Los tres erro­res que afec­tan al aná­li­sis pre­dic­ti­vo

Ten­ga un ob­je­ti­vo y se­lec­cio­ne a su equi­po, esos son dos de los pa­sos co­rrec­tos

El Financiero (Costa Rica) - - Negocios - Eric Sie­gel

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.

Con la ele­va­da de­man­da ac­tual de cien­tí­fi­cos de da­tos con al­tos sa­la­rios, sue­le no ser prác­ti­co pa­ra las com­pa­ñías 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 por 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, tec­no­lo­gía que pre­di­ce el com­por­ta­mien­to futuro de los in­di­vi­duos e im­pul­sa me­jo­res de­ci­sio­nes de mar­ke­ting, ries­go fi­nan­cie­ro, de­tec­ción de frau­de y más. El aná­li­sis pre­dic­ti­vo op­ti­mi­za es­tas fun­cio­nes al de­ter­mi­nar quién tie­ne más pro­ba­bi­li­da­des de ha­cer clic, 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. 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 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; 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 del soft­wa­re de aná­li­sis, du­ran­te una eta­pa más avan­za­da.

3 No sal­te al re­mo­lino de nú­me­ros, pla­nee es­tre­té-gi­ca­men­te el des­plie­gue. El error más co­mún que des­ca­rri­la los pro­yec­tos de aná­li­sis pre­dic­ti­vo es brin­car al apren­di­za­je de las má­qui­nas 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 ocu­pa pa­ra eso.

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 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

“Ca­da pro­yec­to de aná­li­sis pre­dic­ti­vo de­be­ría se­guir una se­rie es­tan­da­ri­za­da de pa­sos”.

ne­ce­si­da­des del soft­wa­re de apren­di­za­je de las má­qui­nas.

Apli­que el apren­di­za­je de las má­qui­nas pa­ra ge­ne­rar el mo­de­lo pre­dic­ti­vo. En es­ta eta­pa 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.

Hay dos co­sas que de­be­ría sa­ber acer­ca de es­tos pa­sos an­tes de se­lec­cio­nar op­cio­nes de en­tre­na­mien­to pa­ra los lí­de­res 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 prac­ti­can­te di­rec­to 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. ■■

SHUTTERSTOCK PA­RA EF

Newspapers in Spanish

Newspapers from Costa Rica

© PressReader. All rights reserved.