La analítica avanzada mejora los resultados

Las nuevas herramientas permiten transformar datos en predicciones

La analítica avanzada mejora los resultados
Pixabay

La revolución tecnológica ha hecho posible que el tratamiento masivo de datos y la transformación digital se postulen como fenómenos indispensables para cualquier empresa del siglo XXI. La analítica avanzada forma parte de esta transición.

En su estudio Perspectivas España 2019, KPMG afirma que la mejora de procesos y la transformación digital están a la orden del día, situándose entre las prioridades estratégicas de las empresas españolas de cara al año en curso. Concretamente, en dicho informe se ponen de manifiesto cifras realmente reveladoras como que, en el sector de las telecomunicaciones, el 42% de las compañías tiene previsto invertir en analítica avanzada de datos, ascendiendo al 77% en el caso del sector bancario y al 87% en el del asegurador.

No obstante, aunque estos avances hayan llegado con la intención de facilitar y simplificar operaciones y procesos, ahora las empresas se enfrentan al reto de ser capaces de manejar y sacar partido a la información tan amplia y heterogénea que tienen en su poder, tanto la suya propia como aquella relacionada con sus clientes, y que procede de fuentes muy diversas. Por tanto, es importante entender que hoy en día todos los datos de los que dispone una empresa son valiosos, pero la ventaja competitiva se alcanza cuando se es capaz de combinarlos entre sí de tal forma que nos permitan, no solo saber lo que está ocurriendo, sino también lo que va a ocurrir. Con esto, la analítica avanzada aporta una visión de 360 grados con la que se puede entender una misma organización desde múltiples perspectivas gracias a la información tan variada de la que se alimenta.

En este contexto, si hay algo que es una realidad es que, a mayor volumen de información, mayores son los esfuerzos que la tecnología debe realizar para recolectar, sintetizar y explotar información estructurada y desestructurada. Concretamente, esta es la necesidad que pretende cubrir la analítica avanzada con disciplinas como la analítica predictiva (predecir tendencias futuras a partir de datos históricos y actuales), la analítica prescriptiva (automatizar la toma de las decisiones idóneas tras la previsión de su impacto), el data mining (extraer información útil de datos para encontrar patrones) o el big data (almacenar y gestionar grandes cantidades de datos a una gran velocidad).

Estas disciplinas son aplicables a las diferentes áreas de negocio de las empresas, como puede ser la cultura del talento. En este sentido, la identificación y seguimiento de buenas prácticas supone un factor diferencial de mejora en el rendimiento y actuación de los empleados. Asimismo, aplicar mecanismos de analítica avanzada en este campo hace que las organizaciones sean capaces de detectar buenas prácticas que, de otro modo, resultaría muy difícil, sobre todo en los casos de compañías con un número de empleados elevado o plantillas muy dispersas geográficamente.

Tradicionalmente, la única forma de detectar buenas prácticas era a través de métodos cualitativos, que obligaban a desplazarse físicamente para realizar entrevistas o individuales o grupales con aquellos empleados que tuvieran más experiencia o que históricamente hubieran registrado un mejor desempeño. Sin embargo, hoy en día la utilización de herramientas de analytics en el ámbito comercial ya no solo posibilita identificar buenas prácticas ahorrando en tiempo y costes, sino, además, descender a un nivel de detalle que permite conocer exactamente cómo pueden llegar a variar los resultados individuales en el caso de aplicarse o no cada una de estas buenas prácticas.

Otra de las contribuciones que hace la analítica avanzada al mundo empresarial consiste en la elaboración de modelos econométricos. Gracias a ellos, se logra extraer valor de la combinación de toda la información desestructurada que nos aportan los clientes en sus interacciones por diferentes vías (tanto orales como escritas) y la información estructurada generada por las entidades en forma de metadatos. De esta forma, se puede cuantificar, por ejemplo, la satisfacción de los clientes segmentando por zona, por producto o campaña comercial.

Asimismo, los modelos predictivos son muy eficaces en los departamentos financieros para predecir qué clientes tienen más probabilidad de incurrir en impago, de abandonar la compañía o de cometer un fraude, identificar oportunidades comerciales en base a las tendencias del mercado o distinguir perfiles de consumidores en base a patrones de comportamiento.

En cualquier caso, lo que conseguimos con los modelos predictivos es alcanzar una visión previamente inaccesible y disponer de información de valor que nos ayude a definir acciones, de manera proactiva o reactiva, anticipándonos a determinados acontecimientos y corrigiendo situaciones o comportamientos indeseados. Por ejemplo, con un modelo predictivo real podemos encontrar casi diez veces más clientes con riesgo de fuga gracias a la información desestructurada obtenida a partir de llamadas telefónicas.

En definitiva, se podría decir que la analítica avanzada hace posible la transformación de datos en predicciones para construir modelos que permitan hacer más eficiente el tratamiento masivo de información, facilitar la toma de decisiones y mejorar los resultados, todo ello en unos reducidos plazos de tiempo que antes eran impensables.

José Luis Cortina es presidente de Neovantas

Normas