Análisis para vendedores

Los análisis avanzados pueden ayudar a las empresas a resolver una serie de problemas de gestión, incluidos los relacionados con las operaciones de marketing, ventas y cadena de suministro, lo que puede generar una ventaja competitiva sostenible. Sin embargo, a medida que haya más datos disponibles y se perfeccionen aún más los análisis avanzados, los gerentes pueden tener dificultades para decidir cuándo, dónde y cuánto incorporar las máquinas a sus análisis empresariales y hasta qué punto deben utilizar su propio juicio a la hora de tomar decisiones basadas en los datos.

En general, a los humanos se les dan mejor las decisiones que implican la intuición y la resolución de ambigüedades. Las máquinas son muy superiores en las decisiones que requieren deducción, granularidad y escalabilidad. ¿Cómo puede encontrar el equilibrio adecuado?

Hay tres enfoques comunes de la analítica: descriptivo, donde las decisiones las toman principalmente humanos; predictivo, que combina aspectos de los otros dos; y prescriptivo, lo que normalmente significa la gestión autónoma por parte de las máquinas. En este artículo se describe cuándo y cómo utilizar cada enfoque y se examinan las desventajas y las limitaciones. Aunque la atención se centra en el marketing y las ventas, los principios pueden aplicarse de manera más amplia.

•••

Resumen de la idea

El desafío

A medida que haya más datos disponibles y se perfeccionen aún más los análisis avanzados, los gerentes pueden tener dificultades para saber cuándo confiar en las máquinas y cuándo confiar en sus instintos.

La diferencia

Los humanos son mejores en las decisiones que implican la intuición y la resolución de ambigüedades; las máquinas son muy superiores en las decisiones que requieren deducción, granularidad y escalabilidad.

La guía

El marco de los autores sugiere el mejor enfoque (el equilibrio entre el ser humano y la máquina), dado el tipo de decisión que se debe tomar y los datos disponibles.

Los análisis avanzados pueden ayudar a las empresas a resolver una serie de problemas de gestión, incluidos los relacionados con las operaciones de marketing, ventas y cadena de suministro, lo que puede generar una ventaja competitiva sostenible. Por ejemplo, las empresas pueden integrar las decisiones y optimizar toda la cadena de valor modelando los comportamientos y las preferencias de los clientes individuales y ofreciendo productos personalizados con precios lo más cercanos posible a los precios dispuestos a pagar los precios de los compradores, al tiempo que reducen el coste de gestionar las transacciones individuales. Sin embargo, a medida que haya más datos disponibles y se perfeccionen aún más los análisis avanzados, los gerentes pueden tener dificultades para decidir cuándo, dónde y cuánto incorporar las máquinas a sus análisis empresariales y hasta qué punto deben utilizar su propio juicio a la hora de tomar decisiones basadas en los datos. Las preguntas que tienen que responder son: ¿Cuándo tiene sentido pasar de los métodos tradicionales centrados en las personas a una mayor automatización de los análisis y la toma de decisiones? ¿Y cómo podemos lograr un equilibrio adecuado entre ambas cosas? Uno de nosotros (Fabrizio) fundó un estudio que ayuda a los clientes a optimizar el rendimiento mediante la IA para automatizar las decisiones de precios y la cadena de suministro; el otro (Das) es un académico que ha desarrollado un curso de MBA que incorpora casos de campo centrados en el uso de la IA para mejorar las funciones de marketing, ventas y soporte. Juntos nos propusimos entender cómo maximizar el potencial de las personas y las máquinas para tomar las mejores decisiones empresariales. En general, los humanos son más capaces en las áreas de la intuición y la resolución de ambigüedades; las máquinas son muy superiores en deducción, granularidad y escalabilidad. ¿Cómo puede encontrar el equilibrio adecuado? Hay tres enfoques comunes de la analítica: _descriptivo,_ donde las decisiones las toman principalmente humanos; _predictivo,_ donde las máquinas determinan los resultados probables, pero los humanos eligen el camino a seguir; y _prescriptivo,_ lo que normalmente significa la gestión autónoma por parte de las máquinas. En este artículo se describe cuándo y cómo utilizar cada enfoque y se examinan las desventajas y las limitaciones. (Aunque aquí nos centramos en el marketing y las ventas, es posible que los principios se apliquen de manera más amplia). ## Tres enfoques de la analítica La función de las máquinas difiere significativamente en estos enfoques: desde una herramienta que ayuda a los gerentes a entender la situación empresarial, hasta una ayuda que apoya las decisiones de los gerentes y un responsable de la toma de decisiones que exime a los gerentes de esa tarea. Exploremos cada uno. ### Descriptivo: observaciones agregadas En la analítica descriptiva (comúnmente denominada «inteligencia empresarial»), los gerentes utilizan las máquinas para dar sentido a los patrones de los datos históricos. Básicamente, se preguntan: «Ayúdeme a entender lo que pasó». Esa ayuda suele adoptar la forma de paneles de control que destacan las variables de rendimiento de entrada y salida, lo que permite a los gerentes decidir «qué dial girar» y «cuánto» en función de los hechos observados históricamente. El análisis descriptivo consiste en dar sentido al pasado para informar el futuro. Los datos anteriores son específicos, claros y seguros, y este enfoque se basa en hechos verificables y objetivos. Esperamos que los análisis descriptivos sigan formando parte de la experiencia diaria de los directores de empresa. Pero como los humanos no pueden procesar enormes cantidades de datos granulares, deben confiar en información altamente agregada. Las decisiones basadas en esos datos suelen ser de naturaleza grosera y requieren el paso, no trivial, de extrapolar las tendencias del pasado y proyectarlas hacia el futuro. Además, los análisis descriptivos suelen depender demasiado de los datos de las transacciones internas, que son los datos más baratos y disponibles. Los datos externos, como los datos relacionados con los clientes (un Net Promoter Score, por ejemplo) y los datos de las encuestas de mercado, son más caros y requieren mucho tiempo de obtención; también son difíciles de analizar y sintetizar en tiempo real. En consecuencia, los tipos de datos más comunes que se utilizan en el análisis descriptivo son las variables internas y del rendimiento del sector, que son hechos observados históricamente. De forma un tanto instintiva, los gerentes complementan los datos retrospectivos con su propia experiencia o sabiduría adquirida, especialmente cuando utilizan este enfoque para el diagnóstico. Por lo tanto, un enfoque de análisis descriptivo depende en gran medida de la intuición de los responsables de la toma de decisiones específicos y de su capacidad para superar sus sesgos, por ejemplo, no seleccionando datos que validen las opiniones preexistentes.  [Ver más gráficos de HBR en Datos y imágenes](https://www.hbr.org/data-visuals) En resumen, el enfoque de análisis descriptivo tiende a carecer de perspectiva externa y a limitarse a niveles altos de agregación. Los directivos a los que se les proporcionan herramientas de inteligencia empresarial se basan en la experiencia pasada y en el reconocimiento de patrones de alto nivel para proyectar el pasado hacia el futuro, y a menudo se basan en sus instintos. Eso puede llevar a repetir enfoques confiables en el tiempo para resolver problemas en lugar de encontrar nuevos e innovadores caminos. A pesar de los problemas de subjetividad asociados a este enfoque, se sigue utilizando ampliamente porque es relativamente sencillo y económico de desarrollar e implementar. Y depende de las personas para crear sentido, lo que lo coloca de lleno en la zona de confort de la mayoría de los directivos criados en el mundo analógico. ### Predictivo: visión limitada del futuro Con el análisis predictivo, las máquinas determinan el resultado o los resultados probables de una situación determinada para diferentes combinaciones de variables de entrada, lo que permite a los gerentes elegir el curso de acción cuyo resultado esperado se ajuste mejor a su objetivo. El análisis predictivo se puede utilizar para pronosticar ganancias y pérdidas, calcular la elasticidad de los precios, predecir el impacto de las acciones de marketing en clientes específicos y agrupar dinámicamente a los clientes en segmentos de mercado. Estas predicciones permiten a los directivos analizar en detalle y tomar decisiones a nivel transaccional y táctico, en lugar del alto nivel habitual de análisis descriptivo. El enfoque de análisis predictivo está limitado estructuralmente. Es casi imposible predecir la demanda futura (y mucho menos el futuro en sí mismo) con mucha certeza. Además, incluso predecir variables de entrada individuales puede resultar muy complicado: el clima, la competencia y el rendimiento de los proveedores, por ejemplo, pueden requerir sus propios modelos de predicción. Estos modelos pueden ser no solo difíciles de crear, sino también problemáticos, ya que las entradas y las salidas suelen depender unas de otras, lo que obliga a los gerentes a predecir las variables de entrada y salida al mismo tiempo. También hay límites en el número de variables de entrada que se pueden modelar y el nivel de granularidad que se puede alcanzar. Aunque varios factores suelen influir en las decisiones de compra, las técnicas predictivas más comunes, como la regresión, la agrupación y la previsión de series temporales, suelen incluir solo un pequeño subconjunto de variables. Esto se debe a que, para que un modelo sea válido, sus variables deben ser independientes entre sí, pero añadir más variables de entrada crea interdependencias complejas que hacen que el modelo no sea apto desde el punto de vista estadístico. Además, para hacer predicciones más detalladas, las empresas deben recopilar datos más detallados. Por ejemplo, para predecir las ventas de un producto específico, deben recopilar datos a nivel de SKU y no a nivel de categoría. Los modelos prescriptivos bien diseñados pueden ofrecer mayores recompensas financieras y un mejor rendimiento empresarial. Pero pueden resultar muy caras y complejas de configurar. Otro tema del análisis predictivo es la creciente brecha entre los científicos de datos y los científicos de negocios en términos de objetivos. Los científicos de datos se centran en mejorar el rigor estadístico, mientras que los científicos empresariales se centran en optimizar los análisis para mejorar los resultados empresariales. Para los científicos de datos, el objetivo del análisis predictivo puede ser aumentar la precisión de su modelo, mientras que para los científicos de negocios el objetivo es el impacto empresarial. Los científicos empresariales se centran en maximizar los beneficios del análisis predictivo teniendo en cuenta el impacto económico de un falso positivo (cuando la predicción es positiva pero el resultado resulta negativo) o un falso negativo (cuando la predicción es un resultado negativo y la empresa decide no tomar ninguna medida, pero habría obtenido un resultado positivo si hubiera aprovechado la oportunidad). Por ejemplo, en un ejercicio de análisis y predicción de ganancias y pérdidas, un falso positivo normalmente se traduce en una pérdida de esfuerzos de ventas y marketing, mientras que un falso negativo normalmente se traduce en una oportunidad desperdiciada o en la pérdida de negocios. Centrarse únicamente en aumentar la precisión puede dar como resultado un modelo que reduzca los falsos positivos (un buen resultado), pero también tenga un alto grado de falsos negativos, lo que generaría una pérdida de oportunidades y un rendimiento general subóptimo. En resumen, el análisis predictivo puede resultar problemático. Confiar únicamente en las máquinas puede provocar decisiones empresariales subóptimas y una posible pérdida de beneficios. Los gerentes pueden, por supuesto, realizar diagnósticos manuales y análisis predictivos sobre la base de los datos descriptivos para mejorar la calidad de la toma de decisiones. Pero ese tipo de esfuerzo ad hoc está sujeto a los mismos sesgos que los que se observan en el análisis descriptivo. ### Prescriptivo: guía granular Con la analítica prescriptiva, las máquinas toman decisiones que se basan en los objetivos definidos por los directivos, mediante el uso de grandes cantidades de datos para analizar rápidamente las condiciones del mercado y aprender mediante el diseño y la ejecución de un gran número de experimentos de bajo coste y situaciones hipotéticas. Aunque muchos de sus experimentos inicialmente no sean óptimos o incluso totalmente incorrectos, las máquinas pueden aprender rápidamente y se acercan a los objetivos de resultados óptimos de forma rápida y económica. Luego le dicen al gerente lo que hay que hacer y pasan de centrarse en las entradas (como garantizar la precisión de las variables de decisión) a las salidas (como optimizar el impacto empresarial de las decisiones), al tiempo que modelan explícitamente el riesgo y los costes económicos. La decisión prescriptiva óptima normalmente depende de la predicción del mercado, que impulsa los ingresos esperados, y de la incertidumbre, que impulsa los costes esperados. En el análisis predictivo, la atención se centraría en pronosticar el número de unidades que se espera vender sin tener en cuenta el nivel de error en la incertidumbre de la demanda. El enfoque prescriptivo tiene en cuenta esta incertidumbre para tomar decisiones que optimicen los beneficios y se ajusta continuamente a medida que hay nueva información disponible. Por ejemplo, un minorista con poco inventario en las estanterías y costes logísticos relativamente bajos podría responder a la posibilidad de un repunte de la demanda con una estrategia agresiva de reabastecimiento de inventario. Sin embargo, el mismo minorista, ante los altos costes logísticos y la incertidumbre del mercado, podría encontrar una estrategia de reabastecimiento más conservadora para optimizar y maximizar los beneficios.  _El artista visual Andrew Strauss trabaja con algoritmos y códigos para reimaginar la abstracción, la repetición y los patrones mediante la automatización generativa._ Los modelos prescriptivos bien diseñados pueden ofrecer mayores recompensas financieras y un mejor rendimiento empresarial que los modelos descriptivos o predictivos. Sin embargo, su configuración puede resultar muy cara y compleja: requieren soluciones de software y hardware dedicadas y experiencia humana especializada para traducir las estrategias de gestión en reglas empresariales y objetivos de optimización matemáticos y fáciles de usar para las máquinas. El papel humano en todo esto (definir las normas y los objetivos empresariales) es tremendamente importante. El análisis predictivo depende de la capacidad de traducir los objetivos, las reglas y las restricciones de la empresa en instrucciones inequívocas hacia la máquina prescriptiva. Eso, a su vez, permite al modelo prescriptivo calibrar dinámicamente sus propias recomendaciones en la dirección que la dirección ha especificado, al tiempo que garantiza resultados óptimos y el cumplimiento sistemático de todas las normas y restricciones. ## Cuándo utilizar qué enfoque Ir más allá de la analítica descriptiva y adoptar enfoques más avanzados y costosos requiere una evaluación de la relación coste/beneficio. Mientras que los costes están relacionados con la infraestructura, la experiencia y el liderazgo necesarios para recopilar y analizar los datos, los beneficios dependen de la oportunidad de obtener beneficios adicionales que se pueden obtener mediante decisiones más detalladas y relevantes. Por lo tanto, el enfoque que se utilice en una situación determinada depende de dos factores: la relevancia de los datos disponibles y la solidez del argumento empresarial. Un equilibrio exitoso entre el ser humano y la máquina maximiza la contribución de cada uno. _Datos:_ Cuando los datos disponibles son limitados y existen altos niveles de incertidumbre, el análisis descriptivo es la opción más viable para proporcionar orientación a los directivos. A medida que aumenta la frecuencia de la toma de decisiones, se dispone de datos más detallados y aumenta la relevancia de los datos para el problema, los enfoques de análisis prescriptivo más autónomos suelen funcionar mejor. En casos intermedios, en los que solo hay datos relevantes limitados disponibles, se prefiere un enfoque de análisis predictivo. _Caso de negocio:_ El potencial de mejora de los beneficios se debe a la cantidad de ineficiencia que cabe esperar que aborde la información basada en datos. Pero la ineficiencia no es una característica de todos los problemas empresariales. Y cuando se trata de un problema, puede que solo se pueda abordar con datos que no estén fácilmente disponibles. Por lo tanto, no todos los problemas son susceptibles de enfoques avanzados. A la hora de elegir un enfoque analítico, debemos replantearnos la función del director: desde la persona que tiene todas las respuestas hasta la que hace las preguntas correctas. Por ejemplo, las máquinas pueden tener problemas relacionados con la definición de una estrategia y una innovación a largo plazo, para lo que la definición inicial de la pregunta es más importante que la formulación de respuestas precisas. Pero cuando se trata de la optimización de los precios, los inventarios o las inversiones en marketing, la analítica ofrece a las empresas importantes oportunidades, ya que las respuestas precisas satisfarán mejor las necesidades de sus clientes. Para los problemas empresariales con horizontes temporales prolongados, como la planificación, o niveles altos de ruido intrínseco a nivel granular, como la segmentación del CRM, o el bajo beneficio marginal de una optimización extrema, como el mantenimiento de las operaciones, un enfoque predictivo suele funcionar mejor. En un análisis de costo/beneficio, el análisis descriptivo es un enfoque de «poco dolor/baja ganancia». Es más relevante en los casos en que los datos disponibles son limitados y el resultado está rodeado de un alto nivel de incertidumbre. Si bien el impacto económico absoluto de cada decisión puede ser muy alto, la mejora resultante en el rendimiento no justifica las inversiones necesarias para incorporar la información de las máquinas a fin de mejorar la calidad de las predicciones y las decisiones. En el otro extremo del espectro, cuando hay muchos datos disponibles y existe la oportunidad de aumentar el impacto económico de cada predicción con un alto nivel de certeza, el análisis prescriptivo tiene más sentido, ya que justifica su grado de complejidad y coste relativamente más altos con su alto retorno de la inversión. A menudo, en estas situaciones, el impacto económico absoluto de las decisiones individuales no es alto, pero el número de decisiones que se toman, el potencial alcista de cada una de las decisiones y los niveles más altos de certeza de los resultados a lo largo del tiempo se combinan para que valga la pena invertir en análisis prescriptivo. El análisis predictivo es la mejor opción en la región intermedia. ## En la práctica: La evolución de las rebajas de precios en Event Network El exceso de inventario es un problema común. Debe venderse y, normalmente, con descuentos, lo que hace que las rebajas de precios sean una parte necesaria y generalizada de la gestión del inventario. La causa principal es la imposibilidad estructural, incluso con un modelo de previsión teóricamente perfecto, de predecir las ventas con precisión. Dada la incertidumbre de factores como el clima, las acciones de la competencia y las perturbaciones macroeconómicas, los gerentes tienden a mantener niveles altos de inventario para evitar perder ventas y clientes. Veamos cómo Event Network (ES), que gestiona tiendas de regalos y recuerdos en los Estados Unidos y Canadá, gestionó el desafío. (Divulgación: EN es cliente de la empresa de Fabrizio, Evo Pricing.) El tráfico de clientes en sus tiendas, que se encuentran en museos, zoológicos, acuarios y otros lugares de interés cultural, es muy estacional y relativamente impredecible. Cada sucursal de ES incluye un inventario único, que a menudo se personaliza según la ubicación (San Francisco o Nueva York, por ejemplo), el tema de la atracción (las plantas de un jardín botánico) y la época del año (suéteres en invierno). El elevado número de SKU de la cadena (más de 100 000) supuso un desafío formidable para la gestión de las rebajas de precios. Con el tiempo, ES ha utilizado los tres enfoques analíticos. Así es como funcionaba cada uno. ### Método #1: Análisis descriptivo Los gerentes de ES empezaron con un método sencillo: ofrecían descuentos mayores en productos con inventarios más altos, como resultado de ventas decepcionantes. Para decidir qué productos rebajar y en qué cantidad, los gerentes de ES consideraron medidas como el historial de ventas semanales, los niveles de inventario y el ratio de cobertura (el número de días que durará el inventario dado el ritmo de ventas actual). Para calcular la rebaja de un producto con un coste unitario de 10 dólares y 10 000 unidades disponibles, multiplicaron la rebaja propuesta (30%) por el número de unidades disponibles (30 × 10 000). Empezaron con el SKU con el ratio de cobertura más alto y fueron reduciendo la lista de SKU hasta gastar todo el presupuesto de rebajas disponible. En última instancia, este enfoque no fue satisfactorio porque se basaba exclusivamente en datos históricos sobre el rendimiento del inventario interno. No tuvo en cuenta los factores relacionados con el cliente o el contexto que tienen un impacto significativo en la demanda de los consumidores. ### Enfoque #2: Análisis predictivo Luego, los gerentes utilizaron técnicas basadas en la regresión para descontar los productos con la mayor elasticidad de precios (el cambio porcentual en el volumen de ventas esperado a partir de un cambio porcentual determinado en el precio). Calcularon la elasticidad de los precios realizando la regresión de los volúmenes históricos de ventas sobre los precios históricos por categoría, tienda y semana. Por ejemplo, una reducción del precio del 10% para un SKU con una elasticidad de precios del —2 supone un aumento del volumen de ventas del 20% (un producto del — 10% × —2). Por lo tanto, pasar de 100 unidades a 10 dólares cada una con 1000 dólares en ingresos a vender 120 unidades a 9 dólares cada una generaría 1080 dólares en ingresos, lo que representa un aumento del 8% en los ingresos. Se pueden hacer cálculos similares para métricas como el margen y el nivel de inventario. Mediante la simulación de escenarios, los directivos podrían elegir su objetivo estratégico preferido y determinar la combinación óptima de rebajas en función del impacto esperado. Hacerlo podría tener en cuenta no solo los datos del inventario interno, sino también las expectativas de la demanda de los clientes y, por lo tanto, el impacto de sus decisiones en el mercado. La rebaja óptima variaba según el objetivo del gerente y no según el nivel de ventas o inventario. Aunque los resultados de sus modelos de regresión fueron estadísticamente significativos, los directores de ES consideraron que el poder explicativo de los modelos era relativamente bajo (el precio explicaba solo entre el 10 y el 20% de la varianza en las ventas de un producto). Esto se debe a que muchos otros factores, además del precio, influyen en las ventas, como el clima, el tráfico peatonal y la gama de productos disponibles. Añadir esas variables al modelo habría supuesto el coste de recopilar los datos adicionales de forma puntual. Además, más datos aumentarían la complejidad de los cálculos al introducir más ruido y provocar interdependencias no deseadas entre las variables. Los directores de ES siguieron adelante con la simple regresión unidimensional del volumen frente al precio, por muy burda que fuera, ya que arrojó resultados superiores a los obtenidos con el enfoque de análisis descriptivo. La mejora del rendimiento resultante también aumentó el deseo de la dirección de ES por utilizar enfoques analíticos más avanzados. Se mostraron dispuestos a utilizar un enfoque completamente diferente para superar las limitaciones estructurales del enfoque de análisis predictivo. ### Enfoque #3: Análisis prescriptivo El enfoque de análisis prescriptivo que los directores de ES finalmente utilizaron mejoró con respecto a los dos enfoques anteriores al tener en cuenta la gama más amplia de factores que afectan al comportamiento de los consumidores. Mediante varias fuentes de datos y técnicas avanzadas, como el aprendizaje automático y la optimización automática, EN podría identificar qué productos descontar en un momento determinado y en qué cantidad. Los directores reconocieron que era prácticamente imposible confiar en la intuición a este nivel de granularidad y no linealidad. Además, su recorrido por los diferentes enfoques analíticos les llevó a apreciar las ventajas de utilizar la automatización y el aprendizaje automático para dar sentido a la complejidad y a crear sistemas de autoaprendizaje que mejoraron la rentabilidad de manera significativa con el tiempo. ### . . . A la hora de elegir un enfoque analítico, es imperativo replantearse la función del director: desde la persona que tiene todas las respuestas hasta la que hace las preguntas correctas. El encuadre de los problemas, que luego se puede dar a las máquinas para que los resuelvan, sigue siendo una habilidad totalmente humana. Pero los gerentes pueden ceder parte del control a las máquinas con prudencia. Las principales consideraciones a la hora de elegir el mejor enfoque son conocidas y están claras: la relevancia y la disponibilidad de los datos y el potencial de mejora del impacto empresarial que se espera de la inversión en análisis más sofisticados. Los humanos y las máquinas se destacan en diferentes tareas: los humanos al tratar con datos limitados y aplicar la intuición en contextos desconocidos, y las máquinas a la hora de tomar decisiones, por muy granulares y dispersas que sean, que se repiten en el tiempo, el espacio o ambos, y en entornos inundados de datos enriquecidos. Con muy pocos datos, en situaciones muy ambiguas o en presencia de objetivos contradictorios que limitan lo que se puede inferir de los datos, las máquinas se esfuerzan por producir resultados relevantes. Pero para los problemas complejos que tienen abundantes datos relevantes y cuyas soluciones podrían mejorar significativamente el rendimiento empresarial, los directivos deberían comprar o construir las máquinas adecuadas y fijar los objetivos correctos para que hagan lo que tan bien pueden hacer. Read more on [**Technology and analytics**](/topic/subject/technology-and-analytics?ab=articlepage-topic) or related topics [**Sales and marketing**](/topic/subject/sales-and-marketing?ab=articlepage-topic), [**Analytics and data science**](/topic/subject/analytics-and-data-science?ab=articlepage-topic), [**Decision making and problem solving**](/topic/subject/decision-making-and-problem-solving?ab=articlepage-topic), [**AI and machine learning**](/topic/subject/ai-and-machine-learning?ab=articlepage-topic) and [**Marketing**](/topic/subject/marketing?ab=articlepage-topic)