Predictiva archivos - Danalytics

Aumenta las conversiones con modelos de clasificación

22 de mayo de 2023 22 de mayo de 2023

En el competitivo panorama empresarial actual, tomar decisiones informadas es crucial para lograr un crecimiento y éxito sostenidos. Un área donde la analítica de datos puede proporcionar conocimientos invaluables es el scoring de leads (prospectos). Si no estás familiarizado con este término, ¡no te preocupes! En esta publicación, explicaremos qué es el leads scoring, por qué tu empresa podría necesitar este servicio y cómo invertir en modelos de clasificación puede revolucionar tu proceso de scoring de leads.

Entendiendo la clasificación y el scoring de leads

Antes de adentrarnos en el leads scoring, veamos brevemente qué es es un modelo de clasificación. En el ámbito de la analítica de datos, la clasificación es una técnica de aprendizaje automático que nos permite categorizar los datos en clases distintas basadas en ciertos atributos. Esos grupos pueden ser binarios como Sí o NO, o pueden ser más como ALTO, MEDIO, BAJO. Esto nos permite identificar patrones, hacer predicciones y asignar probabilidades a resultados futuros.

Entonces, ¿qué es el scoring de leads? El scoring de leads es un método utilizado por las empresas para evaluar y clasificar los posibles leads o prospectos según su probabilidad de convertirse en clientes. Tradicionalmente, esto se hace teniendo en cuenta el número de acciones realizadas por un prospecto y ponderando cada acción en términos cuán importante es la acción para la empresa. Este puntaje luego se convierte en una clasificación como “prospecto muy interesado”, “prospecto neutro”, “prospecto poco interesado”. Al asignar calificaciones a los leads, las empresas pueden priorizar y asignar sus recursos de manera efectiva. Esto les permite enfocarse en los leads con mayor potencial de conversión.

¿Cuándo podría tu empresa necesitar servicios de leads scoring?

El leads scoring puede beneficiar a empresas de todos los tamaños, desde startups hasta empresas consolidadas. Te compartimos 3 escenarios en los que invertir esto se vuelve altamente valioso:

1. Eficiencia en las Ventas: Tu equipo de ventas puede verse abrumado por un gran número de leads y esto dificulta identificar los más prometedores. El leads scoring ayuda a simplificar el proceso al identificar a los leads con mayor potencial de conversión, permitiendo que tu equipo de ventas concentre sus esfuerzos donde más importa.

2. Optimización de Recursos: Al asignar eficientemente tus recursos a leads con mayor probabilidad de conversión, puedes optimizar tus esfuerzos de marketing y ventas. Esto resulta en una tasa de conversión más alta y se incurren en menos costos. En lugar de lanzar una red de pesca amplia, y esperar a ver qué pescas, puedes utilizar un anzuelo especializado para capturar leads de alta calidad.

3. Marketing Personalizado: puedes obtener información de valor sobre los intereses, preferencias y comportamientos de tus prospectos. Con este conocimiento, puedes adaptar tus mensajes y campañas de marketing para conectar con tu público objetivo, lo que puede aumentar las posibilidades de que se conviertan en tus clientes.

Beneficios de invertir en modelos de clasificación para el Scoring de Leads

Ahora que comprendemos la importancia del leads scoring, exploremos 4 formas en cómo los modelos de clasificación de aprendizaje automático puede transformar el proceso leads scoring:

Mayor precisión y predictibilidad: Los modelos de aprendizaje automático se destacan en el procesamiento de grandes cantidades de datos y en la detección de patrones complejos. Esto implica que no solo tienes que depender del número de acciones de tus prospectos. Puedes incluir decenas de variables adicionales como frecuencia de la acción, duración, palabras claves empleadas en el contacto con el cliente, entre muchas otras. Al aprovechar estas características, puedes realizar predicciones más precisas sobre la probabilidad de conversión de un lead. Esto permite que tu equipo priorice los leads estratégicamente y tome acciones proactivas para nutrirlos de manera efectiva.
Aprendizaje y mejora continua: Los modelos de aprendizaje automático pueden aprender y adaptarse de forma continua. A medida que tus datos de leads evolucionan (tienes más leads o tienes más datos sobre tus leads) y tu negocio crece, estos modelos se pueden adaptar fácilmente para mantenerse en concordancia con las condiciones del mercado, el cual está en constante cambio.
Eficiencia en costos y tiempo: La automatización es una de las mayores ventajas del aprendizaje automático. Al automatizar el proceso de scoring de leads, puedes ahorrar tiempo y recursos significativos que antes se invertían en la clasificación manual. Esta eficiencia permite que tu equipo se enfoque en actividades de mayor valor, como interactuar con leads cualificados y cerrar procesos de ventas.
Escalabilidad y flexibilidad: Los modelos de aprendizaje automático pueden manejar grandes volúmenes de datos sin comprometer el rendimiento. Ya sea que tu base de datos de leads consista en cientos o millones de registros, estos modelos pueden escalar sin esfuerzo, brindando un scoring de leads consistente y confiable para cualquier tamaño de negocio o industria.

Conclusión

En el mundo actual impulsado por los datos, aprovechar el poder de los modelos de clasificación para mejor el leads scoring puede brindarle a tu empresa una ventaja competitiva. Desde una mayor precisión y predictibilidad hasta eficiencia en costos y tiempo, los beneficios de incorporar estos modelos son inmensos. No subestimes el poder de los datos para tomar decisiones inteligentes y lograr un crecimiento empresarial sostenido.

Descubre las preferencias de tus clientes con clustering

15 de mayo de 2023 14 de mayo de 2023

Como gerente general o gerente de una unidad de negocios, sabes lo importante que es comprender las preferencias y necesidades de tus clientes. Pero sin las herramientas adecuadas, hacer la segmentación de clientes puede ser una tarea difícil y que consume mucho tiempo. Los métodos tradicionales de análisis de datos pueden no proporcionar información suficiente para tomar decisiones. Es ahí donde entra en juego la técnica de clustering. El clustering es una técnica de machine learning que agrupa datos similares en función de ciertos criterios. Al utilizar el clustering para analizar los datos de tus clientes, puedes obtener una comprensión más profunda de sus preferencias y necesidades, y utilizar este conocimiento para optimizar tu estrategia. En esta publicación, exploraremos qué es clustering y cuáles son los beneficios de aplicar esta técnica para segmentar a los clientes.

¿Qué es clustering?

En esencia, se trata de agrupar datos de los clientes en grupos, o clústeres. Estos datos pueden ser características (edad, estado civil, sexo, ingresos), comportamiento de compra (cada cuánto compra, valor de la compra, en qué canal compra, qué medio de pago emplea) y productos que compra. Al analizar decenas de variables al mismo tiempo, las empresas pueden identificar patrones y tendencias que pueden no ser evidentes de inmediato.

Veamos algunos ejemplo:

Analizar el historial de compras del cliente: Al agrupar a los clientes en función de su historial de compras, las empresas pueden identificar grupos de clientes con hábitos o preferencias de compra similares. Esta información se puede utilizar para crear campañas de marketing específicas o para personalizar recomendaciones de productos.

Analizar a los visitantes del sitio web: se podría hacer en función de su comportamiento, como las páginas visitadas o el tiempo que pasan en el sitio. Esto puede ayudar a las empresas a identificar áreas del sitio web que pueden necesitar mejoras, así como oportunidades para personalizar la experiencia del usuario.

¿Cuándo podrías necesitar servicios de clustering?

Entonces, ¿por qué podrías necesitar servicios de clustering para tu empresa? Te presentamos algunos escenarios donde el clustering puede ser particularmente útil:

Si tienes una base de clientes grande y quieres comprender mejor sus preferencias y necesidades.

Si estás tratando de identificar cuáles productos o servicios son más populares entre diferentes grupos de clientes.

Si estás buscando oportunidades para personalizar tus esfuerzos de marketing y mejorar la fidelidad de tus clientes.

Beneficios de invertir en segmentación de clientes

Hay muchos beneficios de invertir en soluciones de clustering, aquí te presentamos 3 de ellos:

Mejora la comprensión de tu cliente: Al agrupar datos en clusters, puedes obtener una visión más detallada de las preferencias de tus clientes y entender mejor sus necesidades. Esto te permitirá tomar decisiones más informadas y personalizar tus productos y servicios para satisfacer las necesidades de tus clientes.

Mejora la efectividad de tus estrategias de marketing: Al analizar los resultados del clustering, puedes identificar patrones y tendencias en su comportamiento, lo que te permite crear campañas de marketing más efectivas y personalizadas. Al adaptar sus mensajes y ofertas a las necesidades y preferencias de cada grupo, esto puede aumentar la probabilidad de conversión y generar más ingresos para tu negocio.

Mayor eficiencia: puedes identificar los segmentos de clientes más importantes para tu negocio, permitiéndote enfocar tus recursos en los segmentos con mayor potencial de retorno. Esto puede llevar a un aumento en la eficiencia y ahorro de costos para tu empresa.

Conclusiones

En conclusión, el clustering es una herramienta poderosa que puede ayudarte hacer una segmentación de clientes adecuada, a obtener una comprensión más profunda de tus clientes y optimizar tu estrategia de negocio. Al invertir en soluciones de clustering, podrás adaptar tus productos y servicios para satisfacer mejor las necesidades de tus clientes, mejorar la efectividad de tu marketing y lograr el crecimiento de tu negocio.

En Danalytics, ofrecemos una variedad de servicios de clustering para ayudarte a comprender mejor a tus clientes y optimizar tu estrategia de negocio. Nuestro equipo de expertos utiliza algoritmos avanzados y técnicas de aprendizaje automático para identificar los clusters más relevantes, y proporcionamos información accionable que puedes utilizar para impulsar el crecimiento y mejorar la satisfacción de tus clientes.

Reduce la fuga de clientes (churn) con machine learning

10 de mayo de 2023 7 de mayo de 2023

Como propietario de una empresa, sabe lo crucial que es la retención de clientes para su resultado final. Sin embargo, incluso las empresas más exitosas luchan con la fuga de clientes, es decir, la tasa a la cual los clientes dejan de hacer negocios con una empresa. Afortunadamente, los modelos de aprendizaje automático (machine learning) pueden ayudar a predecir la fuga de clientes y minimizar los impactos negativos sobre su empresa. En esta publicación, exploraremos qué es la fuga de clientes, por qué es un problema y los beneficios de invertir en este tipo de soluciones.

¿Qué es la fuga de clientes?

La fuga de clientes es la tasa a la cual los clientes dejan de hacer negocios con una empresa. Esto puede suceder por una variedad de razones, como una mala experiencia del cliente, precios competitivos o cambios en las necesidades del cliente. La fuga de clientes se expresa a menudo como un porcentaje de clientes perdidos durante un cierto período de tiempo.

Antes de pensar en un modelo de predicción es importante contar con una línea base. Para eso es esencial que ya midas la fuga y entiendas su impacto en el negocio. La fuga puede medirse de varias maneras, pero la más común es la tasa de fuga de clientes. Esta es el porcentaje de clientes que dejan de hacer negocios con una empresa en un cierto período de tiempo, usualmente un mes o un año. La periodicidad depende de la naturaleza de tu negocio.

Otra manera de medir la fuga es a través de la fuga de ingresos, que es la cantidad de ingresos perdidos debido a que los clientes se van. Ambas métricas pueden proporcionar información valiosa sobre el impacto que éste tiene en otros indicadores de la empresa.

¿Por qué la alta tasa de fuga es un problema?

Las altas tasas de fuga pueden tener un impacto negativo y significativo en una empresa de varias maneras:

Disminución de ingresos: perder clientes significa perder ingresos. Si tienes una tasa alta de fuga, debes reemplazar constantemente a los clientes perdidos con nuevos, lo que tiende a ser costoso y consume tiempo.
Reducción de los márgenes de beneficio: adquirir nuevos clientes suele ser más caro que retener a los existentes. Cuando pierdes un cliente, no solo pierde sus ingresos, sino también los ingresos potenciales de futuras compras.
Daño a la reputación: las altas tasas de fuga también pueden dañar la reputación de su empresa. Los clientes que se van son más propensos a compartir sus experiencias negativas con otros, lo que puede perjudicar la imagen de tu marca.

Tal vez te preguntes, entonces por qué deberías contar con modelos de fuga y aquí te compartimos 3 motivos:

Análisis predictivo: los modelos de fuga utilizan datos históricos para identificar patrones y predecir qué clientes tienen el mayor riesgo de irse. Esto permite a las empresas intervenir antes de que sea demasiado tarde y ofrecer incentivos específicos para retener a los clientes.
Ahorro de costes: al predecir la fuga y retener a los clientes, las empresas pueden ahorrar dinero en los costes de adquisición de clientes. Recordando que es más costoso adquirir un cliente nuevo que uno que ya es habitual.
Ventaja competitiva: las empresas que utilizan modelos de fuga tienen una ventaja competitiva sobre aquellas que no lo hacen. Al mantener a los clientes satisfechos y reducir la fuga, las empresas pueden mejorar su reputación y atraer nuevos clientes a través del voz a voz positivo, si ese es un medio de divulgación..

Beneficios de usar modelos de fuga

El uso de modelos de fuga puede proporcionar varios beneficios a las empresas:

Mayor retención de clientes: esto es posible ya que los modelos nos permiten identificar a los clientes con el mayor riesgo de irse y ofrecer incentivos específicos para retenerlos. Esto puede aumentar la retención de clientes y reducir la tasa de fuga.
Mejor comprensión del comportamiento del cliente: este tipo de modelos pueden proporcionar información valiosa sobre el comportamiento del cliente, como las razones por las que se van o cuáles son las características de los clientes que tienen más probabilidades de irse. Esto puede ayudar a tu empresa a mejorar sus estrategias de retención y satisfacer mejor las necesidades de sus clientes.
Mejora del rendimiento general: al reducir la tasa de fuga y aumentar la retención de clientes, las empresas pueden mejorar su rendimiento financiero general. Esto puede incluir un aumento de los ingresos, una mejora de los márgenes de beneficio y una mayor satisfacción del cliente.

En resumen, la fuga de clientes puede tener un impacto negativo en una empresa, pero los modelos de aprendizaje automático pueden ayudar a predecir la fuga y evitar que esos eventos sucedan. Al invertir en modelos de fuga, las empresas pueden mejorar su comprensión del comportamiento del cliente, reducir la tasa de fuga, aumentar la retención de clientes y mejorar su rendimiento financiero general.

Al medir la fuga de manera regular, las empresas pueden identificar tendencias, ajustar sus estrategias de retención y, en última instancia, mejorar sus tasas de retención de clientes.

3 razones para invertir en pronóstico de ventas

8 de mayo de 2023 7 de mayo de 2023

En el mundo empresarial actual, que se caracteriza por ser cada vez más rápido y competitivo, las empresas necesitan mantenerse a la vanguardia para seguir siendo relevantes y rentables. Una de las formas más efectivas de hacerlo es mediante el uso de modelos de pronóstico de ventas. Los pronóstico pueden ayudar a las empresas a identificar tendencias futuras, planificar sus recursos de manera más efectiva y tomar decisiones informadas sobre estrategias de precios y marketing. En este artículo, exploraremos la importancia de utilizar soluciones de pronóstico de ventas y los beneficios que pueden brindar a una empresa.

¿Qué es la analítica predictiva?

La analítica predictiva es un área de la analítica que se utiliza para analizar datos y hacer predicciones sobre eventos o tendencias futuras. Implica el uso de algoritmos estadísticos y de modelos de aprendizaje automático para identificar patrones y tendencias en los datos, que luego se pueden utilizar para hacer predicciones sobre los resultados futuros.

Los modelos de pronóstico hacen parte de los algoritmos de analítica predictiva. En particular, el pronóstico es el proceso de utilizar datos históricos para hacer predicciones sobre eventos futuros. Implica analizar tendencias y patrones pasados para hacer predicciones sobre los resultados futuros.

Al utilizar este tipo de modelos, las empresas pueden hacer predicciones más precisas sobre las ventas futuras, lo que puede informar decisiones importantes sobre marketing, precios y planificación de recursos.

¿Por qué invertir en soluciones de pronóstico de ventas?

Te vamos a compartir 3 razones por las que puede ser una buena idea invertir en pronóstico de ventas que sea robusto:

Mejora en la planificación de recursos

Uno de los principales beneficios de utilizar modelos de pronóstico de ventas es la mejora en la planificación de recursos. Al predecir con precisión las ventas futuras, las empresas pueden asegurarse de tener los recursos necesarios para satisfacer la demanda. Esto puede incluir desde niveles de personal hasta la gestión de inventarios. En otras palabras, las empresas pueden evitar tener demasiado o muy poco personal y asegurarse de tener suficiente inventario para satisfacer la demanda del cliente.

Mejores estrategias de marketing

De igual forma, un buen modelo de pronóstico puede impactar la capacidad de desarrollar estrategias de marketing. Al predecir con precisión las ventas futuras, las empresas pueden adaptar sus esfuerzos de marketing a momentos específicos del año o a segmentos específicos de clientes. Esto puede ayudarles a maximizar su retorno de inversión en marketing y generar más ventas.

Por ejemplo, si una empresa sabe que las ventas de un producto específico probablemente aumentarán durante los meses de verano, pueden enfocar sus esfuerzos de marketing en ese producto durante ese tiempo. Alternativamente, si saben que un segmento de clientes específico es más propenso a comprar un producto específico, pueden dirigir sus esfuerzos de marketing a ese segmento.

Base para definición de metas de ventas por vendedor

Un tercer beneficio es la capacidad de tomar decisiones sobre las metas de venta de los vendedores. Al predecir con precisión las ventas futuras, las empresas pueden analizar si las metas son bajas o son altas. Si un vendedor tiene una meta que muy por encima de lo esperado, se puede indagar más. Por ejemplo, qué piensa hacer diferente para lograr esto. Alternativamente, si saben que la tendencia es alcista, se puede introducir metas más retadoras.

Beneficios de utilizar soluciones de pronóstico avanzadas

En el mercado hay muchas soluciones de pronóstico avanzada, en Danalytics contamos con Danalytics Forecast, y hemos encontrado que los principales beneficios son:

Mejora de la precisión en las predicciones

Una de las principales ventajas de utilizar técnicas de pronóstico avanzadas es que pueden mejorar la precisión de las predicciones. En Danalytics por ejemplo, hemos logrado disminuir el error en un 90% para algunos de nuestros clientes. Lo anterior, dado que las técnicas avanzadas pueden identificar patrones más complejos en los datos y hacer predicciones más precisas que una regresión simple o una media móvil.

Mayor eficiencia en la toma de decisiones

Otro beneficio de utilizar técnicas de pronóstico avanzadas es que pueden mejorar la eficiencia en la toma de decisiones. Las técnicas avanzadas pueden procesar grandes cantidades de datos en poco tiempo y generar predicciones precisas y detalladas. Esto puede permitir a las empresas tomar decisiones más rápidas e informadas que impacten las estrategias de marketing, precios y planificación de recursos.

Adaptabilidad a cambios en las tendencias

Finalmente, al identificar patrones complejos en los datos, las empresas pueden detectar cambios en las tendencias del mercado y ajustar sus estrategias en consecuencia. Esto puede permitirles mantenerse a la vanguardia en un mercado competitivo y cambiante.

Conclusión

En resumen, las soluciones de pronóstico de ventas pueden ser una herramienta valiosa para cualquier empresa que busque mejorar su eficiencia y rentabilidad. Al utilizar el análisis predictivo en focado en ventas, las empresas pueden hacer predicciones precisas sobre las ventas futuras, lo que puede apoyar la toma de decisiones importantes sobre marketing, precios y planificación de recursos.

Además, al utilizar técnicas de pronóstico avanzadas, las empresas pueden mejorar aún más la precisión de sus predicciones, la eficiencia en la toma de decisiones y la adaptabilidad a cambios en las tendencias del mercado. En última instancia, la inversión en soluciones de pronóstico de ventas puede permitir a las empresas mantenerse a la vanguardia en un mercado competitivo y maximizar sus beneficios a largo plazo.

Analítica de datos para la toma de decisiones

6 de febrero de 2023 20 de marzo de 2023

La analítica es una parte esencial de la empresa moderna, y puede resultar un poco abrumador empezar a pensar qué significa exactamente. Lo primero que debes saber es que la analítica es una herramienta que ayuda a las organizaciones a tomar mejores decisiones porque se basa en datos y hechos. Lo segundo que debe saber sobre la analítica es que no se trata de una sola cosa, sino de muchas. Existen tres tipos principales de análisis: descriptivo, predictivo y prescriptivo.

Analítica descriptiva

El análisis descriptivo proporciona un resumen de los datos pasados. Se asocia con la inteligencia de negocios o BI y nos ayuda a responder a preguntas como “¿cuántos clientes tuvimos el mes pasado?” o “¿cuáles son fueron nuestras ventas por canal y por región el último semestre?”. Estas preguntas son imposibles de responder para los humanos sin tener acceso a todos estos datos y sin realizar operaciones como agregaciones, filtros, entre otros. El objetivo de esta analítica es ofrecer a los ejecutivos una imagen clara de la situación de su empresa en cada momento para que puedan tomar decisiones inteligentes sobre cómo debe avanzar y, con suerte, crecer a partir de ahí.

Analítica predictiva

El análisis predictivo predice los resultados futuros basándose en los valores y tendencias actuales. Es decir, utiliza los datos históricos para predecir lo que ocurrirá en el futuro. Por ejemplo, si dispone de datos de ventas de los últimos 36 meses y desea saber cuántos productos se venderán el próximo mes, puede utilizar el análisis predictivo para determinar esa cifra basándose en las tendencias históricas.

Analítica prescriptiva

El análisis prescriptivo determina el mejor curso de acción en función de la información disponible y el resultado deseado. Es decir, utiliza los datos históricos para recomendar las acciones que deben llevarse a cabo para que ocurra (o no ocurra) algo en específico. Por ejemplo, si quiere vender más productos de lo habitual pero no quiere que los beneficios de las ventas de disminuyan con respecto a los días anteriores (o viceversa), puede utilizar el análisis prescriptivo para recomendar qué precio es más probable que produzca los mejores márgenes de beneficios sin sacrificar demasiado volumen de ventas en general. Dado lo anterior, se entiende que este nivel de analítica es el más complejo de los tres por la gran cantidad de variables que debe tener en cuenta.

¿Por qué es importante la analítica para las organizaciones?

La analítica les ayuda a tomar mejores decisiones proporcionando información relevante que puede utilizarse para mejorar productos y servicios, aumentar las ventas, reducir costes, mejorar la eficiencia, etc.

Descriptiva, predictiva, prescriptiva: los tipos de analítica

30 de abril de 2020 5 de septiembre de 2021

En una entrada pasada del blog les habíamos contado qué era la Analítica de Datos (Data Analytics). Hoy vamos a contarles un poco más sobre cuáles son los tipos de analítica de datos y para qué sirven. Pero antes de eso es necesario hablar un poco de los tipos de datos que existen. Como ven en la imagen hay datos que son estructurados, semiestructurados y no estructurados. Los datos estructurados son aquellos que almacenan en sus hojas de excel o en una base de datos, y se caracterizan porque tienen un orden predeterminado, casi siempre organizamos los datos en filas y columnas. Por el contrario, los datos no estructurados no tienen una forma predefinida, por ejemplo son las fotos que cuelgas en Instagram, los videos que grabas en tu smartphone, los mensajes de voz que envías por Whatsapp, lo que cuelgas en tu muro de Facebook, entre otros. Los datos semiestructurados tienen algo de ambos tipos..

Ahora así, como les decíamos hay varios tipos de analítica. El nivel al que se puede llegar dentro de una organización depende de la madurez de ésta. Vamos a ver los tres más conocidos y en entradas futuras les daremos más detalle de los otros tipos y qué es eso de inteligencia de negocio (business intelligence).

Subcampos de la analítica
Fuente: Rapidminer (s.f.)

Analítica descriptiva

Generalmente, uno comienza haciendo analítica descriptiva. ¿Y qué es eso? Piense cuando su jefe le dice “quiero las estadísticas descriptivas (tablas de frecuencia, histogramas, gráficas de barras, media, la moda, mediana) de esos datos”. Sí señor o señora, ahí usted empezó a aplicar analítica de datos. Claro está que la analítica descriptiva va un poco más allá de eso. Como su nombre lo indica con este tipo se describen una situación, evento o producto de la mejor forma posible con el objetivo de responder qué ha pasado.

Analítica predictiva

Según Kelleher Mac Namee y D’Arcy (2015) la analítica predictiva consiste en el arte de construir y usar modelos para hacer predicciones basadas en los patrones que se extraen de los datos históricos de interés. Ahora vamos a responder la pregunta que seguramente le surgió: Y este tipo de analítica, ¿para qué me sirve?

La respuesta es sencilla porque básicamente lo que responde este tipo de analítica es que es lo más probable que suceda. El espacio que tenemos no es suficiente largo para todo lo que podemos hacer con este tipo de analítica, así que en esta entrada les contaremos sólo sobre dos usos que tomamos y complementamos de Kelleher Mac Namee y D’Arcy (2015):

Es importante tener en cuenta que, para cualquiera de esas aplicaciones, además de contar con un recurso humano o un proveedor experto en soluciones en analítica, necesita una base de datos histórica. Y eso no significa un año o dos de datos, eso significa mínimo más de tres años si estamos hablando de una periodicidad mensual y recuerde que entre más periodos tenga mejor será la precisión que podrá tener el modelo, la cual nunca será del 100%. Si no tiene los datos, pero usted reconoce que su organización presenta problemas que se podrían solventar u oportunidades que se podrían aprovechar utilizando la analítica predictiva, entonces es hora de empezar a pensar de manera estratégica sobre la captura y almacenamiento de esos datos que usted necesita.

Analítica prescriptiva

La analítica prescriptiva va un paso más allá. De acuerdo con Bull, Centurion, Kearns, Kelso y Viswanathan (2015), el interés por ésta hizo boom en 2013 (aún no he encontrado el motivo para que esto sea así) aunque los métodos que se emplean existen hace mucho tiempo. La analítica prescriptiva se apoya en técnicas de investigación de operaciones, machine learning, estadística aplicada y procesamiento del lenguaje natural para responder interrogantes como:

¿Cómo optimizar la estrategia de trade?
¿Cómo optimizar el portafolio de servicios financieros de mi compañía?
¿Cómo optimizar el mix de productos que ofrece mi compañía?
¿Qué es lo mejor o lo peor que puede pasar?

Referencias

Bull, P., Centurion, C., Kearns, S., Kelso, E., y Viswanathan, N. (2015). Prescriptive analytics for business leader. River Logic.
Chartered Global Management Accountant. (2016). Business analytics and decision making: The human dimension.
Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT Press.
Rapidminer. (s.f). An Introduction to Advanced Analytics. Disponible en: https://rapidminer.com/resource/introduction-advanced-analytics/