Tres errores comunes que pueden hacer fracasar los esfuerzos de análisis predictivo de su equipo

Con la gran demanda actual de científicos de datos y los altos salarios que reciben, a menudo no es práctico que las empresas los mantengan en plantilla. En cambio, muchas organizaciones se esfuerzan por mejorar las habilidades analíticas de su personal actual, incluida la analítica predictiva. Sin embargo, las organizaciones deben proceder con cautela. El análisis predictivo es especialmente fácil de equivocarse. Hay algunos «no» que su equipo necesita aprender. En primer lugar, no se deje engañar por las palabras de moda, sino que aclare su objetivo. En segundo lugar, no lidere con la selección de software; las habilidades de equipo son lo primero. En lugar de seguir el ejemplo de un proveedor, prepare a su personal para gestionar la integración del aprendizaje automático como una tarea empresarial y, a continuación, permita que su personal determine una elección más informada de software de análisis durante una fase posterior del proyecto. Por último, no salte al cálculo de números. El error más común que descarrila los proyectos de análisis predictivo es lanzarse al aprendizaje automático antes de establecer una ruta hacia el despliegue operativo. El análisis predictivo no es una tecnología que simplemente se compra y se conecta. Es un paradigma organizacional que debe cerrar la brecha entre la cultura cuantitativa y empresarial mediante un proceso de colaboración guiado conjuntamente por las partes interesadas estratégicas, operativas y analíticas.

••• Con la gran demanda actual de científicos de datos y los altos salarios que reciben, a menudo no es práctico que las empresas los mantengan en plantilla. En cambio, muchas organizaciones se esfuerzan por mejorar las habilidades analíticas de su personal actual, incluida la analítica predictiva. Sin embargo, las organizaciones deben proceder con cautela. El análisis predictivo es especialmente fácil de equivocarse. Estas son las tres primeras cosas que su equipo debe aprender y las soluciones correspondientes. **1) No se deje engañar por las palabras de moda: aclare su objetivo** ¿Conoce la canción de Joe Jackson, «No puedes conseguir lo que quieres (hasta que sepas lo que quieres)»? Enciéndalo y deje que sea su mantra. Por muy de moda que esté, la «ciencia de datos» no es un objetivo empresarial ni un objetivo de aprendizaje en sí misma. Esta palabra de moda no significa nada más específico que «un uso inteligente de los datos». No se refiere necesariamente a ninguna tecnología, método o propuesta de valor en particular. Más bien, alude a una cultura, en la que personas inteligentes hacen cosas creativas para encontrar valor en sus datos. Es importante que todos tengan esto en cuenta a la hora de aprender a trabajar con datos. Bajo el amplio paraguas de la ciencia de datos se encuentra el análisis predictivo, que ofrece la ganancia más procesable que puede obtener de los datos. En pocas palabras, el análisis predictivo es una tecnología que aprende de la experiencia (datos) para predecir el comportamiento futuro de las personas y tomar mejores decisiones. La predicción es el Santo Grial para ejecutar de forma más eficaz las operaciones a gran escala en materia de marketing, riesgo financiero, detección de fraudes y más. El análisis predictivo permite a su organización optimizar estas funciones al marcar quién tiene más probabilidades de hacer clic, comprar, mentir, morir, cometer fraude, dejar su trabajo o cancelar su suscripción y, más allá de predecir las personas, también predice los resultados más probables para cada persona[clientes corporativos](https://hbr.org/resources/pdfs/comm/oracle/hbr_oracle_report_v2.pdf) e instrumentos financieros. Estas predicciones indican directamente las medidas que hay que tomar con cada persona, por ejemplo, mediante el marketing dirigido a las personas con más probabilidades de comprar y la auditoría de las personas con más probabilidades de cometer fraude. En su aplicación a estas funciones empresariales, _análisis predictivo_ y _aprendizaje automático (ML)_ son sinónimos (en otros ámbitos, el aprendizaje automático también se extiende a tareas como el reconocimiento facial que no suelen denominarse análisis predictivo). El aprendizaje automático es clave para la predicción. La acumulación de patrones o fórmulas que ML deriva (aprende) de los datos, lo que se conoce como _modelo predictivo_ — sirve para considerar una situación única y poner probabilidades en el resultado. Por ejemplo, el modelo podría tomar como entrada todo lo que se sabe actualmente sobre un cliente individual y generar como resultado la probabilidad de que esa persona cancele su suscripción. Cuando empieza a implementar el análisis predictivo con su equipo, se embarca en un nuevo tipo de propuesta de valor y, por lo tanto, requiere un nuevo tipo de proceso de liderazgo. Necesitará que algunos miembros del equipo se conviertan en «líderes del aprendizaje automático» o «directores de análisis predictivo», lo que significa habilidades mucho más específicas que el comodín de «científico de datos», un título que es culpable de vaguedades y exageraciones (pero permítales ese título si quieren, siempre y cuando esté en la misma página). **2) No lidere con la selección de software: las habilidades del equipo son lo primero** En 2011,[Thomas Davenport](/search?term=thomas+h.+davenport) tuvo la amabilidad de pronunciar un discurso en la conferencia que fundé,[El mundo del análisis predictivo](https://www.predictiveanalyticsworld.com/). «No se trata de las matemáticas, ¡se trata de la gente!» gritó absolutamente a nuestro cautivado público, más fuerte de lo que había oído desde el instituto, cuando los profesores tenían que tomar el control de un aula de adolescentes. El sorprendente tono de Tom tocó la nota correcta (un Re bemol alto, para ser exactos). Los vendedores de análisis le dirán que su software es la solución. Pero, ¿la solución a qué? El problema en cuestión es optimizar sus operaciones a gran escala. Y la solución es una nueva forma de hacer negocios que integra el aprendizaje automático. Por lo tanto, una herramienta de aprendizaje automático solo sirve para una pequeña parte de lo que debe ser un proceso organizativo holístico. En lugar de seguir el ejemplo de un proveedor, prepare a su personal para gestionar la integración del aprendizaje automático como una tarea empresarial y, a continuación, permita que su personal determine una elección más informada de software de análisis durante una fase posterior del proyecto. **3) No se lance a hacer cálculos numéricos: planifique estratégicamente el despliegue** El error más común que descarrila los proyectos de análisis predictivo es lanzarse al aprendizaje automático antes de establecer una ruta hacia el despliegue operativo. El análisis predictivo no es una tecnología que simplemente se compra y se conecta. Es un paradigma organizativo que debe[cerrar la brecha entre la cultura cuantitativa y empresarial](http://analytics-magazine.org/trick-predictive-analytics-bridge-quantbusiness-culture-gap/) mediante un proceso de colaboración guiado conjuntamente por las partes interesadas estratégicas, operativas y analíticas. Cada proyecto de análisis predictivo sigue una[estándar, serie establecida de pasos](https://en.wikipedia.org/wiki/Cross-industry_standard_process_for_data_mining) que comienza primero por establecer cómo lo desplegará su empresa y, luego, trabaja hacia atrás para ver lo que necesita predecir y los datos que necesita para predecirlo, de la siguiente manera: 1. **Establecer el objetivo empresarial** — cómo se integrará el modelo predictivo para tener un impacto positivo activo en las operaciones existentes, por ejemplo, mediante una segmentación más eficaz de las campañas de marketing de retención de clientes. 2. **Definir un objetivo de predicción específico** para cumplir el objetivo empresarial, para lo que debe contar con la aceptación de las partes interesadas de la empresa, como el personal de marketing, que debe estar dispuesto a cambiar su segmentación en consecuencia. He aquí un ejemplo: _«¿Qué clientes actuales con una antigüedad mínima de un año y que hayan comprado más de 500 dólares hasta la fecha cancelarán en un plazo de tres meses y no volverán a unirse hasta dentro de tres meses?»_ En la práctica, las tácticas empresariales y las restricciones pragmáticas suelen significar que el objetivo de predicción debe definirse de forma aún más específica que eso. 3. **Prepare los datos de entrenamiento** con el que funcionará el aprendizaje automático. Esto puede suponer un obstáculo importante y, por lo general, se espera que requiera el 80% de la carga de trabajo práctica del proyecto. Es una tarea de programación de bases de datos, mediante la cual los datos existentes en su forma actual se reactivan para adaptarlos a las necesidades del software de aprendizaje automático. 4. **Aplique el aprendizaje automático** para generar el modelo predictivo. Esta es la parte de «ciencia espacial», pero no es la que más tiempo requiere. Es la etapa en la que cuenta la elección de la herramienta de análisis, pero, inicialmente, se pueden probar las opciones de software y compararlas con las licencias de evaluación gratuitas antes de tomar una decisión sobre cuál comprar (o qué herramienta gratuita de código abierto utilizar). 5. **Despliegue el modelo.** Integre sus predicciones en las operaciones existentes. Por ejemplo, dirija una campaña de retención al 5% de los clientes más populares para los que sea más probable que respondan afirmativamente a la pregunta «cancelará el cliente» definida en (ii). Hay dos cosas que debe saber sobre estos pasos antes de seleccionar las opciones de formación para sus líderes en análisis predictivo. En primer lugar, estos cinco pasos implican un amplio retroceso e iteración. Por ejemplo, solo ejecutando el paso (iii) podría quedar claro que no hay datos suficientes para el objetivo de predicción establecido en el paso (ii), en cuyo caso hay que volver a visitarlos y modificarlos. En segundo lugar, al menos para sus primeros proyectos piloto, necesitará contratar a un consultor externo de aprendizaje automático para las partes clave del proceso. Normalmente, su personal no debería esforzarse por convertirse inmediatamente en profesionales autónomos y prácticos del núcleo del aprendizaje automático, es decir, el paso (iv). Si bien es importante que los líderes del proyecto aprendan los principios fundamentales del funcionamiento de la tecnología (para entender tanto sus requisitos de datos como el significado de las probabilidades predictivas que genera), un experto cuantitativo con proyectos anteriores de análisis predictivo en su cartera debería intervenir en el paso (iv) y también ayudar a guiar los pasos (ii) y (iii). Puede ser un compromiso relativamente ligero que mantenga la rentabilidad del proyecto en general, ya que seguirá ejecutando internamente los pasos que más tiempo requieren. Buena suerte y feliz predicción.