Noticias

La receta del éxito en análisis predictivo tiene parte de cuentacuentos

Mark Brunelli, Editor Principal de Noticias

El secreto para construir un equipo de análisis predictivo exitoso es buscar personas con habilidades en análisis estadístico, programación y (más importante quizás) en contar cuentos, según un experto.

Es importante encontrar gente con múltiples talentos porque, la mayoría de veces, los equipos de análisis predictivo son pequeños, dijo Jennifer Golec, vicepresidente de análisis estratégicos en XL Insurance Inc. Los individuos multifacéticos ofrecen un mayor nivel de flexibilidad, dijo ella, y eso se vuelve útil cuando los recursos son limitados.

Idealmente, los profesionales en análisis predictivo deben ser programador por una parte, dijo Golec, porque trabajarán con una gran cantidad de información y conducirán análisis exploratorios. Un software comercial puede ayudar en estas áreas, explicó, pero algunas habilidades en programación siempre van a ser útiles para tareas como manipular o ajustar datos y crear nuevas variables.

Los profesionales en análisis predictivo también deben centrarse en desarrollar habilidades en análisis estadístico porque éstas son necesarias para construir modelos multivariables (multivariate models), herramientas estadísticas que utilizan múltiples variables para pronosticar resultados.

“La tercera pieza es que debe ser un cuentacuentos, en parte. Debe poder interpretar esos resultados”, dijo Golec. “ [Eso significa] que hay que ser realmente capaz de interpretar la información que brindan los resultados. Debe ser capaz de transmitir eso. Si no, estará en frente de un gran modelo y no sabrá como implementarlo”.

La famosa película del 2011 Moneyball – que cuenta la historia del gerente general de los Oakland A's, Billy Beane, que usaba la analítica para encontrar jugadores subestimados y crear un gran equipo de béisbol – puede dar la idea equivocada de que la analítica se trata solamente de números. Pero es mucho más que eso, según Golec. Las organizaciones deben trabajar para entender como los resultados de los modelos predictivos se traducen al mundo real de los negocios.

“A veces ese es el peligro con productos como SAS” dice Golec. “Hacen que sea muy fácil ingresar datos, apretar el botón y obtener algo. Pero si no estás entrenado para entender e interpretar los resultados, puedes terminar con basura y no darte cuenta de ello”.

Recurrir a la analítica para mejorar el porcentaje de pérdida
Golec, que tiene un doctorado en economía por la Universidad de Missouri y manejó un programa de análisis predictivo para la empresa de seguros The Hartford, primero empezó trabajando para XL Insurance y su compañía matriz global, XL Group PLC, hace aproximadamente seis meses.

Una de sus primeras tareas fue encontrar un proveedor de software que pudiera ayudar a la compañía a construir su nuevo programa de análisis predictivo. XL Insurance implementó el programa para hacer un mejor trabajo evitando riesgos innecesarios y, al final, mejorando su porcentaje de pérdida.

“El porcentaje de pérdida son las pérdidas sobre las primas”, dijo Golec. “Entre más baja, tienes mayor rentabilidad”.

Golec examinó de cerca el SPSS, que fue adquirido por IBM en el 2011, y las herramientas de Wolfram Research's Mathematica. Pero ella había trabajado con un software del SAS Institute Inc. en el pasado y decidió hacerlo de nuevo.

“La mitad de la pelea es trabajar con los datos, manipularlos y integrarlos de manera que te permitan hacer el modelaje”, dijo ella. “SAS nos permite obtener los datos en la manera y forma que deseemos”.

XL Insurance está usando varios productos SAS, incluyendo SAS/STAT, una herramienta de análisis estadístico; SAS Graph, una herramienta visual que permite a los usuarios presentar información en tablas y gráficos; SAS Enterprise Guide (EG), que hace más fácil el análisis exploratorio para almacenar datos; y JMP, una herramienta de visualización de datos.

“Con EG, rápidamente puedo tener una idea de lo que tengo al momento, cómo quiero limpiar los datos; dónde quiero colapsar archivos y qué tipo de variables predictivas o derivadas puedo crear”, dijo Golec. “También tenemos JMP y esa parece una gran herramienta para facilitar la comprensión de los datos”.

Implementación de análisis predictivo
El equipo de XL Insurance está en proceso de elaborar modelos predictivos para evaluación de riesgos. El próximo paso, según Golec, es implementar esos modelos, monitorear de cerca y medir los resultados.

Golec dijo que los aspectos más difíciles de la fase de implementación seguramente tendrán que ver con la gestión de cambio y, específicamente, con conseguir la gente indicada para que adopte el análisis predictivo como parte de su rutina habitual. Asegurarse de que todo flujo de trabajo o cambios arquitecturales sean documentados es también un gran desafío.

Otro es “asegurarse de que hemos encontrado cómo monitorearlo y que esté funcionando adecuadamente”, dijo ella. “Pero creo que lo difícil en la implementación es lograr ese respaldo y asegurarse de que se esté usando”.


Unirse a la conversación Comenta

Compartir
Comentas

    Resultados

    Contribuye a la conversacion

    Todos los campos son obligatorios. Los comentarios aparecerán en la parte inferior del artículo