Vivimos en un mundo con la percepción de que todo cada vez va más rápido y en el cual estamos constantemente bombardeados y pendientes de y por los datos. Frente a este panorama, y a la vista de las tendencias actuales donde cada vez más a menudo escuchamos las palabras de inteligencia artificial, analizaremos hoy de manera global el área de business intelligence. Comencemos por su definición:
Bien, y entonces dónde radica tanto entusiasmo actual por parte de las grandes empresas, si esto es algo que venimos haciendo desde que existe el Excel. Algo habrá.
La minería de datos aplicada al área de negocios o Business Intelligence.
La minería de datos, área que engloba una amplia gama de técnicas, está enfocada a obtener información útil y finalmente conocimiento a partir de los datos. Dentro de sus métodos, encontramos técnicas de agrupamiento que podemos utilizar para segmentar grupos de clientes y analizarlos por separado, árboles de decisión que nos permiten, de manera sencilla y gráfica, visualizar el comportamiento de los consumidores, y a un nivel más avanzado redes neuronales que nos permitirán hacer predicciones sobre el comportamiento futuro de los consumidores y de mi empresa.
Ya no se trata de analizar datos del mes pasado, ni siquiera los actuales, todo va tan de prisa que queremos predecir cómo se comportarán mañana nuestros consumidores cuando lancemos nuevas estrategias de ventas. Hemos hablado un poco de minería de datos y de business intelligence, y por sus definiciones vemos que se parecen bastante.
¿Hay alguna diferencia entre la minería de datos y el business intelligence?
Diferencia, diferencia de fondo, casi ninguna, simplemente que dentro del área de negocios se ha decidido llamar a la aplicación de técnicas de minería de datos, business intelligence para dar la connotación de que estamos dentro del área de negocios.
Las fases del Business Intelligence.
Hemos hablado de agrupamiento ó clustering, mencionamos visualización y predicción, y casi sin querer ya hemos contemplado tres de las áreas más importantes de la minería de datos. Sin embargo, si vamos a tratar el tema de manera global no podemos perder de vista dos fases, una anterior y otra posterior a la aplicación de estas técnicas que nos ayudarán de gran manera a que nuestros resultados sean óptimos: pre-procesamiento de datos, e interpretación de resultados. En la siguiente figura, dentro del recuadro interior, vemos representadas las tres fases principales de un proceso de minería de datos, las cuales iremos describiendo a continuación.
Ssabemos que hoy en día los datos son una parte esencial de nuestro negocio, cómo los conseguimos y almacenamos, es una cuestión muy importante que trataremos en otro momento, ya que hoy vamos a centrarnos en los tres procesos principales de lo que hemos llamado business intelligence o minería de datos aplicada al área de negocios.
Pre-procesado de datos.
La primera de ellas, y nunca bien ponderada, es una etapa clave, un poco rutinaria y tediosa, y que puede condicionar el éxito de todo nuestro proceso: nos referimos al pre-procesado de datos.
Técnicas como exploración estadística de los datos, eliminación de “outliers”, normalización, verificación de consistencia de los datos, tratamiento de datos perdidos, selección de variables relevantes, etc., son algunos de los procesos que deben considerarse una vez que tenemos un conjunto de datos de interés. Sí, un poco aburrido, así que mejor sigamos con la parte central del proceso que es la más relacionada con el tema de hoy.
El modelado de datos.
En la etapa de modelado de datos, trataremos de explicar mediante un modelo elegido (Regresión Logística, Árboles de Decisión, Redes Neuronales Artificiales, Random Forest, Deep Learning, etc.) el comportamiento de nuestros consumidores, a nivel individual o grupal, por ejemplo, en un proceso de compra.
El modelo elegido intentará condensar la información relevante, procediendo a eliminar detalles superfluos, con el fin de encontrar relaciones entre los datos de cada consumidor y su comportamiento observado.
¿Qué modelo elegiremos?
No es una pregunta sencilla, y la elección dependerá principalmente de la cantidad y calidad de los datos que poseemos, de nuestro conocimiento de los métodos a aplicar, del software y hardware disponible, y de nuestro objetivo futuro y las posibilidades de aplicar cambios en nuestro proceso de negocio. Un modelo puede tener una capacidad predictiva muy grande (caso de “Deep Learning” por ejemplo) pero una interpretabilidad de los resultados baja, por lo que en ciertos casos puede no ser de gran utilidad.
En cualquier caso, la ventaja de poseer un modelo de los datos es que podemos probarlo con datos diferentes a los que tenemos y tener una estimación de lo que sucedería en tal caso. Estamos hablando de predicción, y sin querer hemos llegado a un tema central de la inteligencia artificial, con lo que uno de los objetivos del artículo que era mostrar la relación entre business intelligence e Inteligencia artificial espero que ya esté cumplido.
El Business Intelligence está relacionado directamente con la Inteligencia Artificial y el Big Data.
Por supuesto, quedan muchos detalles en el camino, los cuales iremos tratando más adelante, sin olvidarme que no hemos hecho referencia todavía al fenómeno de “Big Data”. Como ven el tema da para mucho, es muy interesante y ya os iremos contando poco a poco, cómo todas estas técnicas pueden ser muy útiles, no sólo para las grandes empresas, sino para sacar mayor beneficio a nuestras acciones de marketing.
