Aprendizajes del Analytics Forum 2020

Óscar 10/04/2020

Participé con gran satisfacción en el Analytics Forum 2020 desarrollado por la Universidad de los Andes los días 9 y 10 de marzo. En este evento pude refrescar conceptos y tendencias que se están dando en el campo de la data y la analítica a nivel mundial, y quiero compartirles algunos aprendizajes de esta experiencia.

Expositor tras expositor, pude evidenciar como la aplicación de herramientas de gestión de los datos está mejorando cada vez más la calidad de las decisiones en las empresas y por supuesto nuestra calidad de vida.

Ya los modelos analíticos pueden ayudar a construir mejores ciudades, a optimizar el uso de recursos públicos, a mejorar la productividad de las empresas, a elevar el nivel de satisfacción de los clientes, a establecer mejores oportunidades de crecimiento a los colaboradores, a maximizar las utilidades, entre muchas más. 

Más allá de los conceptos técnicos que se visualizaron en el evento, quiero contarles de aspectos generales que identifiqué como claves para que las personas que no son técnicas en estos campos, puedan entender de manera sencilla como funciona la data, la analítica, la inteligencia de negocios, el machine learning y la inteligencia artificial. 

Debe quedar claro que la gestión de los datos no es algo nuevo y que muchas empresas, pequeñas, medianas o grandes ya vienen aplicando de una forma u otra, herramientas de analítica para su toma de decisiones diarias. Lo que si es cierto, es que en la actualidad existen y se están desarrollando métodos muy eficientes (velocidad y costo) para que las decisiones sean más precisas. 

A continuación hago una descripción breve y sencilla de lo que podemos hacer con la data y los tipos de analítica que existen: 

 

Analítica Descriptiva: responde a la pregunta ¿Qué pasó?  y para responderla se usa la Inteligencia de Negocios.  (Hindsights)

Caso Ejemplo Tarjetas de Crédito: En el mercado colombiano hay aproximadamente 8 millones de tarjetas de crédito. El cupo promedio es de 5 millones de pesos por tarjeta y el consumo promedio de estos cupos está en un 35%. Es decir que hay muchas oportunidades para que los bancos puedan aumentar su indicador de colocación de dinero a través del uso de estos cupos disponibles. 

 

Analítica Predictiva: responde a la pregunta ¿Qué podría suceder? y para responderla se usa el Aprendizaje Automático o Machine Learning (Insights)

Caso Ejemplo Tarjetas de Crédito: Con un modelo de machine learning, se pueden clasificar los tipos de clientes por sus hábitos de pago y su cupo utilizado. Este modelo puede predecir como será el comportamiento de estos clientes en estas dos variables y agruparlos de acuerdo al potencial para asignarles cupo adicional y mantenier el buen hábito de pago, como se observa en el siguiente listado: 

Grupo A. Clientes con excelentes hábitos de pago y  cupos utilizados al 100%. 

Grupo B. Clientes con buenos hábitos de pago y cupos utilizados al 100%. 

Grupo C. Clientes con malos hábitos de pago y cupos utilizados al 100%. 

 

Analítica Prescriptiva. responde a la pregunta ¿Qué decisión podría tomar al respecto?  y para responderla se usa la Inteligencia artificial. (Foresights)

Caso Ejemplo Tarjetas de Crédito: Con la clasificación de estos grupos de clientes, un modelo de Inteligencia Artificial puede asignar automáticamente cupos adicionales a los clientes en los grupos encontrados. 

Grupo A. Cupo disponible aprobado 30%

Grupo B. Cupo disponible aprobado 20%

Grupo C. Cupo disponible aprobado 0%

 

Con esta asignación adicional de cupos, una entidad bancaria del país, logró incrementar sus utilidades en 1 millón de dólares al año y mantener su indicador de cartera sano. 

Es demasiado potente lo que la tecnología y nuestras habilidades matemáticas nos permiten hacer para mejorar la capacidad de tomar mejores decisiones en nuestras empresas.

Hoy en día, los lenguajes de programación, las matemáticas y  la estadística se mezclan de manera brutal para apalancar nuestra gestión empresarial. Sin embargo, para evitar ser cegados completamente por la tecnología, debemos ser conscientes de que en todos los procesos operativos logísticos o comerciales de una empresa, participan las PERSONAS, y es con ellas y para ellas que se desarrollan los modelos analíticos. Esto fue especialmente resaltado en el Forum Analytics y me parece relevante compartirlo.

 

Las soluciones son construidas por equipos no por modelos. 

Personas + ideas + datos = posibilidades 

 

Los modelos son el arma de los ingenieros o científicos de datos, pero a las personas hay que involucrarlas en todo el proceso de entendimiento y generación de soluciones de estos modelos. Las soluciones sugeridas por el modelo, deben ser comunicadas efectivamente, deben despertar las emociones necesarias para crear la acción en las personas. 

A los que estamos en el camino de especializarnos profesionalmente en el campo de la data, les dejo estas recomendaciones:

  • Mucha matemática, mucha! 
  • El inglés es el idioma de la analítica. 
  • La estadística, los algoritmos y la programación, serán el pan de cada día. Python y R! 
  • Aprendamos a contar historias con los datos. 

En conclusión, estos eventos nutren nuestra visión técnica pero sobretodo nos hacen conscientes de no perder nuestro lado humano, nuestra capacidad de generar cambio para las personas y con las personas. 

 

Autor

CEO de Alta Perspectiva. Apasionado por los datos...

Artículos Relacionados