Optimización, Big Data, Data Science y tantos otros términos…

En estos tiempos es muy común encontrarse con muchos términos relacionados con “Analytics” que suenan en diversos lugares: Big Data, Data science, Machine Learning, Análisis de datos, Análisis predictivo, Análisis prescriptivo. Junto con estos términos surgen varias preguntas lógicas: ¿Todos estos términos se refieren a lo mismo? ¿Cada uno de estos términos es un mundo distinto? ¿Algo de todo esto realmente sirve o son simplemente una moda? ¿Me estoy perdiendo de algo importante por no usar ninguna de estas cosas?

Para responder un poco todas estas preguntas podemos empezar por las más fáciles. En primer lugar, tenemos las similitudes.

Sin pretender ahondar en una taxonomía estricta de los términos, la mayor similitud entre ellos es que se suele hablar de todos estos dentro del gran paraguas de “Data Analytics” para hacer referencia al uso de datos con fin de obtener algún tipo de información útil.

Esto nos ayuda rápidamente a responder otras de las preguntas. Sí, seguramente si no estamos usando nada de esto nos estamos perdiendo de algo importante. Si bien no es verdad que absolutamente toda empresa tiene un problema relacionado a Data Analytics, es mucho más común tener este tipo de problemas que no tenerlo. Lo que es más, la mayoría de las empresas tienen este tipo de problemas y ni siquiera tienen conocimiento sobre ello. En algunos casos, aún teniendo el conocimiento sobre el problema, no es una tarea simple saber a quién acudir para buscar una posible resolución. En líneas generales, utilizar algún tipo de solución relacionada a Data Analytics nos va a proveer una herramienta para mejorar los procesos operativos de nuestra empresa, reduciendo costos mediante la optimización de procesos, generando más ganancias al entender mejor el mercado que se maneja, entre otras opciones.

¿Es todo lo mismo o hay diferencias? Sí, hay diferencias, y notorias a veces. Hoy en día es muy común encontrar en auge al análisis predictivo. Este auge está fundamentado por diferentes lados. Por un lado, los avances científicos relacionados al área en los últimos años han hecho que se puedan resolver problemas que antes no se podían. Por otro lado, las preguntas que, a veces, puede responder el análisis predictivo resultan muy seductoras. “Si uso este esquema de precios, ¿cuántos clientes de determinado segmento van a seguir comprando?”. “Si ofrezco este determinado servicio, ¿cuál es la demanda que voy a tener en cierto momento?”. Sin embargo, este no es el único tipo de análisis de los datos que existe.

Resultaría realmente muy ambicioso poner un límite tajante que divida a las diferentes aplicaciones dentro del área de Data Analytics, pero en varias ocasiones se suele realizar la división entre Análisis Descriptivo, Análisis Predictivo y Análisis Prescriptivo.

Análisis Descriptivo:

Una pauta que nos ayuda a definir cada una de estas subáreas es ver que preguntan intentan responder. En el caso del Análisis Descriptivo esa respuesta sería “¿Qué pasó?”. Es decir, dados los datos relacionados a una empresa, podemos describir qué fue lo que realmente pasó. Es un análisis que parece muy ingenuo dado que solamente describe lo que ya sucedió. Sin embargo, los problemas relacionados a un buen análisis descriptivo suelen no ser nada simples contrario a lo que su nombre sugiere. Muchos de estos problemas están relacionados a la visualización de la información. Un correcto análisis descriptivo asociado a una visualización correcta puede evidenciar conclusiones importantes sobre la operatoria de una empresa que podrían pasar desapercibidas en caso de hacerlo erróneamente.

En muchas ocasiones, este tipo de análisis es muy valorado por las empresas ya que dejan al descubierto propiedades de la operatoria que las mismas personas encargadas de dicho proceso no creían que fuese así en su percepción cotidiana. Además, el Análisis Descriptivo muchas veces resulta un importante punto de partida para las siguientes etapas.

Depende donde se consulte, a veces al Análisis Descriptivo se lo subdivide en una segunda etapa denominada Análisis de Diagnóstico. Una vez resuelta la pregunta “¿Qué pasó?”, queremos responder la pregunta “¿Por qué pasó?”.

Análisis Predictivo:

El tipo de análisis que está en boca de todos en estos días. Busca responder la pregunta “¿Qué va a pasar?”. Como mencionamos antes, es un tipo de análisis muy seductor porque intenta responder preguntas que predicen eventos futuros como si fuese magia. “Si hago determinada campaña publicitaria, ¿qué nivel de retorno voy a tener?”. “Si tomo cierta decisión, ¿qué tan felices o tristes van a estar mis usuarios con el cambio?”.

Como es de imaginar, este análisis no es magia por más que intente predecir el futuro. Lo que se busca es, mediante los datos históricos de un cierto proceso, predecir lo que va a suceder en los diferentes escenarios posibles.

Lo interesante de los métodos utilizados para este tipo de análisis es que no dependen exclusivamente de reglas específicas diseñadas por los expertos de dominio del problema en cuestión. La idea es que los métodos son capaces de encontrar los patrones necesarios en los datos históricos para poder prever qué sucederá en un posible escenario futuro. De esta manera, este tipo de análisis agrega un valor “esclarecedor” en la misma línea que mencionamos para el Análisis Descriptivo, en el sentido de que descubren propiedades de la operatoria que pueden resultar no conocidas.

Análisis Prescriptivo:

Es el tipo de análisis que busca responder la pregunta “¿Qué tengo que hacer?”. Muchas veces encontramos en el auge del Análisis Predictivo que los clientes quieren de alguna manera utilizarlo para tomar ventaja con respecto a sus competidores. A veces sin realmente saber si hay algo interesante a predecir. Muchas veces sucede que en realidad esa ventaja se podría conseguir mediante el uso de Análisis Prescriptivo. Este análisis se basa en optimizar la operatoria actual relacionada a algún proceso de la empresa para hacerlo de la mejor manera. En estos casos se tiene una tarea para la cual existe una gran cantidad de opciones posibles para realizarla. Ejemplos de esto podría ser realizar la asignación de operarios a horarios, realizar la calendarización de la distribución de un producto, o buscar la forma de proponer descuentos a los clientes, entre muchos otros casos. Con los datos que se tienen para estas tareas, se pueden utilizar métodos de optimización para encontrar la manera óptima para realizar la tarea. La noción de óptimo no es siempre la misma y depende claramente de la tarea a realizar. A veces se busca minimizar los recursos desperdiciados u ociosos en un proceso. Otras veces se busca maximizar la ganancia. También existen muchos otros ejemplos de Análisis Prescriptivo con muy variadas componentes a optimizar.

El Análisis Prescriptivo es muy valorado por las empresas ya que genera un valor agregado que en muchos casos resulta tangible cuando se modifica un proceso que se encontraba diseñado a mano en base a la experiencia del encargado de la tarea, por una opción surgida en base a la sinergia entre los conocimientos del experto de dominio y un Análisis Prescriptivo robusto.

En resumen, el mundo de Data Analytics y la Optimización de Decisiones puede actuar desde diferentes ángulos para mejorar el funcionamiento de una empresa. Existen muchos ejemplos en donde los costos operativos son fuertemente reducidos o las ganancias aumentadas. En muchos casos esto se logra sin cambiar la visión de negocio o los objetivos principales de una empresa, sino mejorando ciertas decisiones de la operatoria que utilizan para hacer una utilización más eficiente de los recursos.