El uso de los datos como herramienta de predicción

Por Luc Mornat 26 Octubre 2016 | 918 0

En 2020, los macrodatos alcanzarán los 40 zettabytes de información (1021 bytes), 33 veces más que en el año 2010, y las investigaciones en este campo han aumentado veinte veces desde 2009.

big-data-prédictif-logiciel
Evolución de las búsquedas de macrodatos en todo el mundo entre 2009 y 2016 – Google Trends

 

Sin embargo, los datos se llevan recopilando desde hace mucho tiempo, en una época en la que nadie hablaba de macrodatos, si bien se ha demostrado que la recogida de datos sin tener claro un propósito o estrategia, tal y como se ha hecho durante mucho tiempo, no es rentable. Por suerte, las empresas que recopilan datos sin saber cómo hacer buen uso de ellos son una minoría. Los macrodatos se han convertido cada vez más en una pieza clave del marketing predictivo.

La predicción, el arte de anticipar las tendencias.

El análisis predictivo consiste en la definición de modelos a través de algoritmos que utilizan los datos recopilados. Con estos modelos, se pretende anticipar y predecir las tendencias relativas al comportamiento del consumidor. Esto permite identificar a aquellos clientes que, probablemente, empiecen a estar menos comprometidos con la marca, así como a los que empiecen a tener necesidades diferentes.

La predicción facilita el acceso al santo grial del marketing: enviar el mensaje adecuado al público adecuado, en el momento adecuado; una antigua regla de oro del marketing, difícilmente aplicable si no se tiene acceso a la información adecuada o si no se analiza correctamente.

La capacidad de ofrecer asesoramiento personalizado en el preciso momento en que surge una necesidad repercute significativamente en la satisfacción del cliente y, por tanto, en su compromiso con la marca y en los resultados financieros de la empresa.

Pero la predicción solo es posible si los datos recopilados son de buena calidad y lo suficientemente variados. Si se quiere contar con un buen modelo predictivo, deben seguirse los siguientes pasos:

  • Definir el/los problema/s que el modelo predictivo debería solucionar.
  • Identificar la información necesaria para configurar el modelo.
  • Llevar a cabo la recopilación y el tratamiento de los datos.
  • Crear un modelo eficaz.
  • Evaluar la precisión y la eficacia del modelo.
  • Usar el modelo para resolver los problemas identificados y formular recomendaciones.
  • Mejorar continuamente el modelo.

En resumen, el análisis predictivo permite una mayor diferenciación, así como una mejor toma de decisiones y evitación de riesgos (por ejemplo, la pérdida de clientes), gracias a una experiencia del cliente optimizada.

Cuidado con los factores externos y las limitaciones de los modelos predictivos

Cathy O’Neil no se define a sí misma como una científica de datos, sino más bien como una “escéptica de datos”. La señora O’Neil, autora de Weapons of Math Destruction y doctora en matemáticas por la Universidad de Harvard, advierte en su libro de los posibles efectos secundarios de los modelos predictivos. Según ella, hay muchas fuentes de errores, entre las cuales destacan:

  • La falta de precisión de los datos recogidos.
  • La irrelevancia de los datos utilizados.
  • La medición inadecuada de los factores externos.

¿Cómo se pueden utilizar?

Los casos de uso son muchos y de muchos tipos, dependiendo de la industria. El primer límite es la creatividad, pero las posibilidades que ofrece el análisis predictivo dependen del volumen, la calidad y la pertinencia de la información recogida.

Los datos de socios pueden desempeñar un papel clave en el análisis predictivo. A un fabricante de automóviles le puede resultar difícil saber que la familia de un consumidor está aumentando, excepto si un socio especializado en productos para recién nacidos le proporciona ese tipo de información. En tal caso, lo que más le conviene al fabricante de automóviles es proponer a su cliente potencial una oferta personalizada, adaptada a su nueva situación, mostrándole anuncios personalizados o modificando la página principal del sitio web de acuerdo con su perfil del usuario (por ejemplo, destacando un vehículo cuya compra podría llegar a plantearse).

El análisis predictivo también hace que los operadores móviles puedan identificar aquellos usuarios que suelen realizar más llamadas telefónicas de las que cubre su plan contratado, lo que permite a las empresas dirigirse mejor a ellos, ofreciéndoles nuevos planes que se adapten a sus necesidades.

La predicción implica ofrecer contenidos que se adapten a la situación particular de todos y cada uno de los consumidores, no solo se trata de intentar vender un producto o servicio a los usuarios que tengan claramente nuevas necesidades. En este entorno, el análisis predictivo bien realizado representa una gran ventaja competitiva para las empresas que decidan llevar a cabo esta práctica. Se está convirtiendo en un elemento clave en términos de toma de decisiones.

¿El marketing predictivo es solamente para expertos?

De acuerdo con un estudio de Forrester, los modelos predictivos se han vuelto más precisos y eficaces en los últimos años —incluso en empresas que no tienen grandes conocimientos en este campo—, gracias a nuevas herramientas que son más fáciles de utilizar.

Algunas empresas creen que el análisis de datos supone contratar a un científico de datos, pero esa creencia no es del todo acertada, ya que lo que deberían hacer es centrarse en formar a los recursos humanos con los que cuentan actualmente. Según el estudio de Forrester, cuanto mayor sea el número de empleados que trabajen con análisis predictivos, mejor; incluidas las personas que carezcan de conocimientos específicos en materia de estadística.

Solicite una demo