El valor adicional de la analítica predictiva frente a la descriptiva

En una entrada anterior del blog repasábamos las diferencias entre los enfoques en los que habitualmente se clasifica la analítica de datos: descriptiva, predictiva o prescriptiva. Si revisamos la correspondencia de estos tipos de analítica de datos con la aplicación de tecnologías Big Data, a juzgar por el tipo de proyectos que se difunden en contextos académicos, profesionales o incluso en medios generalistas, vemos que la mayor parte de los casos están ligados a la analítica predictiva y, según las posibilidades que propicie el escenario de uso concreto, también prescriptiva. Tanto es así que en muchos (demasiados) foros se mezclan y confunden los conceptos de analítica predictiva y las propias tecnologías Big Data, asimilando erróneamente esto último como cualquier aplicación de minería de datos. ¿Por qué la analítica predictiva/prescriptiva acapara tanto interés en los proyectos de analítica de datos en contextos de negocio? La clave está en el valor adicional que ofrece la detección temprana de aquellas situaciones que un negocio precise controlar.

Para comprender este valor debemos tener en cuenta el fin de la analítica predictiva: la detección de patrones en los datos que caracterizan las situaciones que queremos controlar en nuestro negocio y sus consecuencias o resultados futuros, gracias a la acumulación de un histórico de datos sobre casos ya pasados de dichas situaciones y sus resultados. De esta manera, estos patrones nos permitirán predecir el resultado o las consecuencias futuras de situaciones presentes y así emprender cuanto antes las acciones que precise nuestro negocio para hacer frente o aprovechar dichas situaciones. Ese “cuanto antes” es la clave del valor adicional para nuestro negocio proporcionado esta analítica, ya que dicho valor será mayor cuanto mayor sea también la antelación con la que podamos aplicar las acciones pertinentes. Dicho de otro modo, el valor añadido que se obtiene se debe a la diferencia en valor entre una actuación proactiva y una actuación reactiva (cuando más proactivos y menos reactivos seamos, más valor obtendremos por nuestra acción).

Pongamos un ejemplo concreto donde apreciar este valor adicional, extraído de una de las aplicaciones industriales más habituales de la analítica predictiva: el denominado “condition-based maintenance” (también llamado mantenimiento predictivo o preventivo). Pensemos en el funcionamiento de una determinada maquinaria y en los posibles fallos o averías que pueda sufrir y que conllevan una acción de mantenimiento (con el consiguiente tiempo de inactividad de dicha máquina y el perjuicio para quien la utiliza). Si pensamos en qué indicadores podemos identificar como relevantes para caracterizar todos los aspectos clave del funcionamiento de esta máquina, y realizamos un registro exhaustivo de dichos indicadores durante una cantidad considerable de tiempo de operación de la máquina y de las situaciones en las que se ha producido un fallo en la máquina, podríamos aprovechar este banco de datos aplicándole algoritmos que generen modelos predictivos poniendo en relación los indicadores que caracterizan el funcionamiento de la máquina y las ocurrencias de los fallos. De esta manera, si en un momento dado se detecta que la máquina está empezando a generar valores en sus indicadores para los que el modelo predice un futuro fallo, podremos realizar una acción proactiva que corrija dicha situación sin tener que esperar a que efectivamente dicho fallo suceda, evitando así la parada de la máquina y el consiguiente tiempo de inactividad.