Data Mining & Business Intelligence

Predecir y explicar para alcanzar la
“Inteligencia Analítica”

El viejo paradigma del marketing

El modo en que las empresas interactúan con sus clientes ha cambiado drásticamente con el correr de los años. No se puede garantizar actualmente un negocio basado en clientes fieles de por vida y, por lo tanto, las empresas han comenzado a considerar que necesitan entender sus necesidades cada vez mejor y responder rápidamente a ellas. Por otro lado, los tiempos para dichas respuestas se van acortando, y ya no es posible esperar hasta que haya signos de insatisfacción por parte de los clientes. Para tener éxito, las empresas deben ser proactivas y anticiparse a sus comportamientos y deseos.

La cuestión de “entender las necesidades de los clientes” parecería ser un cliché de las empresas actuales. Arrastran concepciones marketineras de los ‘90 que quedan obsoletas ante los desafíos y panoramas actuales en los negocios.

Hoy, una empresa exitosa necesita reaccionar con anticipación a todas y cada una de las demandas de sus clientes. El mercado no puede esperar respuestas a largo plazo, y aquellas personas que hoy son sus clientes, mañana pueden dejar de serlo.

La interacción con el cliente no es tan simple como lo era en el pasado, en el que se aplicaba aquel viejo concepto de “comunicaciones integradas” que proponía Schultz para llegar a éste en forma personalizada. Hoy, las personas quieren interactuar con las empresas según sus propios parámetros o condiciones, lo que implica que hay que considerar una multiplicidad de criterios a la hora de evaluar los procedimientos adecuados para llegar al cliente. Resulta importante automatizar la oferta adecuada, a la persona adecuada, en el tiempo preciso y a través del canal más efectivo.

Es en este sentido que el Data Mining constituye una herramienta fundamental para que una empresa pueda conocer mejor a sus clientes, reducir los costos de sus campañas de marketing, saber qué otros productos ofrecer como así también retener a sus clientes actuales, reducir sus riesgos crediticios y optimizar el uso de sus recursos financieros, entre muchas otras aplicaciones.

En el caso de empresas industriales, el Data Mining le permitirá mejorar sus instancias de producción, reduciendo la posibilidad de fallas, optimizando el mantenimiento de sus equipos y su gestión de stocks.

 

¿Qué es el Data Mining?

El Dr. Juan Ale, especialista en Business Intelligence, Director de la Maestría de Data Mining en la Universidad Austral y responsable de estos análisis en Category Management Inc., lo define como “una tecnología emergente cuya finalidad es extraer información, o conocimiento, a partir de los datos que posea una organización”. Las principales características de esa información es que debe estar implícita en los datos, ser entendible, novedosa, válida y útil o accionable, es decir, debe permitir tomar alguna acción.

Kurt Thearling, otro especialista en esta disciplina, define al Data Mining como “la extracción automática de información predictiva oculta en las bases de datos”. Surge de la intersección de varias disciplinas o ramas del conocimiento, tales como Estadística, Inteligencia Artificial y Bases de Datos.

 

¿Cómo es el funcionamiento del Data Mining?

Data Mining permite buscar patrones en los datos de manera automática o semiautomática. Es decir, no se trata de verificar una hipótesis en los datos, sino más bien de generarla. Los algoritmos de Data Mining buscan información, o patrones, sin necesidad de que el usuario sospeche siquiera que esa información existe. En relación a esto, existe una leyenda urbana que cuenta que un gerente de una tienda minorista descubrió, gracias a un software de Data Mining, que los clientes de sexo masculino que compraban cerveza los fines de semana tendían a recordar el pedido de sus esposas de comprar pañales. Entonces, decidió ubicar los pañales al lado de la cerveza, lo cual desencadenó un crecimiento explosivo de las ventas. Seguramente el gerente del supermercado ni imaginaba que existiera esa regla de asociación entre esos productos.

 

Data Mining para predecir y explicar

Todas aquellas empresas que posean datos, sean de sus clientes, procesos productivos, actividades comerciales o inversiones pueden utilizar el Data Mining. Es decir, siempre que tengamos datos relativos a un proceso de negocio podemos utilizar Data Mining, el cual puede ser predictivo para saber qué va a ocurrir en el futuro o explicativo para comprender por qué han ocurrido las cosas de determinada manera. El Data Mining predictivo permitiría, por ejemplo, determinar qué clientes de una compañía de telefonía probablemente dejen el servicio en pocos meses. El Data Mining explicativo, por su parte, permitiría saber por qué motivo ciertos productos, en un proceso de fabricación, resultan fallados.

En áreas de negocio, la clave es encontrar información accionable, es decir, información que pueda ser utilizada para mejorar la rentabilidad.

 

Algunos ejemplos de aplicación del Data Mining

· Determinación de cuáles clientes de una empresa se estima que dejarán de serlo. La idea es saber esto con la suficiente anticipación para poder tomar acciones tendientes a evitar que el cliente se vaya.

· Ventas cruzadas, las cuales consisten en ofrecer a los clientes de ciertos productos, otros nuevos que pueden resultarles atractivos.

· Campaña de oferta de un producto nuevo: estimar cuales son los clientes que más probablemente respondan a la oferta.

· Específicamente en entidades financieras, comprensión y gestión de riesgo financiero, operaciones de futuros, gestión de préstamos, perfiles de clientes, análisis de lavado de dinero, determinación de tendencias en mercados de acciones, planeamiento de estrategias de inversión, etc.

· Constituye una ayuda invalorable para los diseñadores de productos y procesos, ya que éstos necesitan tomar decisiones en un ambiente incierto y dinámico, con recursos limitados y restricciones de tiempo.

· Permite segmentar las campañas de marketing en forma más precisa, como también alinear las mismas con mayor cercanía a las necesidades, deseos, actitudes y motivaciones de los clientes y prospectos de una empresa.

 

¿Data Mining o CRM?

El alcance de la tecnología del Data Mining llega mucho más allá del CRM e incluye cualquier proceso que conlleve la adquisición, interpretación y actualización en los datos (bien de origen interno o externo).

El CRM (Customer Relationship Management) es aquel proceso que trabaja y gerencia las interacciones de la compañía con sus clientes. Es un concepto que comenzó a aplicarse en los ‘90 bajo la idea de recopilar la mayor cantidad de información posible sobre los clientes, para poder dar valor a la oferta.

De esta forma, el CRM podría ayudar a analizar información sobre los clientes y dar respuesta a preguntas tales como ¿cuál fue el monto de las ventas este año en comparación con las del año pasado para mis diez clientes más fieles? Sin embargo, el Data Mining, al integrar herramientas de Inteligencia Artificial y Estadística, va más allá del CRM, y ayuda a encontrar propiedades y relaciones ocultas en la información almacenada en bases de datos. Permitiría responder preguntas como ¿cuál es la probabilidad que una persona que compró cerveza, también incluya en su compra snacks?

Según Kurt Thearling, el ideal es lograr la integración entre las herramientas de CRM y Data Mining, ya que ambas disciplinas pueden complementarse para brindarle a la empresa competitividad basada en el manejo de la información.

Si los datos necesarios se encuentran correctamente almacenados en una base de datos, puede aplicarse Data Mining para reconstruir y trabajar con modelos virtuales de cualquier comportamiento del cliente. La clave está en encontrar patrones relevantes para resolver los actuales problemas de negocio de la empresa.

 

La Inteligencia Analítica de las empresas

En relación a las herramientas de Data Mining, Thomas Davenport introduce el concepto de Inteligencia Analítica. El término “inteligencia” es sinónimo de información, mientras que el término “analítica” se relaciona con el uso de análisis estadísticos y modelos predictivos sofisticados, para vencer a los competidores a través de la selección de los mejores clientes, la aceleración del proceso de innovación y la optimización de la cadena de abastecimiento.

Según Davenport, la inteligencia analítica puede y debe ser aplicada en las empresas para orientar tanto las decisiones humanas como las totalmente automatizadas.

Se trata de un subsistema de Business Intelligence, es decir, del conjunto de tecnologías y procesos basados en datos, que sirve para comprender y analizar el desempeño de una empresa.

Las cinco fases de la competencia analítica

Fase 1: Analíticamente deficiente: no hay mejora en las operaciones ni se miden resultados.

Fase 2: Analítica localizada: se emplea para mejorar una o más actividades funcionales. Se mide el retorno sobre la inversión de aplicaciones individuales.

Fase 3: Aspiraciones analíticas: se usa para mejorar una capacidad distintiva. Se mira el desempeño futuro y el valor de mercado.

Fase 4: Compañías analíticas: se desarrolla una amplia capacidad analítica, orientada a la diferenciación, que constituye un significativo impulsor del valor y el desempeño.

Fase 5: Competidores analíticos: se compite totalmente en base a la maestría analítica, que es el impulsor primario del valor y el desempeño.

Las compañías más exitosas y sofisticadas desde una perspectiva analítica alcanzan la Fase 5, la cual se sostiene también por lo que el autor denomina los cuatro pilares de la competencia analítica:

· El análisis de la información es el fundamento de una capacidad distintiva y estratégica.

· El enfoque y la gestión de la inteligencia analítica involucran a toda la organización.

· La alta gerencia está comprometida con el empleo del enfoque analítico.

· Existe una ambición a gran escala. Las estrategias basadas en la inteligencia analítica constituyen la apuesta de la compañía a futuro.

Los competidores verdaderamente analíticos exhiben los cuatro atributos a la vez, mientras que las organizaciones menos avanzadas en este terreno pueden tener sólo uno o, como máximo, dos de ellos.

Muchas compañías generan estadísticas descriptivas sobre aspectos externos de sus negocios (ingresos por cliente, volumen promedio de pedidos, etc), pero las empresas líderes analíticas van más allá y utilizan modelos predictivos para identificar a los clientes más rentables, e integran los datos generados en la empresa y fuera de ella para obtener un mayor conocimiento del cliente.

En este sentido, la implementación del enfoque de inteligencia analítica apoyado a través del Data Mining llevará a las empresas a la toma de decisiones anticipadas que permitan generar valor en sus negocios y gestionar más eficazmente a sus clientes.

0 comentarios

Dejar un comentario

¿Quieres unirte a la conversación?
Siéntete libre de contribuir

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.