramientas además de sus soluciones básicas como Excel, SQL, almacén de datos, herramientas de tablero, etc. Necesitan buenas herramientas para la minería de datos y el aprendizaje automático para desarrollar modelos predictivos, y hay varias buenas opciones
Una pregunta importante que debe hacerse es, ¿su objetivo de dicho análisis es meramente para un análisis ad hoc, o tiene previsto ponerlo en práctica al final?
Las herramientas que son buenas para el análisis predictivo no suelen ser la misma herramienta que utilizan las personas de TI, y por buenas razones.
- Las herramientas para el modelado predictivo están diseñadas para soportar el proceso de descubrimiento iterativo para la creación de prototipos y algoritmos de prueba.
- Las herramientas para sistemas de TI están diseñadas para brindar estabilidad y eficiencia.
Por lo tanto, los modelos predictivos que construye en las herramientas que las personas de BI usan deben volver a implementarse en las herramientas que usan las personas de TI. Este es un problema importante, porque el modelo predictivo necesita ser probado y ajustado para mantener su poder predictivo. A su personal de TI no le va a gustar si escuchan que necesita seguir actualizando los algoritmos y parámetros a medida que ingresan nuevos datos con el tiempo. Además, los analistas de datos generalmente no tienen habilidades para escribir programas de TI de calidad de producción, por lo que tendrían que explicar cómo funcionan los algoritmos a los desarrolladores de TI que no tienen experiencia especializada en matemáticas y estadísticas avanzadas.
Una forma de resolver este problema es generar código de producción automáticamente a partir de los algoritmos prototipados en las herramientas que utilizan los analistas de datos. Para una divulgación completa, trabajo para una empresa que vende dichas herramientas, por lo que querrá hacer su propia investigación sobre qué herramientas son capaces de generar código automáticamente. Pero si tiene curiosidad, puede aprender más Data Analytics.