3 tipos de análisis de datos para mejorar la toma de decisiones

4 min read
16 de febrero de 2021

Saber interpretar los datos es un gran desafío para todas las empresas. Existen 3 tipos de análisis que pueden hacerse para llevar a cabo esta tarea de manera efectiva. 

El ambiente competitivo de los últimos años se ha caracterizado por la utilización de estrategias para entrar en la ola de la transformación digital. Esto ha hecho que las empresas tomen medidas para no reducirse a nichos de mercado muy pequeños o incluso enfrentar la desaparición de su organización.

En este contexto, hay un elemento clave que guía el éxito o el fracaso de la implementación de estas estrategias: la toma de decisiones basada en el análisis de los datos en contexto.

A continuación veremos los 3 tipos de análisis de datos que emplean las organizaciones para guiar la toma de decisiones informadas. Análisis descriptivo, predictivo y  prescriptivo.

3 tipos de análisis de datos

3 tipos de análisis de datos

1. Análisis descriptivo

El análisis descriptivo se utiliza cuando la organización tiene un gran conjunto de datos sobre eventos pasados o sucesos históricos. Para que estos datos sean útiles, deben simplificarse y resumirse con el fin de que sean entendibles para la audiencia a la que se quieren comunicar.

Lee también: ¿cómo implementar modelos de big data?

Normalmente el análisis descriptivo parte de un gran conjunto de datos que a simple vista no ofrecen mucha información, pero que, al utilizar aplicaciones de software para su tratamiento (limpieza, ordenamiento, transformación, visualización), permiten expresar de una forma comprensible lo que ha venido pasando en las organizaciones. Con esta información se toman acciones que se adapten a los objetivos de la empresa.

Un ejemplo de ello es toda la información de compras que recolecta una cadena de supermercados por día. Si solo se observan los cientos de miles o millones de registros que se producen diariamente, se dificulta saber cómo ha operado el negocio respecto a ciertos atributos.

Por eso es importante utilizar herramientas de análisis descriptivo. Con ellas podremos saber, por ejemplo, el top de los productos que mejor se han vendido, en qué áreas geográficas se han vendido mejor ciertos artículos o si las campañas de mercadeo fueron exitosas en comparación con otras anteriores. Y, con esos datos, la organización puede planear más efectivamente sus inventarios.

Otro ejemplo sería el otorgamiento de crédito de consumo, un proceso de negocio que es automatizado. Con el análisis descriptivo de datos podríamos saber cuántas solicitudes ha procesado la plataforma, cuántas de estas solicitudes han resultado en un desembolso,  cuántas fueron rechazadas por cada tipo de causa, cuál es el tiempo promedio que ha durado cada actividad del proceso o cuántas han sobrepasado el tiempo estipulado para completarlas. De este modo la organización puede medir cómo ha estado operando el proceso y así desplegar acciones de mejora que le ayuden a cumplir sus objetivos.

El análisis descriptivo de datos es el tipo de análisis que está presente en la gran mayoría de organizaciones y por el que normalmente se comienza. En este tipo de análisis es común observar tableros de control, gráficas de barras,  gráficas de pasteles, infografías y otros, como se puede ver a continuación.

grafica_tasa_de_cambio_peso_dolar

Gráfica descriptiva que muestra el comportamiento de la tasa de cambio peso colombiano-dólar los últimos 5 meses. Imagen tomada el 28 de abril de 2018 de https://dolar.wilkinsonpc.com.co/dolar.php

2. Análisis predictivo

La cantidad de datos que producimos hoy en día ha permitido popularizar ciertas técnicas y modelos matemáticos o estadísticos que han estado presentes desde hace muchos años.

Al utilizarlos con esta gran masa de datos, podemos pronosticar con cierta probabilidad lo que podría llegar a suceder. El análisis predictivo es, entonces, la aplicación de estas técnicas y modelos matemáticos y estadísticos a los datos históricos que posee la organización.

Aunque los análisis predictivos no intentan predecir el futuro al 100%, porque este tipo de análisis es probabilístico, sí pronostican qué podría suceder. Así se entienden las correlaciones entre variables y cómo podrían comportarse en un futuro. 

En este contexto de análisis predictivo, será frecuente encontrarnos con el término machine learning, que se ha popularizado en los últimos años, y que consiste en darle la habilidad de aprender a un sistema de cómputo. El machine learning nos permite con cierto grado de confiabilidad pronosticar un resultado.

Como ejemplo de análisis predictivo, tenemos los modelos que aprenden a detectar si una transacción con tarjeta de crédito es fraudulenta o no. De esa forma podemos desplegar con cierta confianza este modelo en producción.

<Conoce sobre big data, mercadeo digital y políticas de privacidad de datos>

También podemos seguir con el ejemplo de la cadena de supermercados. Esta puede realizar un análisis predictivo para pronosticar las características de los posibles clientes que podrían estar interesados en adquirir ciertos productos. Con esa información a la mano, las empresas podrían desplegar las acciones de mercadeo adecuadas para un conjunto de clientes que tengan una probabilidad alta de comprar ciertos productos.

A medida que las organizaciones avancen en los niveles de madurez en su transformación digital, este tipo de análisis dejará de ser un experimento para convertirse en una necesidad.

3. Análisis prescriptivo

El análisis prescriptivo va más allá de los dos tipos de análisis anteriores.

En primer lugar, le recomienda rutas de acción que puede seguir una empresa. Además, cuantifica el efecto de cada una de estas acciones para ayudar a tomar las mejores decisiones en pro de buscar los objetivos de negocio de la organización, como por ejemplo incursionar en un nuevo mercado, ubicar un producto en áreas específicas de un almacén con mejores probabilidades de venta o mitigar un riesgo que pueda enfrentar.

Conclusión

Anteriormente, y aún hoy, las organizaciones basaban sus decisiones en la intuición de las personas más experimentadas o en la de las personas mejor pagadas dentro de la compañía. Esto es útil cuando se está experimentando con un nuevo producto o servicio, cuando se quiere incursionar en un nuevo mercado que no existe o cuando no se pueden obtener datos que soporten las decisiones.

En caso contrario, las organizaciones deben valorar cada vez más la toma de decisiones informadas basándose en los análisis de datos en contexto.

Las empresas pueden empezar este proceso por el análisis descriptivo, que la mayoría de organizaciones aplica y que incluso ha perfeccionado, e invirtiendo cada vez más en desarrollar capacidades de análisis predictivo y prescriptivo que las hagan más a efectivas en las acciones que emprenden para responder a las necesidades de sus clientes y cumplir sus objetivos de negocio.

Nuevo llamado a la acción

Suscríbete al
Blog Pragma

Recibirás cada mes nuestra selección de contenido en Transformación digital.

Imagen form