Análisis predictivo, big data y cómo hacer que funcionen para usted

El análisis predictivo es el resultado práctico de Big Data e inteligencia empresarial (BI). ¿Qué haces cuando tu negocio recolecta volúmenes asombrosos de datos nuevos? Las aplicaciones comerciales de hoy en día se acumulan en montañas de nuevos clientes, mercado, escucha social y datos de rendimiento de aplicaciones, nube o productos en tiempo real. El análisis predictivo es una forma de aprovechar toda esa información, obtener nuevos conocimientos tangibles y mantenerse por delante de la competencia.

Las organizaciones utilizan el análisis predictivo en una variedad de formas diferentes, desde el marketing predictivo y la minería de datos hasta la aplicación de algoritmos de aprendizaje automático (ML) e inteligencia artificial (AI) para optimizar los procesos comerciales y descubrir nuevos patrones estadísticos. Básicamente, las computadoras aprenden del comportamiento pasado sobre cómo hacer que ciertos procesos comerciales mejoren y brinden nuevos conocimientos sobre cómo funciona realmente su organización. Pero antes de entrar en todas las fascinantes formas en que las empresas y las empresas de tecnología emplean análisis predictivos para ahorrar tiempo, ahorrar dinero y obtener una ventaja sobre el resto del mercado, es importante hablar sobre qué es exactamente el análisis predictivo y qué no..

¿Qué es el análisis predictivo?

El análisis predictivo no es un concepto en blanco y negro o una característica discreta de los administradores de bases de datos modernos. Es un conjunto de tecnologías de análisis de datos y técnicas estadísticas acumuladas bajo un mismo banner. La técnica central es el análisis de regresión, que predice los valores relacionados de múltiples variables correlacionadas basadas en probar o refutar un supuesto particular. El análisis predictivo se trata de reconocer patrones en los datos para la probabilidad del proyecto, según Allison Snow, analista senior de marketing B2B en Forrester.

"Es clave reconocer que la analítica se trata de probabilidades, no absolutas", explicó Snow, quien cubre el espacio de marketing predictivo. "A diferencia del análisis tradicional, cuando se aplica el análisis predictivo, uno no sabe de antemano qué datos son importantes. El análisis predictivo determina qué datos predicen el resultado que desea predecir".

Piense en un representante de ventas que mira un perfil principal en una plataforma de gestión de relaciones con clientes (CRM) como Salesforce.com. Digamos que la suposición es que el cliente potencial comprará su producto. Otros supuestos son que las variables son el costo del producto, el rol del líder dentro de un negocio y el índice de rentabilidad actual de la compañía. ¡Ahora coloque esas variables en una ecuación de regresión y listo! Tiene un modelo predictivo a partir del cual extrapolar una estrategia efectiva para lanzar y vender un producto a los clientes potenciales correctos.

Además del análisis de regresión (las complejidades y subconjuntos de los que puede hablar en este manual de Harvard Business Review ), el análisis predictivo también está utilizando progresivamente más minería de datos y ML. La minería de datos es exactamente lo que parece: usted examina grandes conjuntos de datos para descubrir patrones y descubrir nueva información. Las técnicas de ML se están convirtiendo, con mayor regularidad, en sartenes y picos para encontrar las pepitas de datos de oro. Las innovaciones de ML, como las redes neuronales y los algoritmos de aprendizaje profundo, pueden procesar estos conjuntos de datos no estructurados más rápido que un científico o investigador de datos tradicional, y con una precisión cada vez mayor a medida que los algoritmos aprenden y mejoran. Es de la misma manera que funciona IBM Watson, y los kits de herramientas de código abierto como TensorFlow de Google y CNTK de Microsoft ofrecen la funcionalidad ML en la misma línea.

El gran cambio que alimenta el auge del análisis predictivo no es solo el avance de ML e IA, sino que ya no se trata solo de científicos de datos que usan estas técnicas. Las herramientas de BI y visualización de datos, junto con organizaciones de código abierto como la Apache Software Foundation, están haciendo que las herramientas de análisis de Big Data sean más accesibles, más eficientes y más fáciles de usar que nunca. Las herramientas de análisis de datos y ML ahora son de autoservicio y están en manos de usuarios comerciales cotidianos, desde nuestro vendedor que analiza los datos principales o el ejecutivo que intenta descifrar las tendencias del mercado en la sala de juntas hasta el representante de servicio al cliente que investiga los puntos comunes de los clientes y las redes sociales. gerente de marketing que mide la demografía y las tendencias sociales de los seguidores para llegar al público objetivo correcto con una campaña. Estos casos de uso son solo la punta del iceberg para explorar todas las formas en que la analítica predictiva está cambiando los negocios, muchos de los cuales veremos a continuación.

Dicho esto, el análisis predictivo no es como una bola de cristal o el almanaque deportivo de Biff Tannen de Regreso al futuro 2. Los algoritmos y modelos no pueden decirle a su negocio más allá de la duda que su próximo producto será un ganador de mil millones de dólares o que el mercado está a punto de estancarse. Los datos siguen siendo un medio para hacer una suposición educada; simplemente estamos mucho mejor educados de lo que solíamos ser.

Desglosando el análisis predictivo, prescriptivo y descriptivo

En otro informe de Forrester titulado 'El análisis predictivo puede infundir sus aplicaciones con una' ventaja injusta '", el analista principal Mike Gualtieri señala que" la palabra' análisis 'en' análisis predictivo 'es un nombre poco apropiado. El análisis predictivo no es una rama del análisis tradicional, como los informes o el análisis estadístico. Se trata de encontrar modelos predictivos que las empresas puedan usar para predecir los resultados comerciales futuros y / o el comportamiento del cliente ".

En resumen, Snow explicó que el término "predictivo" denota inherentemente la probabilidad sobre la certeza, desglosando el panorama de las herramientas de análisis y cómo influye en el análisis prescriptivo.

"El análisis descriptivo, aunque no es particularmente 'avanzado', simplemente captura cosas que sucedieron", dijo Snow. "El análisis descriptivo o histórico es la base sobre la cual se podría desarrollar un algoritmo. Estas son métricas simples pero a menudo demasiado voluminosas para administrarlas sin una herramienta de análisis.

"En términos generales, los paneles de control y los informes son el uso más común para el análisis predictivo dentro de las organizaciones actuales. Estas herramientas a menudo carecen del vínculo con las decisiones comerciales, la optimización de procesos, la experiencia del cliente o cualquier otra acción. En otras palabras, los modelos producen información, pero no son explícitos instrucciones sobre qué hacer con ellos. El análisis prescriptivo es donde el conocimiento se encuentra con la acción. Responden a la pregunta: "Ahora sé la probabilidad de un resultado, qué se puede hacer para influir en la dirección que es positiva para mí", ya sea que eso esté evitando cliente abandono o hacer una venta más probable ".

El análisis predictivo está en todas partes

A medida que evoluciona el panorama de BI, el análisis predictivo se está abriendo camino en más y más casos de uso empresarial. Herramientas como las opciones de nuestros editores Tableau Desktop y Microsoft Power BI tienen un diseño intuitivo y usabilidad, y grandes colecciones de conectores de datos y visualizaciones para dar sentido a los enormes volúmenes de datos que las empresas importan de fuentes como Amazon Elastic MapReduce (EMR), Google Distribuciones de BigQuery y Hadoop de jugadores como Cloudera, Hortonworks y MapR. Estas herramientas de autoservicio no necesariamente tienen las funciones de análisis predictivo más avanzadas hasta ahora, pero hacen que el Big Data sea mucho más pequeño y fácil de analizar y comprender.

Snow dijo que hoy en día existe una amplia serie de casos de uso para el análisis predictivo en los negocios, desde la detección de fraudes en los puntos de venta (POS), el ajuste automático del contenido digital en función del contexto del usuario para impulsar las conversiones, o la iniciación de un servicio al cliente proactivo en riesgo fuentes de ingresos. En el marketing B2B, Snow dijo que las empresas y las pequeñas y medianas empresas usan el marketing predictivo por las mismas razones que usan cualquier estrategia, táctica o tecnología: para ganar, retener y servir a los clientes mejor que aquellos que no lo hacen.

Profundizando más, Snow identificó tres categorías de casos de uso de marketing B2B que, según ella, dominan el éxito predictivo temprano y sientan las bases para un uso más complejo de análisis de marketing predictivo.

1. Puntaje predictivo: Priorizar las perspectivas conocidas, clientes potenciales y cuentas en función de su probabilidad de tomar medidas.

"El punto de entrada más común para los especialistas en marketing B2B en el marketing predictivo, la puntuación predictiva agrega una dimensión científica y matemática a la priorización convencional que se basa en la especulación, la experimentación y la iteración para derivar criterios y ponderaciones", dijo Snow. "Este caso de uso ayuda a las ventas y a los vendedores a identificar cuentas productivas más rápido, dedicar menos tiempo a cuentas con menos probabilidades de conversión e iniciar campañas de venta cruzada o de ventas adicionales".

2. Modelos de identificación: identificación y adquisición de prospectos con atributos similares a los clientes existentes.

"En este caso de uso, las cuentas que exhibieron el comportamiento deseado (hicieron una compra, renovaron un contrato o compraron productos y servicios adicionales) sirven como la base de un modelo de identificación", dijo Snow. "Este caso de uso ayuda a las ventas y los vendedores a encontrar prospectos valiosos al principio del ciclo de ventas, descubrir nuevos vendedores, priorizar las cuentas existentes para la expansión y potenciar las iniciativas de marketing basado en cuentas (ABM) al sacar a la superficie cuentas que razonablemente se pueden esperar más receptivo a los mensajes de ventas y marketing ".

3. Segmentación automatizada: Segmentos de clientes potenciales para mensajes personalizados.

"Los especialistas en marketing B2B tradicionalmente han podido segmentar solo por atributos genéricos, como la industria, y lo hicieron con tal esfuerzo manual que la personalización se aplicó solo a campañas altamente priorizadas", dijo Snow. "Ahora, los atributos utilizados para alimentar los algoritmos predictivos ahora se pueden agregar a los registros de cuentas para admitir una segmentación compleja y automatizada. Este caso de uso ayuda a las ventas y a los vendedores a impulsar las comunicaciones salientes con mensajes relevantes, posibilita conversaciones sustanciales entre ventas y prospectos e informa la estrategia de contenido más inteligentemente ".

Las herramientas de BI y los marcos de código abierto como Hadoop están democratizando los datos en su conjunto, pero, aparte del marketing B2B, el análisis predictivo también se está integrando en más y más plataformas de software basadas en la nube en una gran cantidad de industrias. Tome el sitio web Elevated Careers de la compañía de citas en línea eHarmony y el puñado de otros proveedores en el espacio de "análisis predictivo para la contratación". Estas plataformas todavía están en sus inicios, pero la idea de usar datos para predecir qué buscadores de empleo son los más adecuados para trabajos específicos y las empresas tiene el potencial de reinventar cómo los gerentes de recursos humanos (RRHH) reclutan talento.

Los proveedores de servicios de asistencia técnica como Zendesk también han comenzado a agregar capacidades de análisis predictivo para el software de asistencia técnica. La compañía dotó a su plataforma de poderes predictivos para ayudar a los representantes de servicio al cliente a detectar áreas problemáticas con un sistema de alerta temprana basado en datos llamado Predicción de satisfacción. La función utiliza un algoritmo ML para procesar los resultados de la encuesta de satisfacción, arrojando variables que incluyen el tiempo para resolver un ticket, la latencia de respuesta del servicio al cliente y la redacción específica del ticket en un algoritmo de regresión para calcular la calificación de satisfacción proyectada de un cliente.

También estamos viendo que el análisis predictivo tiene un gran impacto en el resultado final a escala industrial y con el Internet de las cosas (IoT). Google utiliza algoritmos ML en sus centros de datos para ejecutar el mantenimiento predictivo en las granjas de servidores que alimentan su infraestructura de nube pública de Google Cloud Platform (GCP). Los algoritmos usan datos sobre el clima, la carga y otras variables para ajustar las bombas de enfriamiento del centro de datos de manera preventiva y reducir significativamente el consumo de energía.

Este tipo de mantenimiento predictivo también se está volviendo común en las fábricas. Las empresas tecnológicas empresariales como SAP ofrecen plataformas de mantenimiento y servicio predictivo utilizando datos de sensores de dispositivos de fabricación de IoT conectados para predecir cuándo una máquina está en riesgo de problemas mecánicos o fallas. Las compañías tecnológicas como Microsoft también están explorando el mantenimiento predictivo para aplicaciones aeroespaciales, poniendo a Cortana a trabajar en el análisis de datos de sensores de motores y componentes de aviones.

La lista de posibles aplicaciones comerciales sigue y sigue, desde cómo el análisis predictivo está cambiando la industria minorista hasta las nuevas empresas fintech que utilizan modelos predictivos en el análisis de fraude y el riesgo de transacciones financieras. Solo hemos arañado la superficie, tanto en las formas en que diferentes industrias podrían integrar este tipo de análisis de datos como en las profundidades a las que las herramientas y técnicas de análisis predictivo redefinirán cómo hacemos negocios en concierto con la evolución de la IA. A medida que nos acercamos a mapear verdaderamente un cerebro artificial, las posibilidades son infinitas.