El equipo de análisis de Orlando Magic pasó casi dos años perfeccionando sus habilidades en el aspecto comercial.
"Hace 18 a 20 meses, no sabíamos prácticamente nada sobre el análisis predictivo", señala Anthony Pérez, director de estrategia de negocio para la franquicia de la National Basketball Association. Mientras que los miembros de su equipo, en efecto, ya habían trabajado en el análisis predictivo mucho antes de eso, agrega Pérez, sus herramientas no eran lo suficientemente potentes como para darles los conocimientos que necesitaban, y el grupo tuvo que redoblar sus esfuerzos. Así que Pérez trajo software nuevo, y más poderoso, de SAS y empezó a subir la curva de aprendizaje.
Hoy en día, la práctica establecida de análisis ayuda a optimizar la venta de entradas y provee al cuerpo técnico con herramientas que ayudan a predecir las mejores alineaciones de cada juego, e identificar a los jugadores que ofrecen mejor valor por el dinero.
El equipo de Pérez empezó con el uso de modelos analíticos para predecir qué juegos excederían en sus ventas y cuáles se venderían mal. La taquilla luego utiliza esa información para ajustar los precios con el fin de maximizar la asistencia -y los beneficios. "Esta temporada (pasada) tuvimos el ingreso de entradas más grande en la historia de nuestra franquicia, y hemos jugado solo 34 de los 45 partidos de la temporada debido al bloqueo", añade.
Ahora, esos modelos se ejecutan y los precios están bien afinados todos los días. Pregunte acerca de cómo se utilizan los modelos para predecir las mejores jugadas o estrategias, y Pérez se vuelve menos reservado. "Esa es la caja negra de la que nadie habla", comenta.
Aunque es todavía bastante temprano, otras organizaciones están comenzando a adoptar el análisis predictivo, la visión de futuro de minería de datos que combina los modelos algorítmicos con datos históricos para responder a preguntas como ¿qué tan probable es que un cliente renueve su abono de temporada? Los modelos asignan probabilidades a cada persona. Armada con esa información, la empresa puede prepararse para entrar en acción. Entonces, el análisis adicional se puede aplicar a predecir qué tan exitoso será tomar diferentes cursos de acción.
El uso del análisis predictivo es común en las industrias tales como telecomunicaciones, servicios financieros y minoristas, señala Gareth Herschel, analista de Gartner. "Pero en general, sigue teniendo un porcentaje relativamente pequeño de las organizaciones que lo utilizan -tal vez un 5%".
Sin embargo, el interés es alto en las organizaciones que siguen centradas en análisis históricos "descriptivos", y en las empresas que se están expandiendo en el foco de las prácticas establecidas de análisis predictivo más allá de los nichos tradicionales como el marketing y la gestión de riesgos. Los modelos analíticos están siendo utilizados para predecir los porcentajes de clics en páginas web y ayudar a que el departamento de recursos humanos anticipe qué empleados podrían abandonar la empresa. También se utilizan para ayudar a optimizar el enrutamiento de recepción de llamadas, mediante la determinación de qué agente es probable que haga el mejor trabajo de responder a una pregunta de determinado usuario.
"Hay más interés porque hay más datos", señala Dean Abbott, presidente de la consultora Abbott Analytics. "Los rumores son sobre el impulso. La gente dice: ‘Esto es algo que tengo que hacer’".
Pero hay que caminar antes de correr, y con sus fuertes demandas de datos, el análisis predictivo no es algo que se deba tomar a la ligera o sin un orden ni concierto. Le preguntamos a las empresas que son nuevas en el juego, así como los veteranos experimentados, para poder compartir sus experiencias.
Establecer el caso de negocio
La empresa de productos de consumo Procter & Gamble hace un amplio uso de la analítica para proyectar tendencias futuras, pero no siempre fue así, señala Guy Peri, director de inteligencia de la organización de Global Business Services de P&G. "Esta solía ser una empresa de ‘espejo retrovisor’", añade. "Ahora estamos utilizando la analítica avanzada para estar más orientados hacia el futuro y para administrar por excepción". Eso significa separar las anomalías para identificar y proyectar las tendencias genuinas.
P&G utiliza el análisis predictivo para todo, desde la proyección del crecimiento de los mercados y cuotas de mercado, hasta para predecir cuando se producirá un error el equipo de fabricación; y, utiliza la visualización para ayudar a que los ejecutivos vean qué eventos son variaciones normales del negocio y cuáles requieren intervención.
El lugar para comenzar es con una clara comprensión de la propuesta de negocio, y ese es un proceso de colaboración. "Sea claro sobre la pregunta correcta y qué medidas deben tomarse" cuando reciba los resultados, señala Peri.
También es importante mantener enfocado el alcance. La ampliación de la misión puede destruir su credibilidad en un apuro, agrega Peri. Desde el principio, P&G desarrolló un modelo para proyectar las acciones futuras del mercado para los líderes empresariales regionales en una línea de negocio que se negó a identificar. Tuvo éxito hasta que la compañía trató de utilizar el mismo modelo para ayudar a otros líderes empresariales.
Los otros líderes requiere un nivel más granular de detalle, pero el grupo de Peri trató de conformarse con el mismo modelo. "El modelo se convirtió en poco confiable, y minó la credibilidad del análisis original", que había sido buena, comenta.
Los nuevos usuarios deben tomar varios pasos para empezar con el análisis predictivo, indica Peri. Se debe contratar a un analista entrenado que sepa desarrollar un modelo y aplicarlo a un problema de negocio; encuentre los datos adecuados para alimentar los modelos; gane el apoyo tanto de quien toma las decisiones de negocio como de un patrocinador ejecutivo en el negocio que esté comprometido con alabar el esfuerzo -y tome medidas sobre los resultados.
"Tenga en cuenta que no he mencionado herramientas", señala Peri. Resista la tentación de comprar un software de un millón de dólares que va a resolver todos sus problemas. No hay uno solo". Y, añade, no es necesario hacer ese tipo de inversión para su primer par de proyectos. En su lugar, capacite a sus empleados en el modelado avanzado de hojas de cálculo.
"Todo esto se puede hacer con Excel", indica Peri. Solo cuando está listo para escalar, necesitará herramientas más grandes a nivel de plataforma, añade.
Mantenga cerca a los usuarios
Bryan Jones comenzó con un presupuesto reducido -pero esa no es la razón por la que falló su primer intento de análisis predictivo. Jones, director de las evaluaciones de contramedidas y desempeño en la oficina del inspector general del servicio postal de los EE.UU., quiso ayudar a que los investigadores determinaran qué reclamaciones de salud tenían más probabilidades de ser fraudulentas.
Después de ocho meses, tuvo un modelo de trabajo, pero el grupo independiente de análisis que trabajaba en el proyecto, no estaba totalmente comprometido con el departamento que utilizaría la herramienta. Como resultado, la salida de la hoja de cálculo fue ignorada por los investigadores.
Afortunadamente, el grupo de Jones contó con el apoyo del inspector general. "Se está muerto si no se tiene el apoyo de la cima", comenta.
La segunda vez, Jones contrató a un consultor para ayudar en el modelado y la preparación de los datos, y un analista incrustado dentro del grupo que utilizaría los resultados.
E hicieron que esos resultados fueran más "reales" para los usuarios. Para una investigación de fraude contractual, por ejemplo, su equipo colocó los resultados en un mapa interactivo de calor basado en la web que mostraba cada contrato en forma de círculo, con grandes círculos que representaban los mayores costos y los círculos rojos que eran los mayores riesgos de fraude (ver recuadro).
Los investigadores pueden hacer clic sobre los círculos para ver los detalles de los contratos y los contratos relacionados que estaban en riesgo. "Fue entonces cuando la gente empezó a darse cuenta de que realmente tenía algo que podría ayudarles", señala Jones.
Consejo de Jones: Acérquese al cliente, busque ayuda profesional a la hora de construir su primer modelo, y presente los resultados en una forma atractiva y fácil de entender. "No teníamos a la gente adecuada o la experiencia para empezar. Nosotros no sabíamos lo que no sabíamos", señala, por lo que recurrió a un experto externo en minería de datos para ayudar con los modelos. "Esta relación nos ayudó a entender por qué fallamos, y nos previno de cometer los mismos errores otra vez", agrega Jones.
Supere el escepticismo del negocio
Si bien la contratación de un consultor puede ayudar con algunos de los detalles técnicos, eso es solo una parte del desafío, señala John Elder, director de Elder Research, una consultora que trabajó con Jones y su equipo. "Durante 16 años, hemos resuelto más del 90% de los problemas técnicos que se nos han pedido, pero solo el 65% de las soluciones han pasado a ser implementadas".
El problema, en general, es que las personas a las que el modelo está destinado a ayudar no lo utilizan. "Nosotros, los técnicos, tenemos que hacer un mejor trabajo al hacer el caso de negocio para el modelo y que muestre rentabilidad", señala Elder.
Persuadir a quienes toman decisiones para que utilicen los resultados puede ser tan difícil como conseguir que se unan al proyecto, en primer lugar, porque las predicciones pueden ser exactamente lo contrario a lo que les dice su intuición empresarial, agrega Anne Robinson, presidenta electa del Institute for Operations Research and the Management Sciences (Informs), una sociedad profesional para análisis de negocios. "A medida que se involucra más con el análisis, se vuelve contradictorio. Pero esas desviaciones de lo que está haciendo son las que traen las recompensas, porque cuando los resultados son intuitivos, encontrará que la mayoría de la gente ya los está haciendo".
Hace varios años, Cisco Systems creó modelos de "propensión a comprar", diseñados para ayudar a calcular la probabilidad de que los clientes compren este trimestre, el próximo, o nunca. Los modelos cubren cada producto en cada territorio de ventas. Los vendedores dicen que sentían que sabían lo que algunas de las personas identificadas por el modelo iban a comprar, por lo que Cisco excluía esas ventas para el cálculo de la rentabilidad de su esfuerzo. "El primer año que lo hicimos, nos generó mil millones en elevación de ventas", señala Theresa Kushner, directora senior de inteligencia e influencia en el cliente de Cisco. "Tuvimos una experiencia para alinearnos en contra de lo que pensaban que creían".
En última instancia, el análisis predictivo está obligando a un enfrentamiento entre la toma de decisiones basada en los datos y basada en la intuición, comenta Eric Siegel, presidente de Prediction Impact, una empresa de formación analítica y organizadora de conferencias. "Esa es la gran batalla ideológica. Es un debate religioso".
Datos: tenerlos para bien
En el lado de la tecnología, tanto la construcción del modelo como la preparación de los datos pueden ser un obstáculo. El análisis predictivo es un arte y una ciencia, y se necesita tiempo y esfuerzo para construir ese primer modelo y obtener los datos correctos, señala Abbott. "Pero una vez que construye el primero, el siguiente es mucho menos costoso" -asumiendo que está utilizando los mismos datos. Los analistas que construyen un modelo totalmente diferente con nuevos datos, podrían encontrar el segundo proyecto tan lento como el primero. Sin embargo, señala, "a mayor experiencia ganada, más rápido se vuelve el proceso".
Las cuestiones de preparación de datos pueden descarrilar un proyecto rápidamente, comenta Siegel. "Los proveedores de software omiten ese momento", agrega, señalando que "todos los datos en una demostración ya han sido puestos en el formato correcto. No entran en ello porque es el mayor obstáculo en el aspecto técnico de la ejecución del proyecto -y no se puede automatizar. Es un trabajo de programación”.
Cuando Pérez comenzó la iniciativa de análisis predictivo de Orlando Magic en el 2010, calculó mal el tiempo que se tardaría en preparar los datos. "Todos nosotros pensábamos que sería más fácil de lo que fue", señala. Meter los datos de Ticketmaster, los vendedores de las concesionarias y otros socios del negocio en un almacén de datos, llevó mucho más tiempo de lo previsto. "Pasamos casi toda la temporada sin un almacén de datos completamente funcional. Lo más importante que aprendimos fue que esto realmente requiere paciencia", añade.
"Todo el mundo se siente avergonzado por la calidad de sus datos", comenta Elder, pero esperar a que todos los datos estén limpios también es un error. Por lo general, agrega, los datos que realmente importan está en muy buena forma.
Iterar primero, escalar después
En Intuit, cada proyecto empieza pequeño y pasa por ciclos de mejora. "Ese es nuestro proceso: iterativo e impulsado por una pequeña escala antes de ir a lo grande", señala George Roumeliotis, líder del equipo de científicos de datos. La compañía de servicios financieros comenzó a utilizar el análisis predictivo para optimizar sus esfuerzos de marketing y aumentar las ventas, y ahora se centra en la optimización de las experiencias de los clientes con sus productos.
Intuit desarrolló algoritmos predictivos de trabajo para anticiparse a cómo los usuarios clasificarán las transacciones financieras en productos como Mint y QuickBooks. Con base en los resultados de los algoritmos, las aplicaciones de Intuit hacen sugerencias en cuanto los usuarios introducen nuevas transacciones. También anticipan preguntas que los usuarios puedan tener y proveen contenido proactivamente y el asesoramiento que les puede servir.
"Empiece con un resultado de negocio claramente articulado, formule una hipótesis sobre cómo contribuirá al proceso a ese resultado, y después cree un experimento", señala Roumeliotis. A través de las pruebas A/B, los analistas pueden ganarse la confianza de los líderes de negocios mediante la creación de procesos paralelos de negocio y al demostrar una mejora apreciable en los resultados.
Solo asegúrese de comenzar con la elección de un proceso empresarial existente que puede ser optimizado con un riesgo mínimo para la empresa, aconseja. Soporte al cliente, la retención y la experiencia del usuario, son buenos lugares para empezar.
Si bien los proyectos de análisis predictivo pueden requerir una inversión sustancial desde el principio, los estudios indican que pueden ofrecer rendimientos positivos de la inversión, como demuestra la experiencia de Cisco. En última instancia, incluso los proyectos a pequeña escala pueden tener un enorme impacto en el balance final. "El análisis predictivo se trata de proyectar hacia adelante y de transformar a la empresa", dice Peri.
Los riesgos son altos, pero también lo son las recompensas, señala Robinson. "Llévelos hasta el final", agrega. "Sea exitoso. Y actúe sobre lo que aprende".
– Computerworld US / IDG News