Por business intelligence o inteligencia de negocios, se entiende todas aquellas actividades que usan y aplican técnicas cuantitativas, y en algunos casos, técnicas econométricas, para el análisis de datos y construcción de modelos tanto exploratorios como explicativos. Si bien es cierto de que la gran mayoría de las empresas cuentan con una gran cantidad de datos, éstas fallan en utilizarlos de manera útil, eficiente y estratégica. Por otra parte, aquellas empresas que son capaces de utilizar estos datos mediante el uso de herramientas y técnicas analíticas de diferente complejidad, transforman datos relevantes en información, procesos y en decisiones de negocios, las que les permite actuar en forma agresiva, logrando resultados insospechados.

El término Business Analytics se refiere principalmente al uso de las tecnologías de la información para el análisis de datos. Estos datos pueden ser obtenidos desde diferentes fuentes: desde fuentes internas de la propia empresa, datos recopilados por empresas que se especializan en la obtención de estos como Nielsen o TNS, o bién datos desde cualquier fuente externa a la empresa incluidos los datos sindicados o aquellos generados por otras empresas de investigación de mercado como la ya mencionadas Nielsen y TNS. De esta manera, el término Business Analytics tiene una relación más cercana con tecnologías de la información y computación más que con un método o producto específico. En resumen, se refiere a un cúmulo de tecnologías y procesos que utilizan en forma intensiva datos para entender y analizar el desempeño de la empresa, de una unidad de negocios, o de un producto/servicio.

En muchos sentidos, Business Analytics puede ser visto como la práctica más innovadora después de los procesos de automatización que han tenido lugar dentro de las empresas, siendo su meta principal el transformar este cúmulo de datos en información relevante y oportuna para la toma de decisiones. En forma sucinta, estas prácticas involucran procesos como inteligencia de negocios, desempeño gerencial, análisis predictivo, optimización matemática, contenidos y prácticas de negocios, medidas de evaluación de la empresa y de sus competidores en la industria, mercado o nicho específico, desempeño financiero, retornos de inversiones en marketing, de inversión desarrollo de productos, de mitigación y reducción de costos, entre otras.

Respecto de las áreas donde Business Analytics ha tenido aplicaciones prácticas, se pueden mencionar los procesos de negocios, análisis financiero, de riesgo, defaults y fraudes, análisis de clientes, capital humano, distribución, producción, operaciones, marketing e investigación de mercado, estrategia y valor de marca, procesos de outsourcing, entre otras. Debido a la diversidad de aplicaciones, no es difícil justificar las millonarias inversiones que empresas multinacionales y en general grandes marcas globales han realizado durante los últimos siete años, de manera de diferenciarse y/o tomar ventajas por sobres sus competidores, principalmente en EE.UU., Europa y más recientemente en Asia.

Desde el punto de vista de las necesidades que tienen los clientes, el término Business Analytics gira en torno a cinco áreas relevantes:

1. Acceso a Información: Constituye el primer eslabón principalmente para evaluar el desempeño de la empresa, unidad de negocios o productos, lo que permite tomar decisiones de forma informada.
2. Análisis Interno: Permite la obtención de pistas e ideas acerca de lo que está sucediendo. Preguntas como ¿qué es lo que piensan mis clientes?, ¿qué sienten, qué necesitan?, ¿qué demandan en términos de productos o servicios?, ¿cuáles son los segmentos que se deben atender de manera de optimizar la toma de decisiones y la obtención de utilidades y crecimiento de la empresa?, entre otras preguntas relevantes.
3. Proyecciones: Sobre la base del análisis del desempeño pasado de la empresa, utilizar estos resultados para delinear las acciones y decisiones necesarias para llevar la empresa hacia el próximo nivel.
4. Capacidad de Respuesta: Medida de la agilidad de la organización para utilizar de manera óptima el capital humano disponible, las prácticas y procesos, así como el know-how de la empresa para cumplir los objetivos de la organización.
5. Alineación Estratégica: Básicamente la alineación de las prioridades, objetivos y requerimientos de la empresa que guiarán el proceso decisorio y el posicionamiento deseado por la organización.

En particular, este artículo pretende focalizarse en la columna vertebral de Business Analytics, entendiéndose como el uso de datos estructurados para la consecución de mejores resultados de negocios y que engloba tres procesos crecientes en complejidad: Descriptivo, Predictivo y Prescriptivo. El uso extensivo de estos datos, del análisis estadístico y del uso de modelos econométricos, permite y guía el proceso decisorio de la alta gerencia, como también de las acciones que deben tomar lugar en la organización para el cumplimiento de metas y objetivos, en armonía con su proceso estratégico.

Análisis Descriptivo

Desde la perspectiva descriptiva, las principales áreas en que las tecnologías y procesos que utilizan datos permiten analizar el desempeño de la empresa, tienen relación con lo siguiente:

• Reportes Estandarizados. Aquí las preguntas a contestar son: ¿Qué ha ocurrido? ¿Cómo se condicen estos resultados con el plan inicial? ¿Cuál es el siguiente paso?
• Reportes Específicos (Ad-hoc): ¿Cuántos? ¿Con que frecuencia? ¿Dónde? ¿Por qué es necesario?
• Análisis y/o Consultas Específicas: ¿Cuál es exactamente el problema a investigar? ¿Por qué está ocurriendo lo que está ocurriendo? ¿Qué es lo que no estamos entendiendo?

Los análisis descriptivos son la primera herramienta a utilizar y las más comunes. En general debido a su relativa simpleza y bajo costo, la mayoría de las empresas utilizan en mayor o menor grado estas técnicas. Estos análisis permiten categorizar, caracterizar, consolidar y clasificar datos. Presupuestos, ingresos por ventas y costos, son los datos descriptivos que con frecuencia son requeridos y que habitualmente incluyen la generación de reportes más bien estandarizados, así como su distribución y visualización. Su uso permite evaluar el desempeño pasado, pero también cambios en tiempo real de las variables más críticas para la empresa. Por lo general, los análisis descriptivos se obtienen del uso y aplicación de programas específicos para ciertas industrias y negocios (ventas, análisis financiero, costos, etc.), planillas Excel, software de bases de datos tales como Access, Visual FoxPro, FileMaker, etc., programas para reportes y presentaciones (Crystal Report, PowerPoint) y software estadísticos de diversidad complejidad (SAS, SPSS, Stata, Shazam, Minitab, etc.), entre otros.

De esta manera, los análisis descriptivos proveen de información relevante acerca del desempeño de la empresa, su monitoreo y del manejo de sus procesos. Adicionalmente, representa el primer paso del análisis de negocios permitiendo tener una visión clara acerca de hechos del pasado, necesarios para la el logro de una visión compartida acerca de los eventos en que la organización debe focalizarse en el presente.
Análisis Predictivo

• Dentro del análisis predictivo, existen seis categorías relevantes:
• Data Mining: ¿Qué datos se correlacionan con estos otros datos?
• Patrones de Reconocimiento: ¿Qué procesos anteceden y cuáles preceden?
• Simulaciones tipo Monte-Carlo: ¿Qué pasaría si esto cambiara?
• Predicción: ¿Qué pasaría si estas tendencias continúan?
• Análisis de Causalidad: ¿Cuál es la causa de este patrón o comportamiento? ¿Existe realmente un proceso de causa-efecto o es sólo de asociación del tipo correlación?
• Modelos Predictivos: ¿Qué pasaría ahora si estas variables cambian?

Básicamente, el análisis predictivo hace uso de información del pasado, detectando patrones y relaciones de reconocimiento, para luego extrapolar estas relaciones a objeto de predecir acerca de lo que probablemente ocurrirá en el futuro. Por lo general, utiliza herramientas y técnicas más avanzadas, así como también una gran cantidad de datos. Entre las técnicas de mayor uso se pueden destacar: Determinación de relaciones de causa-efecto, extracción de patrones y relaciones mediante técnicas de data mining, determinación de conductas y patrones de consumo, modelos de series de tiempo para

analizar y determinar tendencias y patrones estacionales, predicción y proyección de variables relevantes, simulación de posibles escenarios y/o cambios en ciertas variables (Monte-Carlo).
Sea cual sea la técnica o procedimiento a utilizar, los datos son el motor de todo análisis predictivo que combinados con datos descriptivos (atributos, características, datos demográficos, datos geográficos), datos de comportamiento (órdenes de compra, transacciones, historial de pagos, defaults), datos de interacción (Web clics, Web analytics, email, transcripciones de chateo, tráfico en Internet), datos de actitud (opiniones, preferencias, necesidades y deseos), índices macroeconómicos (índice de precios, tasa de desempleo, ingreso personal, sentimiento del consumidor, agregados monetarios, etc.), conforman la información básica desde el punto operacional y estratégico que toda empresa requiere para reaccionar y anticipar los constantes vaivenes del mercado.

Análisis Prescriptivo

Análisis prescriptivos son los que revisten más complejidad dentro de la gama de análisis disponibles. Se basan en las llamadas técnicas de optimización, las que pueden ser divididas en dos grandes áreas:

• Optimización Base: ¿Cómo podemos alcanzar los mejores resultados?
• Optimización Estocástica: ¿Cómo podemos alcanzar los mejores resultados tomando en cuenta el proceso de incertidumbre en la toma de decisiones?

Una vez que el pasado ha sido entendido y hechas las predicciones pertinentes que podrían ocurrir en el futuro, es el momento de determinar cuál o cuáles son las mejores respuestas o acciones dadas las restricciones de recursos temporales, financieros y de capital humanos. Es muy probable que las alternativas y decisiones a tomar sean múltiples, o bien, difíciles de considerar y sopesar en una suerte de trade-off. Es aquí donde la optimización matemática ofrece alternativas costo-beneficio más eficiente, encontrando el mejor set de decisiones que satisfacen las restricciones impuestas. De esta manera, soluciones con múltiples alternativas pueden ser resueltos con los grados de certeza y celeridad requeridos.
Por otra parte, la optimización estocástica se basa en el mismo principio de optimización base, pero además agrega un componente predictivo de orden estadístico con que se puede modelar el proceso de incertidumbre presente en los datos. Modelos de optimización de precios, análisis de variables conjuntas (conocido como conjoint análisis), optimización del “mix” de marketing, análisis de redes sociales y modelos de portafolios de acciones e instrumentos financieros, son algunos ejemplos de aplicaciones actualmente en uso en diversas industrias y multinacionales.

Conclusiones

Business Analytics, es decir, el uso de las tecnologías de la información para el análisis de datos y su posterior transformación en información relevante para la toma de decisiones, involucra procesos de distinta complejidad (Descriptivo, Predictivo y Prescriptivo) que más que excluyentes se complementan mutuamente. En la actualidad, empresas pertenecientes prácticamente a todo el espectro industrial están realizando inversiones considerables en tecnología a objeto de desarrollar sistemas de “data warehousing” para la recolección, selección y análisis de datos que permitan direccionar y responder las preguntas, desafíos y oportunidades de la empresa.

No obstante, eficiencia y efectividad son dos aspectos relevantes a considerar, independientemente de la categorización de los modelos o procesos de Business Analytics que cada empresa desee implementar. Por ejemplo, en el área de la distribución a menudo se usan técnicas avanzadas de análisis para que el proceso de entregas satisfaga las necesidades de sus clientes al menor costo posible. Es así como la optimización de inventarios, planes y rutas de entrega, optimización de recursos y procesos de producción, eficiencia operacional, etc., son sólo algunos ejemplos aplicados a la función distribución.

Por el lado de la efectividad, las técnicas analíticas avanzadas se relacionan con el entender qué es lo que los clientes realmente quieren, entendiendo a su vez cuáles son los factores que gatillan ciertos patrones de comportamiento del consumidor. Estudios de segmentación ad-hoc, optimización de precios, estimaciones y funciones de demanda, modelos de mix de mercado, análisis de redes sociales, son algunos ejemplos de técnicas que habitualmente permiten alcanzar la efectividad necesaria.

Finalmente, se debe destacar que en todo este proceso existen dos dimensiones que siempre estarán presentes:

i) La creación de los modelos matemáticos-econométricos y su validación en el sentido que no violen los principios matemáticos y econométricos sobre los cuales fueron creados.

ii) La puesta en acción de los mismos.

Lo primero dice relación con la obtención, selección y prueba de calidad de los datos a objeto de determinar y crear el modelo más adecuado que permita responder las preguntas que son relevantes para la empresa. Lo segundo dice relación con la capacidad para entender que éste es un proceso dinámico por lo que cambia en el tiempo, muchas veces en unos pocos meses o incluso semanas, pero también la capacidad de extraer e interpretarlos de manera adecuada, en pocas palabras, que el modelo y los datos que utiliza, sean capaces de transmitir la información contenida en ellos a sus usuarios y quienes los implementan posean la formación académica y experiencia adecuada.

Pedro V. Piffaut, Ph.D.