Actualizado el 03/12/2024

icon Facebook icon Twiiter icon RSS icon EMAIL
  1. Portada
  2. >
  3. Noticias
  4. >
  5. Claves para implantar un modelo predictivo

Claves para implantar un modelo predictivo

Escrito por Agencias Externas el 27/08/2019 a las 16:53:24
1790

Un modelo predictivo es un tipo de modelo estadístico que, aplicado a la realidad empresarial, nos permite inferir la probabilidad de que ocurran determinados sucesos antes de su consecución. Actualmente, las aplicaciones que más se demandan para este tipo de modelos son: las que pueden predecir qué clientes tienen más probabilidad de abandonar una compañía o de cometer un fraude, cuantificar la satisfacción de los clientes, identificar oportunidades comerciales según las tendencias del mercado o distinguir perfiles de consumidores en base a patrones de comportamiento.


De esta forma, lo que consiguen los modelos predictivos es alcanzar una visión previamente inaccesible y disponer de información de valor, que nos ayude a definir acciones de manera proactiva o reactiva, anticipándonos a determinados acontecimientos y corrigiendo situaciones o comportamientos indeseados. “Por ejemplo, con un modelo predictivo real se pueden encontrar casi diez veces más clientes con riesgo de fuga, gracias a la información desestructurada obtenida a partir de llamadas telefónicas”, matiza José Luis Cortina, Presidente de NEOVANTAS.


En los modelos predictivos se emplea una metodología que distingue una serie de acciones preliminares a llevar a cabo, antes de entrar a desarrollar el modelo y que permiten, a partir de un diagnóstico inicial, la identificación de aspectos críticos y patrones diferenciales para la posterior categorización de la información con herramientas de Analytics. De esta fase previa se obtiene una visión general de la situación de partida que resulta fundamental, no solo a la hora de la creación de variables con un alto valor predictivo, sino también de cara a trazar un mapa conceptual que aporte un elevado grado de conocimiento sobre el funcionamiento de la entidad, ahorre tiempo y evite incurrir en errores.


Una vez finalizada esta primera fase, se procede a elaborar el modelo predictivo en sí, empleando como base de entrenamiento los datos históricos que constituyen la información de interés y en los que se conoce la existencia de un determinado hecho. En la predicción de fuga de clientes, la base de entrenamiento para el modelo en este caso, estaría compuesta por el listado de todas las llamadas telefónicas con clientes que se hayan realizado en un periodo de tiempo determinado, y el registro de las bajas asociadas a dichas llamadas. A continuación, utilizando Machine Learning, se identifican patrones e interacciones subyacentes en el conjunto de datos en los que se dio el hecho en cuestión, en este caso, en aquellas llamadas que tuvieran asociadas una baja de un cliente.


El siguiente paso consiste en realizar una predicción fuera de muestra. Para ello, se extrapola la función calculada en la base de entrenamiento sobre el resto de los datos, para los cuales no se dispone de ningún tipo de información relacionada con el hecho foco del análisis. De esta forma, lo que obtendríamos sería un scoring con el que medir el riesgo de fuga de los clientes, en aquellas llamadas en las que no conocemos la existencia de bajas.


Ante todo ello ¿cómo podemos tangibilizar, como entidad, las aplicaciones derivadas de un modelo predictivo como este? “Es prioritario que esta información tan valiosa sea accesible a todos los niveles de una compañía, mostrándola de una forma rápida, gráfica y visual e incluyendo iniciativas de mejora predeterminadas. Gracias a esto facilitamos que ya no sólo sean figuras como las del Data Scientist aquellas capaces de analizar los resultados de la analítica avanzada, sino que ayudamos a universalizarlos para que puedan ser interpretados de forma autónoma y eficiente por todos los miembros de una organización, teniendo siempre en cuenta los protocolos de seguridad y niveles de autorización dependiendo del tipo de usuario”, indica el Presidente de NEOVANTAS.


Esto no solo permite distribuir inteligencia de cara a la toma de decisiones, tanto a nivel estratégico como operativo, sino que, además, contribuye a difundir y consolidar la cultura de datos en una organización, ya que cualquiera que forme parte de ella ahora puede entender y ver directamente la utilidad de la información y la analítica avanzada.


José Luis Cortina concluye, “tanto grandes como pequeñas empresas coinciden en que los modelos predictivos han llegado para quedarse, y cada vez tienen más asumido que, incorporarlos como una parte indispensable de sus modelos de negocio, tanto a nivel de procesos como de clientes, ha pasado de ser una fuente de ventaja competitiva para pasar a convertirse en una pura cuestión de supervivencia en el mercado”.