Cabecera personalizada

El blog de Mikel Niño
Emprendimiento digital, startups, Big Data Analytics y nuevos modelos de negocio

Entendiendo la diferencia entre analítica de datos descriptiva, predictiva y prescriptiva

Cuando recopilamos datos de un proceso de negocio, sea del sector que sea, y queremos extraer valor de los mismos a través de su análisis, podemos afrontar la tarea con diferentes objetivos para dicha analítica. Es habitual hablar de tres diferentes niveles o perspectivas en la analítica de datos (analítica descriptiva, predictiva o prescriptiva), donde las técnicas y herramientas que deberemos emplear dependerán de si nos enfocamos a una u otra. En esta entrada revisaremos las principales diferencias entre estos tres enfoques para la analítica de datos y la manera en que cada uno de ellos facilita los procesos de toma de decisión dentro de un negocio.

Anteriormente en el blog ya hemos descrito la línea que separa la analítica descriptiva (ligada a la idea de business intelligence) y la predictiva (ligada a la minería de datos y a la aplicación de técnicas de aprendizaje automático). Mientras que en la analítica descriptiva se consultan y visualizan de manera agregada datos provenientes de diferentes indicadores de negocio de cara a obtener una visión de lo que ha pasado y lo que está pasando, en la analítica predictiva buscamos extraer conocimiento de los datos en forma de patrones, tendencias o modelos que nos proporcionen una cierta certeza sobre potenciales situaciones futuras o el resultado de diferentes alternativas sobre las que tomar una decisión.

Revisemos por ejemplo los casos de las primeras aplicaciones de la analítica predictiva en contextos de negocio, cuando en los años 80 y 90 bancos y aseguradoras comenzaban a aplicar técnicas de “data mining” a sus bancos de datos. En estos casos, estas empresas analizaban los datos que habían recopilado para caracterizar el caso de un cliente concreto y, a la vista de los patrones extraídos del análisis de ejemplos anteriores (caracterizados por esos mismos indicadores), buscaban por ejemplo predecir si una empresa iba a acabar en bancarrota (para saber si conceder o no concederle un crédito) o si determinadas operaciones podían constituir un fraude (para aceptarlas o no).

En dichos ejemplos vemos que contamos con un banco de datos que recopila la información relevante para caracterizar aquel objeto de negocio que nos interesa analizar (la transacción de un cliente, su estado financiero, etc.) y sobre el que tomar una decisión. De todas maneras, si bien somos capaces de recopilar dicha información y elaborar modelos predictivos sobre ella, en general no estamos hablando de variables que nosotros directamente podamos modificar, sino únicamente observar y anotar para extraer ese aprendizaje automático. Es decir, son factores cuyo origen es externo a nosotros o bien no tenemos capacidad de manipular directamente.

Pero, ¿y si lo que estamos caracterizando es un proceso interno de nuestro negocio que sí gobernamos por completo, y por tanto no sólo podemos observar y almacenar los datos que caracterizan la ejecución de dicho proceso, sino también modificar los valores de dichos indicadores de manera que el resultado previsto mejore respecto a una predicción inicial? Estaríamos entonces en un caso de analítica prescriptiva, donde el modelo que extraemos de los datos nos indicará no sólo la predicción del resultado esperado del caso que estamos analizando, sino también cuál sería la manera en que podemos mejorar dicho resultado. De esa manera, este enfoque de analítica de datos nos proporcionaría recomendaciones (prescripciones) para maximizar aquellos indicadores de negocio sobre los que hemos construido nuestros modelos predictivos.

No hay comentarios:

Publicar un comentario