Tipos de analítica en Big Data

¿Te ha gustado nuestro artículo? ¡Vota!

Ya hemos hablado de ello. Hoy en día, las organizaciones de múltiples industrias tienen acceso a más formas de datos que nunca, nueva información y nuevas fuentes de información que se transmite en tiempo real. Da igual que trabajes en marketing, medicina, una fábrica o tengas una pequeña tienda de barrio, tu vida profesional va a estar marcada por los datos.

La pregunta, y el reto, está en cómo convertir esos datos en bruto en algo útil que ayude a tomar las decisiones comerciales. La respuesta está en aprovechar la analítica del Big Data.

Si sabes trabajar con datos, podrás completar el ciclo de análisis de un negocio gracias a ellos. Estos tipos de analítica de datos suelen dividirse en cuatro categorías, según la pregunta que ayuden a responder.

• Describir los resultados pasados.
• Diagnosticar por qué ocurrieron esos resultados.
• Predecir lo que podría suceder en el futuro.
• Recomendar acciones para los próximos pasos de la organización.

Con conocimientos más profundos y recomendaciones fundamentadas, se puede obtener una mejor comprensión del rendimiento de la empresa en su conjunto y, como resultado, tomar mejores decisiones.

Qué ha pasado: analítica descriptiva

Este tipo de análisis se basa en hechos, solo los hechos. Una pena para los storytellers (todavía no es su momento), pero en este tipo de analítica de Big Data, prima el método científico (como en todos los demás, a decir verdad). Aquí entran los informes de resultados, como las métricas de rendimiento, y proporcionan los antecedentes para la mayoría de las herramientas de Business Intelligence y cuadros de mando.

Por ejemplo, un informe del equipo de ventas puede incluir información sobre nuevos clientes, beneficios y objetivos. También puede utilizar un informe ad-hoc para personalizar la vista de datos para ver solo datos específicos y responder una pregunta específica, por ejemplo, sobre cuánto se vende en un territorio o cuántos clientes hay en ese mismo territorio.

La analítica descriptiva puede servir como punto de partida o base para construir una estrategia empresarial. De hecho, muchos profesionales creen que la mayor parte de la analítica en un negocio implica el estudio del pasado. Técnicas como la agregación de datos, la minería de datos, la agrupación en clústeres o las estadísticas resumidas sirven para proporcionar el análisis que describe un estado pasado.

Por qué ha pasado: analítica de diagnóstico

Como la anterior, la analítica de diagnóstico se centra en el pasado, pero, en esta ocasión, busca causa y efecto para saber cómo ocurrió algo. Si la analítica descriptiva es un libro de historia, la analítica de diagnóstico sería el análisis de un historiador sobre alguno de sus capítulos: te ayuda a entender el contexto. El objetivo es comparar sucesos pasados para determinar las causas.

El análisis de diagnóstico puede ayudar a:

• Identificar valores atípicos. Por ejemplo, una caída repentina en las ventas o una explosión en el tráfico del sitio web que no se puede explicar pueden indicar la necesidad de un examen adicional.
• Aislar patrones. Es posible que los analistas deban buscar fuera del conjunto de datos existente para identificar la fuente del patrón. Por ejemplo, una caída repentina de las ventas puede deberse al lanzamiento de un nuevo producto o tecnología fuera de la organización.
• Descubrir relaciones. Al utilizar análisis más complejos, los analistas pueden emplear la teoría de la probabilidad, el análisis de regresión o las series de tiempo para aislar las relaciones de causa y efecto.

Para determinar un porqué a partir de los datos, la aplicación de técnicas como el análisis de componentes principales, el análisis de sensibilidad y los algoritmos preparados para el análisis de clasificación y regresión pueden proporcionar un diagnóstico.

Qué podría pasar: analítica predictiva

Con la analítica predictiva, los resultados de la analítica descriptiva y de diagnóstico empiezan a traducirse en conocimientos prácticos para la toma de decisiones, ya que prevé los posibles resultados de las acciones que tomemos en el futuro.

No es una bola de cristal, es decir, no ofrece la probabilidad de un evento tipo: “¿llegará un nuevo competidor al mercado?”. Pero sí que describe lo que sucederá si un evento, que tú ya hayas tenido en cuenta, ocurre. Por ejemplo, si tenías una farmacia en tu barrio y en el 2015 llegó un competidor, la analítica predictiva te dice que, sabiendo lo que pasó entonces, si en el 2021 se une otro competidor, es probable que tus ventas bajen un 20%. El objetivo es determinar una tendencia, correlación, causalidad o probabilidad.

Con el análisis predictivo, un analista de datos utiliza un análisis cuantitativo del conjunto de datos y establece predicciones. A menudo es llamado modelo predictivo. Este es un enfoque más amplio, que tiene como objetivo caracterizar las predicciones, examinando modelos para determinar su precisión. Son parte del paraguas de la analítica predictiva, aplicada en algoritmos de Machine Learning, modelos de clasificación o modelos de regresión, entre otros.

La construcción de estos modelos requiere experiencia, generalmente de científicos de datos, expertos en Machine Learning.

Cómo hacer que pase: analítica prescriptiva

La analítica prescriptiva del Big Data se basa en la predictiva, ya que ayuda a determinar las acciones recomendadas, o prescritas, en función de los resultados potenciales previstos. Volviendo al ejemplo de la farmacia, esta analítica te diría qué hacer para reforzar tu posición en el mercado y cubrirte ante la llegada de nuevos competidores

Los modelos analíticos prescriptivos están constantemente aprendiendo a través de mecanismos de retroalimentación para analizar continuamente las relaciones entre acciones y eventos y recomendar la solución óptima. Al simular la solución, la analítica prescriptiva puede examinar todos los criterios clave de rendimiento para garantizar que el resultado alcance los objetivos métricos correctos antes de implementar algo, es como ver el partido antes de jugarlo, seguro que hay cambios, pero estarás preparado para afrontarlos.

Los algoritmos de Inteligencia Artificial, Aprendizaje Automático y redes neuronales se emplean a menudo para respaldar el análisis prescriptivo al ayudar a hacer sugerencias específicas basadas en patrones y percepciones de los objetivos combinados con limitaciones y de la propia organización.

En la visión más amplia de la aplicación de la analítica empresarial para el éxito, la analítica prescriptiva ofrece valor a través de recomendaciones basadas en los datos. Es quizás el ejemplo más claro de la utilidad de aplicar Big Data en las empresas, nos lo decía hace poco Guillermo Gonzalez, Data Scientist en Strategy Big Data, todas las empresas usan datos, pero unas los aprovechan mejor que otras.