El análisis predictivo espera con interés el intento de adivinar eventos o acciones futuras desconocidas basadas en la extracción de datos, estadísticas, modelos, aprendizaje profundo e inteligencia artificial y aprendizaje automático.
Los modelos predictivos se aplican a las actividades comerciales para comprender mejor a los clientes, con el objetivo de predecir patrones de compra, riesgos potenciales y oportunidades probables.
De todas las formas de análisis, quizás ninguna sea más arriesgada que la analítica predictiva, porque es esencialmente una adivinación, aunque es una versión altamente sofisticada.
Business Intelligence, su antecesor en analítica, es una mirada hacia atrás. ¿Quiénes fueron nuestros mejores clientes? ¿Cuáles fueron los días de ventas lentas? Sin embargo, en la era de la computación en la nube, esta mirada hacia atrás ya no es suficiente, de ahí la demanda del mercado de herramientas de análisis predictivo.
El análisis predictivo se refleja en las tendencias actuales de Big Data, y sus herramientas son esencialmente tecnologías de Big Data. La demanda del mercado de software de análisis predictivo se corresponde con un conjunto de herramientas estrechamente relacionado, Big Data Analytics Tools.
Los usos comunes para el análisis predictivo incluyen, entre otros:
- Optimización de campañas de marketing para determinar las respuestas de los clientes a campañas de marketing o patrones de compra.
- Mejora de las operaciones para administrar mejor el inventario y otros recursos, o para establecer los precios de los servicios en función de la estacionalidad.
- Detección de fraudes . Los análisis pueden monitorear la actividad y anotar o capturar actividades inusuales o fuera de lo normal de los clientes, a menudo en tiempo real.
- Reducir el riesgo . Los comerciantes, como los concesionarios de automóviles, usan más que solo un puntaje de crédito ahora para determinar si aprueban un préstamo. También examinan aspectos como los reclamos de seguros y los registros de manejo para determinar si el comprador es un riesgo.
Ejemplos de análisis predictivo
Cada industria y sector pone el análisis predictivo a trabajar de diferentes maneras. Los desglosamos por industria y caso de uso.
Al por menor
Probablemente, el sector más grande en utilizar análisis predictivo, el sector minorista siempre está buscando mejorar su posición de ventas y forjar mejores relaciones con los clientes. Uno de los ejemplos más omnipresentes son las recomendaciones de Amazon.
Cuando realiza una compra, presenta una lista de otros artículos similares que otros compradores compraron.
Gran parte de esto se encuentra en el área de preventa, con aspectos como la previsión de ventas y el análisis de mercado, la segmentación de clientes, las revisiones de los modelos de negocios, la alineación de TI con las unidades de negocios, la gestión de inventario para tener en cuenta la estacionalidad y la búsqueda de las mejores ubicaciones minoristas.
Pero también actúa después de la venta, reduciendo las devoluciones, haciendo que el cliente regrese y extienda las ventas en garantía.
Salud
Un intento temprano en esto fue Google Flu Trends (GFT).
Al monitorear los comportamientos de seguimiento de la salud de millones de usuarios en línea y compararlos con un nivel de referencia histórico de la actividad de influenza en una región correspondiente, Google esperaba predecir los patrones de gripe.
Pero sus números demostraron ser demasiado exagerados, debido a una información menos que ideal de los usuarios.
Pero hay otros usos, como predecir epidemias o problemas de salud pública basados en la probabilidad de que una persona vuelva a padecer la misma enfermedad.
O predecir las posibilidades de que una persona con una enfermedad conocida termine en cuidados intensivos debido a cambios en las condiciones ambientales. También puede predecir cuándo y por qué los pacientes son readmitidos y cuándo un paciente también necesita atención de salud conductual.
Deportes
El ejemplo más famoso es Bing Predicts, un sistema de predicción del motor de búsqueda Bing de Microsoft.
Se ha anotado en el percentil 80 para concursos de canto como American Idol, el alto porcentaje de los 90 en las carreras de la Cámara de Representantes y el Senado de los EE. UU. utiliza las estadísticas y el sentimiento de las redes sociales para hacer sus evaluaciones.
Otro ejemplo es lo que se conoce como «Moneyball», basado en un libro sobre cómo el equipo de béisbol de Oakland Athletics usó datos analíticos y basados en evidencia para reunir un equipo competitivo.
Abandonó los viejos predictores de éxito, como las carreras bateadas, por las pasadas por alto, como en la base. Llevó el atletismo a dos playoffs consecutivos.
Clima
El pronóstico del tiempo ha mejorado a pasos agigantados gracias a los modelos de análisis predictivo.
El pronóstico de cinco días de hoy es tan preciso como el pronóstico de un día de la década de 1980.
Los pronósticos de hasta nueve a diez días son ahora posibles y, lo que es más importante, las predicciones de huracanes de 72 horas son más precisas que los pronósticos de 24 horas de hace 40 años.
El vórtice polar extremo que bajó las temperaturas en Wisconsin y Minnesota a -50 grados Fahrenheit se predijo varios días después.
Todo esto se hace gracias a los satélites que monitorean la tierra y la atmósfera. Alimentan esos datos en modelos que representan mejor nuestros sistemas atmosféricos y físicos.
Seguro / Evaluación de Riesgos
A pesar de algunos desastres terribles en 2017, las compañías de seguros disminuyeron las pérdidas dentro de las tolerancias de riesgo, gracias a los análisis predictivos.
Les ayudó a establecer precios competitivos en la suscripción, analizar y estimar pérdidas futuras, detectar reclamos fraudulentos, planear campañas de mercadeo y brindar una mejor comprensión de la selección de riesgos.
Modelamiento financiero
El modelado predictivo para servicios financieros ayuda a optimizar la estrategia comercial general, la generación de ingresos, la optimización de recursos y la generación de ventas.
El análisis automatizado de servicios financieros puede permitir a las empresas ejecutar miles de modelos simultáneamente y entregar resultados más rápidos que con el modelado tradicional.
Para ello, analiza las inversiones estratégicas de negocios, mejora las operaciones diarias, aumenta la productividad y predice cambios en el mercado actual y futuro.
La forma más común de análisis predictivo en los servicios financieros es el sistema de calificación crediticia utilizado para aprobar o denegar préstamos, a menudo en minutos.
Energía
Los análisis en las centrales eléctricas pueden reducir las fallas inesperadas de los equipos al predecir cuándo podría fallar un componente, lo que ayuda a reducir los costos de mantenimiento y mejora la disponibilidad de energía.
Las empresas de servicios públicos también pueden predecir cuándo los clientes recibirán una factura alta y enviar alertas de alerta para advertir a los clientes que están generando una factura grande ese mes.
Los medidores inteligentes permitieron a las empresas de servicios públicos advertir a los clientes sobre los picos en ciertos momentos del día, ayudándoles a saber cuándo reducir el consumo de energía.
Las redes sociales en línea son un cambio fundamental en la forma en que se produce la información, especialmente en lo que se refiere a las empresas.
El seguimiento de los comentarios de los usuarios en los medios de comunicación social permite a las empresas obtener comentarios inmediatos y la oportunidad de responder rápidamente.
Nada hace que un negocio local salte como una mala crítica en Yelp, o hace que un comerciante responda como una mala crítica en Amazon.
Esto significa recopilar y clasificar cantidades masivas de datos de redes sociales y crear los modelos correctos para extraer los datos útiles.
Alerta y seguimiento
Esto cubre una amplia gama. Solo en el transporte, los automóviles modernos tienen más de 100 sensores y algunos se están acercando rápidamente a 200 sensores.
Esto proporciona un informe mucho más preciso que el antiguo genérico Check Engine.
Los aviones modernos tienen cerca de 6,000 sensores que generan más de 2 TB de datos por día, los cuales no pueden ser analizados por seres humanos con ninguna conveniencia.
El aprendizaje automático para reconocer el comportamiento normal y los signos que conducen al fracaso pueden ayudar a predecir un fallo mucho antes de que ocurra.
Internet de las Cosas
IDC calcula que se está analizando menos del 1 % de los datos generados hoy, y esa inundación solo aumentará a medida que más dispositivos IoT se conecten, como los autos inteligentes.
Se necesitan análisis predictivos para ayudar a ordenar lo que viene para eliminar datos inútiles y encontrar lo que necesita para tomar acciones inteligentes.
En un ejemplo, Cisco y Rockwell Automation ayudaron a un fabricante japonés de equipos de automatización a reducir el tiempo de inactividad de sus robots de fabricación a casi cero mediante la aplicación de análisis predictivo a los datos operativos.
[isc_list]
