Análisis predictivo frente a análisis prescriptivo: ¿en qué se diferencian?
El análisis descriptivo, el análisis de diagnóstico, el análisis predictivo y el análisis prescriptivo son los cuatro tipos de análisis de datos que las empresas utilizan hoy en día. Cada una de estas categorías desempeña un papel importante en el proceso de toma de decisiones. Mientras que el análisis de diagnóstico busca las razones que hay detrás de un suceso, el análisis descriptivo sólo cuenta los hechos de lo que ha ocurrido. Pero, ¿en qué se diferencian la analítica predictiva de la prescriptiva?
El campo del análisis predictivo examina lo que está por venir y hace predicciones sobre lo que podría ocurrir en un futuro próximo. La analítica prescriptiva es lo que viene después, que hace recomendaciones sobre qué pasos concretos hay que dar para obtener los mejores resultados posibles. Este artículo amplía nuestra guía "¿Qué es el análisis prescriptivo?" contrastando los enfoques de análisis predictivo y prescriptivo.
Cartografiar el pasado y diagnosticar las causas
El análisis descriptivo transforma los registros de transacciones, las métricas operativas y los registros de tráfico web en visualizaciones y estadísticas resumidas, estableciendo exactamente lo que ha ocurrido [1]. Los equipos suelen ejecutar consultas SQL o utilizar plataformas de inteligencia empresarial para calcular totales, medias y tasas de crecimiento. A continuación, el análisis de diagnóstico aplica pruebas de hipótesis, análisis de correlación y técnicas de causa raíz para explicar las desviaciones de las tendencias previstas.
Por ejemplo, si se produce un descenso inesperado de los usuarios activos, puede deberse a una nueva actualización del software o a algún acontecimiento externo del mercado. Entonces, puedes tomar las medidas adecuadas para solucionarlo [2].
Técnicas de previsión predictiva
Las empresas utilizan muchos tipos diferentes de herramientas de análisis de datos para pasar de la comprensión a la previsión. Cuando se trata de datos de series temporales, pueden utilizar ARIMA (Autoregressive Integrated Moving Average) para simular la tendencia y la estacionalidad [3]. Además, los investigadores pueden emplear redes LSTM (memoria a largo plazo) para captar intrincadas conexiones temporales [4].
Además, se utilizan técnicas de regresión o clasificación para realizar proyecciones analíticas predictivas sobre medidas continuas. La asignación de resultados por categorías, como el riesgo de pérdida de clientes, o la proyección de ingresos son ejemplos de ello [5]. Una ingeniería de características eficaz, que incorpore variables como indicadores económicos, patrones meteorológicos o el sentimiento de las redes sociales, suele desvelar correlaciones ocultas que afinan las previsiones.
En la práctica, los gestores de inventarios utilizan modelos ARIMA para fijar los niveles adecuados de existencias de seguridad. Según un estudio de McKinsey [6], este planteamiento puede reducir los incidentes de falta de existencias hasta en un 20%. Mientras esto ocurre, los equipos de marketing pueden programar campañas con el uso de los conocimientos de LSTM. Estas campañas pueden mejorar las tasas de compromiso en un 15%.
Los departamentos financieros recurren a modelos de regresión para someter los presupuestos a pruebas de estrés en distintos escenarios económicos, lo que ayuda a elaborar presupuestos más precisos.
Caso práctico de finanzas: La plataforma de préstamos con IA de Upstart
Upstart Holdings, Inc. se asocia con bancos para implantar modelos de crédito de aprendizaje automático basados en miles de puntos de datos.
Las tasas de morosidad se han reducido considerablemente gracias a su enfoque de suscripción basado en el análisis predictivo basado en IA. Al tiempo que se mantienen las tasas de aprobación, se han reducido las pérdidas por préstamos en un 75% en comparación con los enfoques tradicionales que solo utilizan FICO [7]. Upstart informa además de que el 74% de las solicitudes de préstamo reciben una decisión instantánea. Como resultado, el ciclo de originación se reduce en varios días y aumenta el nivel de satisfacción del cliente.
Estrategias de acción prescriptivas
Basándose en la precisión de las previsiones, el análisis prescriptivo integra la optimización y la simulación para recomendar decisiones específicas con las limitaciones del mundo real. Las técnicas incluyen la programación lineal y no lineal. Estos métodos definen objetivos, como minimizar el tiempo de entrega, e imponen restricciones como la capacidad de los vehículos o los límites normativos.
Para medir la incertidumbre y el riesgo, la simulación Monte Carlo recorre miles de escenarios posibles. La integración continua de flujos de tráfico de datos, redes de sensores o sentimiento de las redes sociales garantiza que las recomendaciones se adapten en tiempo real.
En la fabricación, los solucionadores de optimización distribuyen los volúmenes de producción entre las plantas para satisfacer la demanda. Al mismo tiempo, respetan las limitaciones de mano de obra y materiales. Los administradores sanitarios simulan los flujos de pacientes y los niveles de personal para reducir los tiempos de proceso. Por su parte, los operadores logísticos redirigen dinámicamente las flotas para mejorar la puntualidad de las entregas.
Estudio de un caso sanitario: Centro Médico de Massachusetts
Un centro médico privado sin ánimo de lucro de Massachusetts, que cuenta con dos campus, aplicó una simulación Monte Carlo basada en colas [2]. Se hizo para evaluar los efectos de añadir una unidad especializada de "vía rápida" para pacientes con niveles mínimos de necesidades de cuidados agudos. El grupo imitó los tiempos de atención y las llegadas de pacientes. Los investigadores demostraron que añadir una enfermera más a la vía rápida reducía la mediana de los tiempos de espera en un 35,8 ± 2,2%.
Además, gracias a este cambio, se optimizó el uso de los recursos del principal servicio de urgencias sin aumentar las horas de personal. Los niveles de satisfacción de los pacientes aumentaron un 10% tras la adopción.
Caso práctico de logística: El equipo SCOT de Amazon
El grupo de Tecnologías de Optimización de la Cadena de Suministro (SCOT) de Amazon combina optimización, simulación y análisis predictivo y prescriptivo para gestionar el cumplimiento en toda su red. En algunas zonas urbanas, los algoritmos de SCOT permiten realizar entregas en tan solo dos horas. Se trata de una reducción importante respecto al plazo habitual de seis a ocho horas.
Además, estos algoritmos ayudan a reducir el exceso de inventario en torno a un 10% mediante ajustes dinámicos del nivel de existencias. Estas mejoras refuerzan la promesa de entrega rápida de Amazon Prime y aumentan la fidelidad de los clientes.
Distinciones entre previsiones y recomendaciones
Análisis predictivo frente a análisis prescriptivo
La previsión es el proceso de identificar lo que es probable que ocurra en el futuro. Para ello, examina tanto los datos históricos como los actuales mediante el análisis predictivo. Por otro lado, el análisis prescriptivo aborda la cuestión de qué acciones deben abordarse. Las posibles acciones se evalúan con respecto a los objetivos empresariales y las limitaciones prácticas.
La mayoría de las veces, los modelos de análisis predictivo dependen de conjuntos de datos estructurados. En cambio, la analítica prescriptiva también puede incluir datos no estructurados, como registros de texto o flujos del Internet de las cosas (IoT). Por eso pueden reflejar mejor la complejidad del mundo real.
La implantación del análisis prescriptivo exige la creación de una infraestructura sólida. Esta infraestructura debe incluir solucionadores de optimización y procesos de gobernanza centrados en garantizar el cumplimiento de las normas empresariales. Los resultados prescriptivos pueden provocar cambios en las operaciones casi en tiempo real. Mientras tanto, la previsión ayuda a dar forma a la estrategia a medio y largo plazo.
Hoja de ruta para la aplicación: Lista de control práctica
Si quieres pasar de tener una idea a pasar a la acción, sigue estos pasos:
- Auditar y preparar datos. Valide las fuentes de datos y limpie los registros para garantizar análisis descriptivos e informes de diagnóstico fiables.
- Desarrolle y valide modelos de predicción. Se recomienda utilizar métodos de predicción como la regresión, ARIMA y LSTM. Estos métodos deben probarse con datos retenidos, y las características deben refinarse de forma iterativa.
- Ponga a prueba soluciones prescriptivas. Empiece con proyectos de optimización a pequeña escala, como la asignación de inventarios o la programación de personal, para gestionar el riesgo.
- Infraestructura a escala. Invierta en almacenes de datos, plataformas de streaming y bibliotecas de solucionadores para respaldar la implantación en toda la empresa.
- Establezca la gobernanza. Asegúrese de que los análisis se ajustan a las normas éticas y reglamentarias documentando los métodos y aplicando la supervisión.
Siguiendo esta hoja de ruta, su empresa puede pasar de la elaboración de informes reactiva a la proactiva. Este cambio permitirá optimizar la toma de decisiones y obtener mejoras cuantificables.
Conclusión
Las empresas pueden aprender de sus éxitos y fracasos y utilizar ese conocimiento para influir en lo que suceda a continuación. El asesoramiento prescriptivo, las previsiones predictivas, el diagnóstico y el análisis descriptivo se combinan para lograrlo.
EU Automation desempeña un papel fundamental a la hora de garantizar que su cadena de suministro funcione a pleno rendimiento. Nuestro objetivo es ayudarle a tomar decisiones más inteligentes para mejorar la eficiencia operativa y reducir los tiempos de inactividad .
Para más información y soluciones, visite el knowledge hub de EU Automation.
Fuentes:
[1] https://technologyadvice.com/blog/information-technology/descriptive-analytics/
[2] https://doi.org/10.1155/2017/6536523
[3] https://www.statsmodels.org/stable/generated/statsmodels.tsa.arima.model.ARIMA.html
[4] https://keras.io/api/layers/recurrent_layers/lstm/
[5] https://www.geeksforgeeks.org/ml-classification-vs-regression/
[7] https://cloud.google.com/dataproc/docs/tutorials/monte-carlo-methods-with-hadoop-spark
[8] https://www.gartner.com/en/information-technology/glossary/prescriptive-analytics
