Modelos predictivos: qué son y cómo aplicarlos

Nuria Armengol
Compartir:
Parece que, todavía, hablar de modelos predictivos es hablar del futuro, pero la realidad es muy distinta. Ya en 2019 […]

modelos-predictivos

Parece que, todavía, hablar de modelos predictivos es hablar del futuro, pero la realidad es muy distinta. Ya en 2019 escribimos un artículo acerca de por qué predecir el comportamiento de clientes y empleados nos permitiría adelantarnos a los acontecimientos, pero parece que, todavía hoy, sigue existiendo un miedo generalizado a estos conceptos. 

Por aquel entonces, hablábamos de estudios que señalaban que, en 2020, el 64% de las compañías utilizarían machine learning y que, en 2025, la inversión en inteligencia artificial superaría los 20B$. ¿La realidad? La pandemia cambió los planes de la gran mayoría de las empresas, pero, hoy en día, el 50% de las empresas ha adoptado inteligencia artificial en, al menos, una función, según el informe global “El Estado de Inteligencia Artificial 2022”, de McKinsey & Company.

Ciencia de datos VS machine learning

Para entender qué es un modelo predictivo y a qué campo pertenece, es necesario entender otra serie de conceptos.

Al tratarse de un campo tan “experto” existe cierto desconocimiento generalizado acerca de los diferentes conceptos que engloban todo esto y las diferencias entre sí.

modelos-predictivos

En este sentido, podríamos diferenciar dos grandes bloques (aunque con puntos en común entre sí), que serían el data science y el machine learning: 

  • El machine learning se considera una rama de la inteligencia artificial que construye modelos matemáticos capaces de aprender de los datos (el aprendizaje empieza alimentando el modelo con datos y el propio modelo acaba identificando ciertos patrones que pueden ser utilizados para realizar predicciones)
  • La ciencia de datos es un campo interdisciplinar que une la inteligencia artificial, el conocimiento de un particular dominio, y la estadística (los científicos de datos usan diferentes métodos científicos, procesos y algoritmos para obtener conocimiento e “insights” de los datos).

A diferencia del aprendizaje automático, el objetivo de un estudio de ciencia de datos no tiene por qué ser la formación de modelos. Los estudios de ciencia de datos suelen tener como objetivo extraer conocimientos y perspectivas para apoyar el proceso humano de toma de decisiones sin crear un sistema de IA. Por lo tanto, aunque existe una intersección entre la ciencia de los datos y los otros campos adyacentes, la ciencia de los datos se diferencia de ellos, ya que no tiene que ofrecer un sistema inteligente o un modelo entrenado.

¿Qué es un modelo predictivo?

Un análisis predictivo es una herramienta que consta de varios procesos que, mediante técnicas computacionales, permiten predecir lo que puede ocurrir en el futuro y actuar frente a los imprevistos que puedan surgir. Así lo definen desde ESIC Business & Management School, desde donde añaden que “el objetivo es adelantarse para poder actuar con tiempo, así como encontrar nuevos mercados y oportunidades de negocio para la compañía”.

Existen diferentes técnicas de análisis de datos que van desde la regresión lineal, redes neuronales, árboles de decisión, XGBoost, entre otras, centradas en la interpretación de modelos. Porque, precisamente, lo que buscamos con un proyecto de ciencia de datos es detectar posibles palancas de actuación que se puedan llevar a cabo. 

Gracias al análisis predictivo, analizamos un conjunto extenso de datos (a través de estadística y algoritmos) y los interpretamos para detectar posibles patrones y obtener predicciones

Modelos predictivos aplicados a experiencia de cliente y experiencia de empleado

machine-learning

Esta predicción del comportamiento es muy útil para aplicarla tanto en nuestra estrategia de experiencia de cliente como en la de experiencia de empleado. Así, gracias a estas técnicas, podemos predecir desde la intención de baja de nuestros clientes, como la intención de salida de nuestros empleados. 

Por este motivo, es importante entender en qué consiste y cómo se puede aplicar o ir de la mano de alguien que pueda acompañarte en el proceso. De este modo, podremos paliar los principales miedos a la hora de abordar un proyecto de modelos predictivos:

  • Miedo al concepto: es normal tener miedo a lo desconocido, pero si lo desconocido se convierte en una ventaja competitiva, los miedos serán menores. 
  • Desconocimiento del potencial: muchas empresas poseen infinidad de datos con los que no saben qué hacer; contar con alguien que sea capaz de darles forma y convertirlos en insights accionables, cambiará nuestro concepto por completo.
  • Fracasos iniciales: es probable que muchas empresas no confíen en la fiabilidad del dato, por haber fracasado anteriormente; un buen partner que te acompañe en este proceso puede marcar un antes y un después en la manera de hacer las cosas.
  • Falta de pautas: al tratarse de algo tan específico, necesitamos expertos que puedan hacerse cargo de estos proyectos; contar con una metodología y unos pasos claros a seguir, nos ayudará a predecir con sentido y con éxito.

Casos de éxito en el uso de modelos predictivos

Como señalábamos al inicio, el uso de la IA en las empresas, en mayor o menor medida, se ha multiplicado en los últimos años. Esto ha hecho que contemos con ejemplos concretos de empresas que han conseguido darle la vuelta a sus resultados, apoyándose en la ciencia de datos.

Caso 1: Sistema de voz

Así, en un retailer con más de 50 tiendas y más de 2.000 empleados, cuyo reto era disminuir la rotación, analizamos qué empleados tenían más propensión a irse y qué hacer para lograr fidelizar a aquellos que era clave que se quedaran. Para ello, diseñamos un sistema de voz del empleado, incorporamos diferentes fuentes de voz internas y definimos un modelo de predicción continuo que nos permitió descifrar las cuatro claves para evitar la rotación y disminuimos la tasa.

Caso 2: Digitalización de los equipos

En otro caso, trabajamos con un grupo asegurador con más de 10.000 empleados que, durante la pandemia, necesitó trabajar la digitalización de sus empleados. El objetivo era buscar e identificar distintos arquetipos y saber qué era clave trabajar con cada uno de ellos para su adaptación y eficiencia en su día a día. 

A partir de ahí, llevamos a cabo un diagnóstico inicial de experiencia de empleado, incorporamos distintas fuentes de voz internas y realizamos un análisis de arquetipos y predicción por cada tipología que nos permitió entender las claves para trabajar con cada arquetipo y aumentar la satisfacción con las herramientas y la adaptación al proceso de digitalización.

Caso 3: Business intelligence

Por último, trabajamos con una energética que había hecho una segmentación con business intelligence para encontrar perfiles con propensión a la baja. Su propósito era reducir el churn rate, pero pese a hacer un gasto ingente, no lo conseguían. Como no daban con la tecla, creyeron que los clientes se les iban por precio e, incluso, estaban dispuestos a bajarlos, pero en el momento en el que preguntaron a los clientes de forma cualitativa y cuantitativa, vieron que el último de los elementos que impactaba en su baja era el precio. 

Lo que les segmentaba de verdad era el cuidado que recibían por parte de la empresa y si habían interactuado con ellos alguna vez o no. Pasaron de querer bajar los precios a querer retomar el contacto con los clientes. 

predecir-el-comportamiento

En definitiva, las posibilidades que nos ofrece la digitalización son infinitas. La clave está en saber hacer uso de ella, así como de los modelos predictivos, contar con acompañamiento especializado y adecuado, y atreverse a ello, entendiendo las ventajas que tiene para nuestro negocio.

Nuria Armengol
Compartir:
¿Te ha parecido interesante?

Suscríbete y recibe las mejores historias escritas por nuestros equipos.

Puedes cancelar tu suscripción en cualquier momento. Lee aquí nuestra política de privacidad