La analítica predictiva ¿es algo que ya debería de estar contemplando en mi empresa?
Desde hace un par de años se venían escribiendo varios artículos de como la Inteligencia Artificial pueden mejorar la toma de decisiones en las organizaciones. En este sentido trataré de explicar de una forma sencilla ¿qué es? y ¿qué beneficios podrá traer a sus empresas?
Su origen radica en el análisis basado en minería de datos y conforme los volúmenes de información y de variables han estado aumentando, la aplicación de tecnologías de Inteligencia artificial son necesarias. Estos análisis, lo que buscan, es encontrar patrones de comportamiento de los datos y basándose en eso, predecir el comportamiento futuro de los datos.
Para poder entender comportamientos futuros, la mayoría de nuestras organizaciones comúnmente utilizan pronósticos, que están basados en proyecciones, o estimaciones estadísticas y en su mayor parte indican tendencias generales. La analítica predictiva llega a un nivel más profundo dado que toma más variables (datos) y podría en su momento ser más exacto.
Pronóstico vs. análisis predictivo: el ejemplo de la heladería
En un principio parece ser que el análisis predictivo es similar al pronóstico, pero pongamos un ejemplo:
En una empresa de helados, un pronóstico podría indicarnos la tendencia de venta de helados por mes y en su momento hasta por sucursal, de ahí que su espectro es amplio. En cambio, en un modelo predictivo, con la información correcta, podríamos predecir no solamente la venta mensual, sino que podríamos detectar la probabilidad de cantidad, sabor que podría consumir cierto individuo. Esto es un cambio radical, dado que puedes orientar los esfuerzos comerciales para ser más productivos.
El modelo evolutivo del uso de la información
En este modelo tratamos de ejemplificar en un eje el valor que le damos al negocio con respecto a cómo estamos usando la información, y en el otro eje vemos la complejidad en cuanto a los procesos de TI y de gobierno de datos que tenemos que invertir.
En los primeros dos niveles, vemos los proyectos básicos de Inteligencia de negocios, mientras que en los últimos dos ya tiene un impacto más significativo a la organización. Principalmente estaremos respondiendo las siguientes preguntas conforme va evolucionando el uso de la información:
- Reportes: Ventas diarias, cierre del mes, cuentas por pagar, cuentas por cobrar, etc.
- Análisis: Comportamiento de las ventas por sucursal, artículo, temporalidad, proyecciones de ventas para el próximo mes/año, etc.
- Monitoreo: Ciclo del producto, rotación de personal, índices de liquidez, indicadores de rentabilidad, etc.
- Predicción: Proyección de ventas por artículo y sucursal, comportamiento de precios por sucursal, probabilidad de ventas de nuevas sucursales de acuerdo con su ubicación, probabilidad de que un cliente caiga en morosidad, probabilidad de que un empleado renuncie, etc.
Así se ve claro cómo vamos generando valor al negocio conforme vamos aprovechando mejor la información que tenemos.
Caso de uso: renovación de pólizas en una aseguradora
En una empresa de seguros tradicional, existe un proceso de renovación de pólizas — supongamos que es de daños en el ramo de autos. En un proceso de planeación podríamos estimar la cantidad de llamadas por mes que tendría que hacer el call center de acuerdo al volumen de pólizas que estén próximas a vencerse y al número de llamadas promedio que se necesitan para lograr una llamada exitosa.
En un modelo de pronóstico tradicional, los datos utilizados serían:
- Número de pólizas anualizadas
- Vencimiento de las pólizas
- Número de llamadas exitosas que hace un agente por día
Con un modelo predictivo, se incorporarían variables mucho más ricas:
- Antigüedad de la póliza
- Número de siniestros reportados y fechas
- Número de llamadas previas
- Número de pólizas contratadas por la misma persona
- Edad, origen de contratación y forma de pago
Los 4 segmentos que revela el modelo predictivo
Una vez que el modelo predictivo procesa estas variables, lo primero que hace es identificar cómo se comportan los datos. El resultado es una clasificación de clientes en cuatro grupos con estrategias comerciales radicalmente distintas:
- No molestar: Clientes que posiblemente tuvieron problemas en un siniestro o una queja. Estadísticamente, son más propensos a cancelar si se les llama con anticipación — y más propensos a renovar si no se les contacta antes de que evalúen otras opciones.
- Compra igualmente: Clientes que por lealtad, o por tener un auto a crédito con seguro incluido, van a renovar sin importar si se les llama o no.
- Causa pérdida: Clientes que compraron por un tema específico y que, así se les ofrezca una promoción, se irán a otra aseguradora.
- Influenciables: Clientes indecisos que van a hacer una evaluación de varias aseguradoras para decidir. Este es el grupo donde el esfuerzo del call center genera el mayor retorno.
Al asignar el servicio del call center únicamente al grupo influenciable, se reduce significativamente el esfuerzo operativo y probablemente mejore el índice de renovación de las pólizas. El mismo resultado, con una fracción del costo.
Este caso es relativamente sencillo, pero ilustra cómo los modelos predictivos — apoyados en minería de datos e inteligencia artificial — permiten una segmentación mucho más precisa de los hábitos de compra y comportamiento de los clientes.
¿Qué casos de uso creen que podrán tener en sus empresas?