Tabla de contenidos
El análisis predictivo es la rama de minería de datos que tiene relación con la predicción de las probabilidades y tendencias futuras. Permite extraer conclusiones confiables sobre eventos futuros, a través de la aplicación de métodos estadísticos, matemáticos y de reconocimiento de patrones. ¿Qué aplicaciones tiene en la empresa? ¿Qué diferencia con Business Intelligence?
El elemento central del análisis predictivo es el predictor, una variable que puede ser medida para una entidad individual o de otro tipo para predecir el comportamiento futuro. Por ejemplo, en una compañía de seguros, es probable que se tengan en cuenta los posibles predictores de conducción de seguridad, tales como la edad, el género y registro de conducir, al momento de la cotización de pólizas de seguros de automóviles.
Predictores múltiples se combinan en un modelo predictivo que, cuando se somete a análisis, se puede utilizar para predecir probabilidades futuras con un nivel aceptable de fiabilidad. En modelos de predicción, se recopilan los datos, se formula un modelo estadístico, se hacen las predicciones y el modelo se valida, con los datos adicionales que estén disponibles. El análisis predictivo se aplica a muchas áreas de investigación, incluyendo la meteorología, la seguridad, la genética, economía y marketing.
Figura 1 – Diferencias entre Business Intelligence y Análisis predictivo
Modelos de predicción
El modelo predictivo es un proceso utilizado en el análisis para crear un modelo estadístico de comportamiento futuro. El análisis predictivo es el área de minería de datos en cuestión, con probabilidades de pronóstico y tendencias.
Un modelo predictivo se compone de un número de predictores, que son factores variables que pueden influir en el comportamiento o resultados futuros. En la comercialización, por ejemplo, un cliente de género, la edad y el historial de compras podrían predecir la probabilidad de una futura venta.
En modelos de predicción, se recopilan los datos para los indicadores relevantes, se formula un modelo estadístico, se hacen las predicciones y se valida el modelo con los datos adicionales que estén disponibles. El modelo puede emplear una ecuación lineal simple o una red neuronal compleja, trazada por software sofisticado.
El modelo predictivo se utiliza ampliamente en la tecnología de la información (TI). Por ejemplo, en los sistemas de filtrado de spam. Los modelos de predicción a veces se utiliza para identificar la probabilidad de que un determinado mensaje es spam. Otras aplicaciones de los modelos de predicción incluyen:
- Gestión de relaciones con clientes (CRM).
- Planificación de capacidad.
- Gestión del cambio.
- Recuperación de desastres.
- Gestión de la seguridad.
- Aplicaciones de ingeniería.
- Meteorología.
- Planificación de la ciudad.
Análisis de la relación con el cliente (CRA – Customer Relationship Analysis)
EL análisis de relaciones con clientes (CRA) es el tratamiento de los datos sobre los clientes y su relación con la empresa con el fin de mejorar las ventas futuras de la compañía, el servicio y el costo. Este término es generalmente sinónimo de análisis de CRM.
El análisis de relaciones con los clientes puede ser considerado una forma de procesamiento analítico en línea (OLAP – On Line Analytical Processing) y puede emplear la minería de datos. Dado que los sitios WEB han añadido una nueva forma para interactuar con los clientes, la conversión de los datos recogidos acerca de los clientes en información útil en general, se ha convertido en una necesidad del negocio. Como resultado, un número de empresas de software han desarrollado productos que pueden hacer análisis de datos de clientes.
Según un artículo publicado en InfoWorld, el análisis de relaciones con los clientes puede proporcionar grupos de segmentación de clientes. Por ejemplo, en su forma más simple, dividiendo a los clientes en los que tienen más o menos probabilidad de recompra de un producto). Otras utilidades son:
- Análisis de la rentabilidad: qué clientes llevan a la mayor ganancia en el tiempo.
- Personalización: la capacidad de hacer ofertas personalizadas a los clientes en base a los datos recogidos acerca de ellos.
- Monitorización de eventos. Por ejemplo, cuando un cliente llega a un determinado volumen en dólares de las compras.
- Escenarios what-if: qué tan probable es que un cliente o categoría de clientes que compró un producto a compre uno similar.
La recopilación y análisis son vistos como un proceso continuo e iterativo. Idealmente, las decisiones empresariales en tiempo son refinadas según los comentarios de anteriores análisis y las decisiones correspondientes.
Beneficios del análisis de la relación del cliente
Se dice que no sólo conducen a mejores y más productivas relaciones con los clientes en términos de ventas y servicios, sino también a la mejora en la gestión de la cadena de suministro (baja de inventario y una entrega más rápida). Por lo tanto, se pueden alcanzar costos más bajos y precios más competitivos.
Uno de los principales desafíos implícitos en el análisis de relaciones con los clientes es cómo integrar el software de análisis con los sistemas heredados existentes, así como con otros sistemas nuevos. El uso del sitio WEB por parte del cliente es una nueva área para recoger datos y desarrollar aplicaciones predictivas.
División consultoría Evaluando Software