MANAGEMENT

La Era de la “Empresa Predictiva”

Actualmente, las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también anticiparse a las necesidades de sus clientes. La “Empresa Predictiva”, como algunos denominan a esta nueva etapa en los negocios, supone el uso de herramientas tecnológicas avanzadas que permiten pasar de un marketing centrado en el producto a uno centrado en el cliente, obteniendo importantes ahorros en campañas y duplicando incluso las tasas de respuesta a ellas.

Las aplicaciones de Business Intelligence (BI) o Inteligencia de Negocios representan una formidable herramienta para que las organizaciones puedan hoy explotar sus crecientes volúmenes de datos de clientes y transacciones para tener un panorama más certero de lo que está ocurriendo con el negocio.

Sin embargo, para tomar decisiones más rápidas y adecuadas, las empresas no sólo necesitan saber lo que ha pasado, sino también tener indicios sobre eventos futuros que les permitan orientarse y hacer frente de mejor manera a la fuerte competencia.

Algunos estiman que actualmente con el uso de herramientas de BI tradicionales más las de análisis predictivo, una empresa puede lograr ahorros superiores al 30% en costos de marketing o incluso duplicar las tasas de respuesta a sus campañas.

En ese escenario, compañías como Tibco Software y SPSS han venido promoviendo en el último tiempo un concepto denominado la “Empresa Predictiva”, aludiendo precisamente a la necesidad de llevar más allá de lo tradicional el análisis de los datos. Se trata de promover una nueva forma de hacer negocios que permite a las organizaciones anticiparse a las necesidades de sus clientes, crear nuevas oportunidades y evitar posibles problemas. Este tipo de herramientas conlleva también una nueva visión: pasar de un marketing orientado al producto a uno orientado al cliente.

Según Forrester, a mediados de este año más del 85% de las empresas orientadas a consumo planean enviar mensajes relacionados con marketing por uno o más canales de interacción. Sin embargo, la mayoría de esas organizaciones usa sólo reglas básicas de negocios sin apoyarse con herramientas de análisis predictivo para definir el mensaje que el cliente recibirá.

La Necesidad de Predecir

El análisis predictivo, que examina datos históricos usando algoritmos de data mining, permite a las empresas hacer predicciones más exactas sobre eventos futuros. IDC considera que las aplicaciones de este tipo generan un ROI (Retorno Sobre la Inversión) promedio de 145%, mucho mayor al generado por  otras aplicaciones de Inteligencia de Negocios. Sea cuál sea la causa de que la mayor parte de las empresas no cuente aún con sistemas predictivos, cada día es más evidente que para muchas industrias implementar este tipo de aplicaciones será pronto una exigencia para su competitividad.

Lo cierto es que tanto el análisis descriptivo como el predictivo no son nuevos. De hecho, técnicas basadas en algoritmos similares han estado disponibles desde hace más de 20 años. Lo que ha cambiado dramáticamente no es entonces la habilidad o capacidad para analizar los datos, sino la necesidad de realizar análisis predictivos para ser más competitivo.

En definitiva, comienza a florecer la conciencia de que ya sea para atraer a nuevos clientes, retener a los actuales o maximizar el valor de cada uno de ellos, las organizaciones necesitan mejorar la toma de decisiones utilizando sistemas de análisis predictivo integrados en sus procesos de negocios. De hecho, la retención de clientes tiene hoy un valor indiscutido, estimándose que si se mejora dicha tasa en sólo un 5%, puede aumentarse la rentabilidad de las empresas entre un 25% y un 85%, como sostiene Peppers & Rogers.
 
Actualmente, algunas de las tecnologías disponibles, como las bases de datos con capacidades predictivas en una arquitectura orientada a servicios (SOA), permiten integrar aplicaciones y procesos de negocios, ayudando al despliegue de aplicaciones predictivas, las cuales pueden operar incluso en tiempo real.

Las empresas que no basan sus decisiones en datos pueden perder clientes a tasas muy veloces, sin poder aprovechar las ventajas y oportunidades generadas por ventas cruzadas, por ejemplo.

Paso a Paso

Construir un almacén de datos analítico en una gran empresa supone un trabajo complejo, debido a las numerosas líneas de negocios existentes y a los múltiples clientes y vías de contacto con ellos. Sin embargo, la tarea debe emprenderse, puesto que es un paso crítico para ser una “Empresa Predictiva”. Y es sólo una primera etapa, puesto que después vienen otros desafíos también complejos.

Inicialmente, este proceso significará contar con sistemas tradicionales de Business Intelligence, es decir, aquellos que brindan la posibilidad de obtener reportes, con aplicaciones como dashboards KPI (Key Performance Indicators) o ROLAP (Relational Online Analytical Process), entre otros.

Aunque el ROI en estos sistemas de por sí ya es valioso, a veces es difícil de medir. Un datawarehouse, si está diseñado correctamente, también apoyará al análisis predictivo y con éste, el retorno sobre la inversión no sólo es notable, sino también más fácil de medir.

En tal sentido, es que algunos proponen combinar las soluciones de reporte de BI tradicionales con aplicaciones analíticas para obtener más beneficios en toda la organización, ya que de esa manera pueden comprender el comportamiento actual y pasado de los clientes, predecir futuros eventos y actuar ante esos escenarios, tomando decisiones más oportunas.

A pesar de que el ROI en estos casos es llamativo, los expertos, sin embargo, recomiendan no sólo concentrarse en esa medición, sino también calcular el Costo Total de Propiedad (TCO, por sus siglas en inglés). Lo importante es que al tener una arquitectura adecuada, el ROI también puede medirse usando ciclos de feedback en los sistemas de inteligencia de negocios.

Buscando un Modelo

Normalmente, el resultado de las técnicas de análisis predictivo se basa en modelos que utilizan datos históricos para pronosticar un resultado o una cantidad, brindando de paso alguna indicación de confiabilidad de la predicción. Un caso podría ser el uso de algoritmos para predecir ventas, en donde se utilizan entradas como edad, género y compras efectuadas para a partir de allí buscar las probabilidades de una venta futura.

Algunos modelos pueden usar información histórica de una campaña anterior, que incluye saber quiénes compraron, qué compraron y quiénes no lo hicieron. La base de datos entonces clasifica con diferentes “puntuaciones” a los prospectos o clientes más propensos a comprar. Para lograr lo anterior se requiere extraer, limpiar y preparar los datos relevantes, usar un algoritmo apropiado para construir el modelo en una muestra de datos, después validar el modelo con datos distintos y, finalmente, usar el modelo definido para calificar.

De esta forma, el modelo ayuda a determinar qué datos son relevantes y cómo combinarlos matemáticamente para realizar la predicción. Esta tarea es compleja, especialmente al usarse algoritmos de minería de datos, aunque con la tecnología disponible actualmente no representa una barrera infranqueable. Teóricamente, después de que se construye el modelo, el aspecto más complicado es saber si ha logrado hacer una calificación exacta para cada cliente, lo cual conlleva otra serie de dificultades a superar.

La minería de datos o data mining es una tecnología clave para la Empresa Predictiva, puesto que corresponde a la extracción de información a partir de los datos de una organización, previamente desconocida y potencialmente útil para la gestión del negocio. Esto significa que no es una simple herramienta para establecer asociaciones estadísticas, sino una tecnología que es fundamentalmente prospectiva, es decir, descubre factores y asociaciones que antes eran desconocidas, pudiendo claramente hacer predicciones.

En consecuencia, a través del análisis predictivo, las empresas no solamente gestionan mejor el presente, sino que además incrementan sus probabilidades de éxito en el futuro, respondiendo a preguntas clave como: ¿qué debemos hacer para reducir la tasa de pérdida de clientes?, ¿cómo podemos atraer a nuevos clientes? y ¿cómo puedo segmentar la base de datos de clientes según sus preferencias?

En la Empresa Predictiva, de esta forma, la estrategia de negocios queda así fundamentada en quien realmente debe conducirla: el cliente. Y con una ventaja muy relevante: equilibrar su nivel de satisfacción con su rentabilidad para el negocio.