Big Data: Comprensión de negocio II

Anddy I. Cabrera Carela.
Anddy I. Cabrera Carela.

En el artículo anterior vimos la etapa de identificación del reto de la organización que pertenece a la comprensión del negocio que es primera de las ocho fases para el procesamiento de grandes volúmenes de datos. Aquí puedes verlas si no las has visto aun:http://hoy.com.do/big-data-comprension-de-negocio/

Continuando con la segunda etapa que es la fijación de los objetivos una vez definimos el reto de la organización o del negocio,lo que nos tenemos que plantear es realmente qué queremos saber.

Normalmente nos quedamos a un nivel muy general, por ejemploen el caso de que una organización quisiera saber mássobre si sus clientes abandonan su servicios, es un problema muy habitual,pero tenemos distintos puntos de vista analíticosque podemos abordar para extraer conocimiento de los datos que nos ayude a afrontar el reto.
Observa todo lo que podemos preguntarnos con relación al abandono de los clientes:

¿Queremos, acaso, entenderlo que ha sucedido en el pasado, es decir, qué ocurrióy por qué abandonaron?, ¿quiénes abandonaron?O, tal vez, queremos saber sobre el presente:¿qué ocurre, qué debe hacer la empresa para evitar el abandono?¿Quién está abandonando ahora?Incluso, puede ser que queramos tener una visión a futuro:¿qué va a ocurrir,quién va abandonary qué debería hacer la empresa para mitigarlo?Es muy importante que tengamos claro el objetivo del análisis,exactamente qué queremos saber,porque cada objetivo tiene una técnica analítica distintay el tratamiento de información es diferente.

Al tener claro el objetivo, pasamos a la tercera etapa identificar a las personas involucradas para desarrollar el análisis.

Habrá personas dentro del ámbito de tecnología,que tendrán que identificar e implementar la tecnología necesaria para resolver el problema;habrá personas expertas en el plano analítico,que tendrán que plantear todo el modelo y el tratamiento de información;y, después, habrá personas conocedoras del negocio de la organización.

Por supuesto, tendremos que entender a quién le impacta este problema,quien nos puede aportar conocimientosy quien va a utilizar el análisis una vez que lo tengamos.

Posteriormente, tendremos que enfrentar la cuarta etapa, traducir este reto de organización a un problema analítico subyacente.

Por ejemplo, en este caso se podría aplicar un análisis descriptivo,en el cual mostraremos mediante estadísticas la realidad de lo que está pasando.Es decir, cuantos clientes han abandonadoy cuáles eran sus características.

O tal vez podríamos realizar un análisis inferencial,generalizando conclusiones muéstrales a poblaciones completas,por ejemplo, conociendo las causas por las que una muestra de clientesse ha ido de la compañía,analizando esta muestra podemos inferirqué clientes del conjunto restante de la organización tienen más probabilidad de irse,o, incluso, haciendo correlaciones entre variables,es decir, analizar la relación entre distintas variablesque tienen el mismo comportamientoo relaciones causa-efecto,por ejemplo, analizar cómo las decisiones de negocioque se han tomado previamente han incentivado que los clientes se vayan.

También, podríamos hacer análisis predictivos,determinando datos futuros en función a la información pasada,podríamos estimar los clientes que van a abandonar para poder ser proactivos,o podemos realizar análisis prescriptivosque nos permitan elegir la acción óptima a realizar en función de un futuro incierto.En nuestro ejemplo,sería elegir la mejor acción para mitigar el abandono.

Sobre el autor: Anddy I. Cabrera Carela es experto en IA, con un grado certificado por la Universidad de Harvard en Machine Learning. Además, es matemático, programador y estadístico.