Datos ¿preparados? ¿listos?… ¡Ya!
Muchas de las empresas ya se están subiendo al carro, empiezan a tomar decisiones basadas en datos, empiezan a ser empresas data driven, donde el dato es el único que tiene la razón, y aunque no ría el último, siempre ríe mejor.
Por ejemplo, quizás os hayáis dado cuenta que, en las reuniones del equipo estratégico de la empresa, ya no hay informes largos y detallados, justificando cada detalle y desviación del alcance de los objetivos, sino que hay unos KPI, con un objetivo marcado, mostrándonos si lo hemos alcanzado y su evolución. El dato es el que manda aquí. Este equipo es data-driven al trabajar y canalizar sus estrategias a través de los resultados que están analizando, teniendo constancia del estado en el que se encuentran a tiempo real.
Y… ¡Es genial!, pero, ¿y mañana? ¿y dentro de un mes? ¿el año que viene? ¿podemos llegar a ser proactivos y adelantarnos a los cambios? No disponemos de esta estimación, hace falta dar un paso más, pero no corras. No todo es coser y cantar. Primero hay que coser bien.
Empieza por algo sencillo, fácil, claro, y evidente. ¿Con qué problema te encuentras? ¿tienes muchos clientes que se dan de baja? ¿sabes quién son los que se darán de baja antes? Habrás oído hablar de big data, machine learning o inteligencia artificial. Ello es lo que nos puede dar pistas para dar solución al problema con el que nos encontramos. Pero tienes que simplificar, y tener claro el objetivo. Igual que cuando definimos o calculamos un KPI, hay que saber que necesitamos para su cálculo y si es ello lo que realmente nos va a proporcionar la información que queremos contemplar.
Machine Learning, ¿cómo afrontarlo? Hazte una pregunta concreta, exacta. Por ejemplo, “¿El cliente va a pagar?” y el algoritmo te dirá, “Sí” o “No”. Una vez definido, necesitamos ingredientes que justifiquen ese “Si” o ese “No”. Empieza por preguntarte por qué tus clientes pagan y por qué no lo hacen, y encuentra los datos que necesites para prevenir la posible morosidad. Muchas veces tenemos suficientes, pero no sabemos cómo tratarlos o agruparlos para detectar aquello que queremos. Y no hace falta que empieces con Big data, el small data también tiene su jugo, una cantidad ingente de información no garantiza buenos resultados, es más importante disponer de datos de calidad que de muchos datos. Éstos organizados y agrupados son los que alimentarán las decisiones que tomará el algoritmo, por ello es importante que sean veraces, y aporten conocimiento en su análisis.
Fase previa definida. Quizás la más crítica e importante. Lo demás será cantar. Continuamos. La elección del modelo o el algoritmo matemático. No todos valen para todo. Cuando hemos definido previamente todo el alcance y escogido los datos que necesitamos para alimentar el modelo, es cuando tenemos que plantearnos que algoritmo es el que más se puede adecuar. ¿y lo elegimos y lo aplicamos? Sí, pero siempre hay que ser un poco más ambicioso. Una buena práctica es probar diferentes algoritmos para comparar errores y predicciones, y quedarnos con el que mejores resultados nos aporte.
Después evalúa. Con datos reales evalúa lo bueno que es tu modelo prediciendo casos que desconoce. ¿Predice que en septiembre voy a tener unas ventas de 200 unidades y realmente han sido 190 unidades? Tu modelo funciona, y funciona bien. No podemos esperar una respuesta perfecta. Siempre se cometerá un cierto porcentaje de error debido a factores que no se pueden contemplar o que no se han contemplado en los datos. Pero, analiza, tu predicción no es mala. Se ha aproximado mucho a la realidad, y te ha permitido tener una previsión de ventas, que, por lo tanto, ha repercutido en gestión de stock.
Y finalmente, transmite. Después de esta brujería, tan importante ha sido llevarla a cabo como va a ser informarla. Tu equipo, personal, coordinadores y responsables deben tener la información para poder actuar sin ir a ciegas, para que sean proactivos, para que no esperen a que se encienda el fuego para apagarlo. Quizás ese es uno de los grandes valores añadidos que puede aportar a una organización, la capacidad de adelantarse, o mínimamente prepararse. El entorno ya tiene suficiente incertidumbre, y si podemos tratar de esclarecerla, somos los que tenemos que apostar por ello.
Danny Lange – director de Machine Learning de Uber – dice Machine Learning debe llevarse a todos los rincones de la empresa, pero, y vosotros, ¿dónde vais a llevarlo?
Photo by rawpixel on Unsplash
