Analítica

Qué es y por qué es importante

¿Qué es la analítica?

La analítica es un campo incluyente y multidimensional que utiliza matemáticas, estadística, modelos predictivos y técnicas de aprendizaje basado en máquina para hallar patrones y conocimientos significativos en datos grabados.

Hoy día, agregamos computadoras poderosas a la variedad para almacenar cantidades cada vez mayores de datos y ejecutar algoritmos de software avanzados – produciendo con ello los rápidos insights que se necesitan para tomar decisiones basadas en hechos. Poniendo a trabajar la ciencia de los números, datos y el descubrimiento analítico, podemos averiguar si lo que pensamos o creemos en en realidad cierto. Y producir respuestas a preguntas que nunca pensamos formular. Ése es el poder de la analítica.

¿Por qué es importante la analítica?

Desde el primer proyecto conocido de recopilación de datos de la población realizado por el gobierno sueco en 1749, hasta la grabación y análisis de Florence Nightingale de datos de mortalidad en la década de 1850, hasta el estudio del tabaco y el cáncer pulmonar del académico británico Richard Doll en la década de 1950, la analítica de datos ha alimentado el descubrimiento de conocimientos por cientos de años.

Cada uno de los escenarios anteriores requería una respuesta a una pregunta hasta ahora sin respuesta. En la década de 1700, los suecos deseaban conocer la distribución geográfica de su población para aprender la mejor forma de sostener una fuerza militar apropiada. Nightingale deseaba conocer el rol que la higiene y los cuidados de enfermería desempañaba en los índices de mortalidad. Doll deseaba saber si las personas que fumaban eran más propensas a sufrir cáncer de pulmón.

Cada uno de estos pioneros sabía que el instinto no era suficiente. La analítica de datos puede descubrir correlaciones y patrones. Hay menos necesidad de recurrir a suposiciones o a la intuición. Y puede ayudar a responder los siguientes tipos de preguntas:

  • ¿Qué sucedió?
  • ¿Cómo o por qué sucedió?
  • ¿Qué sucede ahora?
  • ¿Qué es probable que suceda después?

Con computadoras más rápidas y poderosas, hay muchas oportunidades de utilizar la analítica y el big data. Ya sea para determinar riesgo de crédito, desarrollar nuevos medicamentos, hallar formas más eficientes de entregar productos y servicios, prevenir fraude, descubrir ciberamenazas o retener a los clientes más valiosos, la analítica le puede ayudar a entender a su organización – y al mundo que la rodea.

 

Más sobre analítica

 

Las decisiones basadas en hechos se han vuelto nuestra ventaja competitiva. La decisión entre usar o no la analítica no era más una opción.

Dan Ingle
Vicepresidente de tecnología analítica de Kelley Blue Book
Lea la historia

Métodos analíticos populares

Existen tres tipos predominantes de analítica que se usan hoy día.

  • Estadística descriptiva. La estadística descriptiva ha estado entre nosotros la mayor cantidad de tiempo. ¿Recuerda a los suecos en 1749? La tabulación de la población fue una incursión temprana en el análisis descriptivo – el resumen de puntos de datos recopilados. Éstos son los modelos que le ayudarán a entender lo que sucedía y por qué. Se siguen utilizando muchas formas de analítica descriptiva hoy en día – todo, desde cuántos clics recibe una página hasta cuántas unidades se producen versus cuántas se venden.
  • Analítica predictiva. La analítica predictiva ha tenido un gran aumento de popularidad. El deseo de predecir el comportamiento del cliente ha sido un motor importante. El incremento en el poder de cómputo con la posibilidad de ejecutar cientos o miles de modelos con rapidez – y la adopción generalizada de técnicas predictivas como las máquinas de vectores de soporte, las redes neurales y los bosques aleatorios – impulsan el análisis predictivo al primer plano de operación de muchas organizaciones. Estos modelos usan datos pasados y algoritmos predictivos que le ayudan a determinar la probabilidad de lo que ocurrirá después.
  • Analítica prescriptiva. La analítica prescriptiva es el más nuevo chico de la cuadra. Saber lo que sucederá y saber qué hacer son dos cosas diferentes. La analítica prescriptiva responde la pregunta de qué hacer proporcionando información sobre decisiones óptimas basadas en los escenarios futuros anticipados. La clave para la analítica prescriptiva es poder utilizar el big data, datos contextuales y mucho poder de cómputo para producir respuestas en tiempo real.

Cómo obtener el mayor valor de la analítica

Analítica es un término ampliamente utilizado. ¿Cómo determina qué tipo de analítica es el correcto para su organización? Al igual que la mayoría de los viajes, un destino analítico es un buen lugar para comenzar. Incluso si es el más básico. Tiene que saber a dónde desea ir y qué desea ver. Y reunir lo que necesita para llegar ahí.

En el trayecto en la analítica de hoy, usted tiene datos. Tiene computadoras. ¿Qué hace después? El primer paso es determinar qué problema intenta resolver o qué respuestas busca. ¿Qué parte de su organización necesita mejoras? ¿Qué decisiones necesita tomar? ¿Cuál es la meta de su trayecto en la analítica? De forma más específica, es posible que desee responder preguntas como éstas:

  • ¿Cuánto debemos cobrar por un producto en particular?
  • ¿Dónde deberíamos construir una nueva planta de manufactura?
  • ¿Quién recibe el catálogo o folleto más reciente?
  • ¿Qué tasa de interés debería recibir cada cliente?
  • ¿Por qué perdemos clientes en una región en particular?

Con los datos correctos y los modelos analíticos apropiados, usted podrá responder esas preguntas y más. La oportunidad de producir conocimientos e insights nunca ha sido mayor.

Cómo comenzar a usar la analítica

Lo más probable es que su trayecto en la analítica implique un esfuerzo de equipos multidepartamentales. El ciclo de vida de la analítica es iterativo e interactivo. Miembros del personal con diferentes formaciones profesionales y habilidades deben participar en diferentes etapas del proceso. Para lograr los mejores resultados, las organizaciones necesitan asignar personas con las habilidades correctas y permitirles trabajar juntas.

  • Un gerente de negocios identifica un problema que requiere insights generados por la analítica, toma la decisión de negocios basándose en los análisis y monitorea los resultados de esa decisión.
  • Un analista de negocios realiza exploración y visualización de datos y trabaja para identificar variables clave que influencian los resultados.
  • Los equipos de TI y de gestión de datos ayudan a facilitar la preparación de datos, la implementación de modelos y el monitoreo.
  • Un científico o minero de datos realiza tareas más complejas de análisis exploratorio, segmentación descriptiva y modelado predictivo.
  • Algunas organizaciones incluso crean roles para directores de analítica y contratan más científicos de datos para apoyar el deseo cada vez mayor de obtener respuestas e insights con bases analíticas.

Centre su trayecto en torno a un ciclo de vida iterativo

En SAS, separamos el trayecto en la analítica en pasos iterativos más detallados, a lo que llamamos el ciclo de vida analítico.

  • Identifique el problema. Las unidades de negocios especifican la necesidad, el alcance, las condiciones del mercado y la meta relacionados con el asunto de negocios que desean resolver, lo que llevará a la selección de una o más técnicas de modelado.
  • Prepare datos para análisis. Dependiendo de la pregunta de negocios y de los métodos de análisis propuestos, este paso implica el uso de técnicas especializadas para localizar, acceder a, depurar y preparar los datos para lograr resultados óptimos. En nuestro mundo de datos polifacético, eso se podría traducir en datos de sistemas transaccionales, archivos de texto no estructurados y almacenes de datos.
  • Explore datos. Ahora es el momento de explorar los datos de manera interactiva y visual para identificar con rapidez variables, tendencias y relaciones relevantes. (La forma de los datos cuando se grafican variables se conoce como distribución de datos. Puede utilizar formas o figuras para identificar los patrones.)
  • Transforme datos y cree modelos. Un analista o constructor de modelos calificado construye el modelo utilizando software estadístico, de minería de datos o de minería de texto, incluyendo el recurso decisivo de transformar y seleccionar variables clave. Los modelos necesitan construirse con rapidez de modo que los constructores de modelos puedan aplicar técnicas de ensayo y error para obtener el modelo que produzca los mejores resultados.
  • Pruebe y valide modelos. Una vez construido, el modelo es registrado, probado (o validado), aprobado y declarado listo para su uso contra sus datos. Con un repositorio de modelos centralizado, usted puede almacenar documentación extensa acerca del modelo, código de valoración y metadatos asociados (datos acerca de los datos) para compartirlos en colaboración y realizar el control de versión necesario para fines de auditoría.
  • Implemente modelos. Cuando es aprobado para su uso en producción, el modelo se aplica a nuevos datos para generar insights predictivos.
  • Monitoree y evalúe modelos. Se monitorea el desempeño predictivo del modelo para garantizar que esté actualizado y entregue resultados válidos. Si se degrada el desempeño del modelo, es tiempo e hacer cambios. Cuando deja de funcionar o ya no satisface una necesidad de la empresa, se retira de circulación.
analytical life cycle

El ciclo de vida de la analítica le guía por los pasos necesarios para producir insights basados en hechos que conducen finalmente a una ventaja competitiva.

 

Soluciones analíticas recomendadas de SAS

Conozca más acerca de soluciones analíticas para su industria.

¿Desea más insights?

Big data

Obtenga más insights acerca de big data, incluyendo artículos, investigación y otros temas candentes.

Fraude y seguridad

Descubra nuevos insights sobre fraude y seguridad a través de investigación, artículos relacionados y mucho más.

Marketing

Explore insights de personas influyentes del marketing sobre diversos temas puntuales.