Con la elevada demanda actual de científicos de datos con altos salarios, suele no ser práctico para las compañías el mantenerlos en el equipo. En lugar de ello, muchas organizaciones trabajan para elevar las habilidades de análisis predictivo de los integrantes con los que ya cuentan. Sin embargo, las compañías deberían actuar con precaución. En el análisis predictivo es especialmente fácil equivocarse. He aquí tres errores a evitar.
1. No caiga en las palabras de moda, clarifique su objetivo
Por más de moda que esté, “ciencia de datos” no es un objetivo empresarial. Ni siquiera se refiere a una tecnología o método en particular. En lugar de ello, la ciencia de datos se trata fundamentalmente de cultura, una en la que personas inteligentes hagan cosas creativas para encontrar valor en los datos.
Bajo la amplia sombrilla de la ciencia de datos se encuentra el análisis predictivo, una tecnología que usa datos para predecir el comportamiento futuro de los individuos e impulsar mejores decisiones de marketing, riesgo financiero, detección de fraude y más. El análisis predictivo ayuda a optimizar estas funciones al determinar quién tiene mayores probabilidades de hacer click, comprar, cancelar suscripciones, cometer fraude o renunciar a un trabajo.
Cuando se aplican a las funciones empresariales, el análisis predictivo y el aprendizaje de las máquinas son sinónimos (en otras arenas, el aprendizaje de las máquinas también se extiende a tareas como el reconocimiento facial). El aprendizaje de las máquinas es clave para la predicción, pues la acumulación de patrones o fórmulas que deriva de los datos —conocidos colectivamente como modelo predictivo— ayuda a determinar las probabilidades de un resultado en particular. Por ejemplo, un modelo predictivo puede tomar todo lo que actualmente se sabe de un consumidor individual, y predecir las probabilidades de que cancele su suscripción.
2. No empiece seleccionando software, las habilidades del equipo son primero
En 2011, Thomas Davenport, profesor en el Babson College, tuvo la gentileza de dar el discurso principal en la conferencia que yo fundé, Predictive Analytics World. “No se trata de las matemáticas, se trata de las personas!” le gritó a nuestra cautivada audiencia.
El sorprendente tono de Davenport alcanzó justo la nota correcta. Los vendedores de análisis le dirán que su software es la solución. ¿Pero la solución a qué? El problema es optimizar sus operaciones a gran escala, y la solución es una nueva forma de negocio que integra el aprendizaje de las máquinas; Por sí solo, el software de aprendizaje de las máquinas proporciona únicamente una pequeña parte de lo que necesita para ser un proceso holístico organizacional.
En lugar de seguir el paso del vendedor, prepare a su equipo para manejar la integración del aprendizaje de las máquinas como una labor empresarial, y después permita que su equipo tome una decisión más informada respecto al software de análisis, durante una etapa más avanzada del proyecto.
3. No salte al remolino de números, planee estretégicamente el despliegue
El error más común que descarrila los proyectos de análisis predictivo es brincar al aprendizaje de las maquinas antes de establecer una ruta para el despliegue operativo. El análisis predictivo no es una tecnología que simplemente compre y conecte. Es un paradigma organizacional que debe saltar la brecha cultural a través de un proceso colaborativo guiado conjuntamente por los protagonistas estratégicos, operativos y analíticos.
Cada proyecto de análisis predictivo debería seguir una serie estandarizada de pasos. Primero, determine cómo la tecnología se desplegará en su organización, y después trabaje en reversa para descubrir qué necesita predecir y qué datos necesita para la predicción.
- Establezca el objetivo empresarial, cómo se integrará el modelo predictivo para tener un impacto positivo en las operaciones existentes. Por ejemplo, podría usar análisis predictivo para mejorar las campañas de marketing para la retención de consumidores.
- Defina un objetivo de predicción para servir al objetivo empresarial. He aquí un ejemplo “¿Qué consumidores actuales, con una antigüedad de al menos un año y que han consumido más de $500 hasta la fecha, cancelarán durante el próximo trimestre y no regresarán en un lapso de tres meses?”
- Prepare los datos de entrenamiento con base en los cuales operará el aprendizaje de las máquinas. Esto usualmente requerirá el 80% de la carga de trabajo del proyecto. Es una tarea de programación que reconfigura sus datos actuales para ajustarse a las necesidades del software de aprendizaje de las máquinas.
- Aplique el aprendizaje de las máquinas para generar el modelo predictivo. Esta es la etapa durante la cual puede probar y comparar opciones de software antes de tomar una decisión respecto a cuál comprar.
- Despliegue el modelo. Integre sus predicciones en las operaciones existentes. Por ejemplo, lance una campaña de retención que se dirija al 5% de los consumidores con mayores probabilidades de cancelar una suscripción.
Hay dos cosas que debería saber acerca de estos pasos antes de seleccionar opciones de entrenamiento para los líderes de análisis predictivo de su equipo. Primero, estos cinco pasos involucran un constante volver atrás y reiterar. Por ejemplo, tras ejecutar el quinto paso podría quedar claro que no hay suficientes datos para el objetivo de predicción establecido en el paso dos, en cuyo caso el objetivo deberá ser revisado y modificado.
Segundo, necesitará traer a un consultor externo de aprendizaje de las máquinas para las partes clave del proceso, al menos durante los primeros proyectos piloto. Normalmente, su equipo no debería intentar convertirse de inmediato en practicantes directos del aprendizaje de las máquinas. Aunque es importante que los líderes de proyecto aprendan los principios fundamentales detrás de la tecnología, un experto en análisis predictivo debería entrar en el paso cuatro y también ayudar a guiar los pasos dos y tres.
Buena suerte, y felices predicciones.
Eric Siegel es fundador del Predictive Analytics World y de la serie de conferencias Deep Learning World, y autor del libro “Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie or Die.”