lassedesignen - Fotolia

Lo básico Póngase al día con nuestro contenido introductorio.

Diez pasos para empezar a usar efectivamente algoritmos de analítica predictiva

Un exitoso programa de análisis predictivo implica más que implementar software y usarlo para analizar datos. Este conjunto de pasos puede ayudar a poner una sólida base de analítica.

Hay una tendencia creciente entre las empresas de utilizar algoritmos de analítica predictiva para aumentar sus resultados finales. En comparación con la analítica descriptiva, que proporciona una perspectiva de lo que ya ha sucedido, la analítica predictiva intenta discernir eventos futuros; por ejemplo, identificar a las personas que pueden ser receptivas a las ofertas de marketing.

Pero para aprovechar al máximo los modelos predictivos, los equipos de análisis deben equilibrar la adopción de herramientas analíticas avanzadas con el establecimiento de procesos empresariales nuevos o modificados, y otros cambios organizativos. Puro y simple: los resultados analíticos que no influyen en la toma de decisiones y en el comportamiento corporativo de una manera productiva no agregarán ningún valor al negocio.

Un programa de analítica predictiva eficaz requiere el compromiso y el apoyo de los usuarios empresariales en todo el ciclo de vida del análisis de datos. Considere la posibilidad de seguir los siguientes 10 pasos para ayudar a fomentar eso y poner otros elementos básicos para establecer su iniciativa de analítica para el éxito.

1. Encuentre un campeón corporativo. Es aconsejable empezar por obtener el respaldo de un líder de alto nivel que está dispuesto a invertir recursos y buena voluntad personal para garantizar que la organización apoya adecuadamente el proceso de analítica predictiva y las mejoras operacionales que ayuda a impulsar. Por ejemplo, un director de marketing puede ser un buen candidato para patrocinar un programa de análisis de clientes porque el CMO puede proporcionar los fondos necesarios y ordenar a los equipos de marketing que utilicen los resultados generados por los algoritmos de análisis predictivo en campañas de planificación y promociones.

2. Entienda los principales objetivos de negocio de la empresa. Los mejores modelos predictivos son los que comparten dos características importantes: la precisión en las predicciones y la relevancia para el negocio. Puede mejorar la probabilidad de crear valor de negocio cuando los científicos de datos y los analistas que hacen el trabajo de análisis son conscientes de los objetivos de negocio de la organización y se concentran en la construcción de modelos que pueden tener el máximo impacto en el cumplimiento de esos objetivos.

3. Evalúe cómo los procesos empresariales podrían verse afectados. Los modelos predictivos ayudan a identificar oportunidades de negocio, pero incluso los mejor diseñados serán ineficaces si los resultados de las aplicaciones analíticas no se usan para guiar las acciones de los gerentes de negocios y los trabajadores operacionales. Identifique los procesos de negocio que pueden mejorarse con base en los hallazgos de los algoritmos de analítica predictiva, y consiga jefes de departamento que se suban a bordo con la preparación de sus trabajadores para poner esos hallazgos en acción.

4. Defina métricas de rendimiento. Sus modelos predictivos no solo deben influir en los cambios en los procesos de negocio, sino que también deben tener un impacto mensurable en el desempeño del negocio. Elabore un plan para crear métricas que se puedan utilizar para cuantificar el valor de emplear los modelos.

5. Contrate a un equipo competente. Su equipo de analítica debe estar compuesto por individuos con una amplia gama de habilidades, incluyendo potencialmente estadísticos, científicos de datos, analistas de datos, analistas de negocios, ingenieros de datos y profesionales de la gestión del cambio.

6. Defina su metodología de desarrollo de modelos. Uno de los impedimentos para el éxito de la analítica es cuando el tiempo que toma desarrollar los modelos predictivos supera la ventana de oportunidad de negocios. Algunas organizaciones adoptan técnicas de desarrollo ágiles para acelerar el proceso de creación de modelos, con refinamientos iterativos para mejorar los modelos a medida que se están desplegando. La entrega más rápida del valor incremental es mucho mejor que los retrasos interminables en la entrega del modelo predictivo perfecto.

7. Asegúrese de que los datos correctos están disponibles, y accesibles. Big data es una bendición mixta. Aunque su organización puede tener la capacidad de recopilar y almacenar cantidades masivas de datos, los analistas todavía necesitan saber qué conjuntos de datos están disponibles y cómo acceder a los que son relevantes para ellos. Además de crear un inventario de conjuntos de datos, mantenga suficientes metadatos técnicos y empresariales en un catálogo de datos para asegurar que las aplicaciones específicas de análisis predictivo tengan acceso a los datos adecuados.

8. Instituya un sólido programa de gobierno de datos. El entorno de datos corporativos está cambiando constantemente y nuevos conjuntos de datos se capturan y se ingieren continuamente desde fuentes internas y externas. Implemente prácticas de gobierno de datos que ayuden a garantizar que la calidad y consistencia de los datos en sus sistemas de análisis permanecen en un nivel aceptable, con políticas de uso de datos asociadas para evitar diferentes interpretaciones que conduzcan a resultados analíticos en conflicto.

9. Planifique fallar rápido cuando las cosas no salen bien. Va a haber muchas oportunidades para construir modelos analíticos, pero no todas tendrán éxito en la entrega de información útil. Establezca el principio de fracaso rápido: Si un modelo predictivo no está produciendo nada de valor para el negocio, pase a la próxima oportunidad.

10. Elija las herramientas adecuadas para el trabajo a mano. Hay un mercado saludable de herramientas de análisis predictivo, incluyendo opciones de fuente abierta y comerciales. Busque herramientas que proporcionen un conjunto básico de capacidades que se adapten a sus necesidades de aplicación. Los factores a considerar incluyen el soporte para los algoritmos de análisis predictivo particulares que va a utilizar, la interoperabilidad con una variedad de plataformas convencionales y de big data, la capacidad de manejar datos estructurados y no estructurados, y la integración con herramientas de visualización de datos y herramientas frontales de presentación.

Estos 10 pasos no son una lista exhaustiva de lo que implica el establecimiento de un exitoso programa de analítica predictiva. Pero proporcionan una base para obtener un soporte sostenible internamente, enmarcando los modelos predictivos planificados en el contexto del valor del negocio, involucrando a los usuarios empresariales, gestionando el cambio, y dando acceso a analistas a datos relevantes y confiables. Hechos correctamente, ayudarán a alimentar procesos repetibles para desarrollar, probar e implementar modelos predictivos que, de hecho, pueden beneficiar al negocio.

Este artículo se actualizó por última vez en agosto 2017

Profundice más

PRO+

Contenido

Encuentre más contenido PRO+ y otras ofertas exclusivas para miembros, aquí.

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Enviando esta solicitud usted acepta recibir correos electrónicos de TechTarget y sus socios. Si usted reside afuera de Estados Unidos, esta dando autorización para que transfiramos y procesemos su información personal en Estados Unidos.Privacidad

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close