Aprenda de sus fracasos analíticos

texto alt

Si sus predicciones han fallado, es el momento de aprender de ellas.
Aquí le mostramos algunos ejemplos de cómo puede pasar de fracasos predictivos a descubrimientos analíticos.

TIEMPO DE LECTURA

texto alt

¿Cómo se calcula?

You must be logged into the site to download the file.

La predicción más segura acerca del futuro del análisis predictivo es que más pensamiento y esfuerzo se dedicará a la predicción que al análisis. Estas son malas noticias y peor gerencia. Comprender el análisis importa más que la promesa de la predicción.

Los recursos computacionales para la predicción en la era digital pueden ser sorprendentemente poderosos, pero muchos de los problemas humanos y de las patologías organizacionales de hace décadas nos son deprimentemente familiares. La predicción frecuentemente reduce el enfoque, en lugar de ampliar la percepción. El impacto más perdurable de los análisis predictivos viene menos de mejorar la calidad de las predicciones, que de cambiar el cómo las organizaciones piensan acerca de los problemas y oportunidades.

Irónicamente, el valor de los análisis predictivos proviene más de sus inesperados fracasos, que de sus anticipados éxitos. ¿Por qué? Porque significa que las suposiciones, la información, el modelo o el análisis estaban mal en alguna forma significativamente medible. Sin embargo, demasiadas organizaciones no saben cómo aprender del fracaso analítico. Tontamente, la predicción, en lugar del viaje introspectivo, se convierte en el objetivo deseado.

Por ejemplo, en los días previos a los datos masivos, una cadena de hoteles usaba algunas muy sofisticadas matemáticas, procesamiento de datos y análisis de serie temporal, para coordinar sus precios a través del yield management (estrategia de precios variables, para maximizar los ingresos) y sus esfuerzos de promoción. Esto ultimadamente requirió aumentar la centralización y limitar la flexibilidad y discreción de los operadores locales. Los modelos predictivos mapeaban los ingresos y márgenes por propiedad y tipo de cuarto. Las proyecciones funcionaron bien para cerca de una tercera parte de los hoteles, pero estaban salvaje y destructivamente fuera de lugar para otro tercio. El análisis requirió semanas; la información estaba bien. ¿Los hoteles competidores estaban realizando promociones inusuales, que inutilizaran el modelo? No. En su mayor parte, los gerentes locales siguieron las reglas del yield management.

Casi cinco meses después, después de que las finanzas del año estaban completamente destruidas, la explicación más probable se materializó: el grupo de modelaje -los científicos de datos de su época- habían calculado los precios respecto a los pares competidores del grupo hotelero. No habían considerado a los hoteles de descuento, ni en cuanto al precio, ni en cuanto a la disponibilidad de habitaciones. Para casi un cuarto de las propiedades, el resultado fue tanto una menor ocupación promedio, como menores precios por habitación.

La creencia de los altos directivos en su valor de marca y posicionamiento excluyó a los hoteles de descuento de su panorama competitivo. ¿Este ejemplo parece atípico? Tuve una reunión el año pasado con otra cadena de hoteles, que ahora está debatiendo furiosamente si el impacto de Airbnb debería ser incorporado en sus ecuaciones de yield management.

Más recientemente, una gran compañía de productos industriales hizo un enorme compromiso de análisis predictivo para el mantenimiento preventivo y para una ubicación más efectiva del limitado talento de servicios técnicos de la firma. A mitad de la revisión del análisis, algunas de las personas de reparaciones se dieron cuenta de que el mantenimiento preventivo podía ser analizado y administrado como parte de un sistema en red. Esto cambió completamente la dirección de la iniciativa. El énfasis de valor se transfirió del mantenimiento preventivo a la administración eficiente con consumidores clave. Una vez más, el enfoque predictivo inicialmente volvió borrosa la visión más amplia de dónde podría estar el verdadero valor.

Cuando el análisis predictivo se hace bien, los análisis no son el medio para un fin predictivo. En lugar de ello, las predicciones deseadas se vuelven un medio para el conocimiento y el descubrimiento analítico. Las organizaciones inteligentes quieren culturas de análisis predictivo en las que las predicciones creen preguntas más inteligentes, además de respuestas estadísticamente significativas. Estas culturas pueden convertir rápidamente los fracasos predictivos en éxitos analíticos.

Parafraseando un famoso refrán en el contexto de la ciencia de datos, la mejor forma de predecir el futuro es aprender de los análisis predictivos fallidos.

“Comprender el análisis importa más que la promesa de la predicción.”

“La mejor forma de predecir el futuro es aprender de los análisis predictivos fallidos.”

“El enfoque predictivo inicialmente puede volver borrosa la visión más amplia de dónde podría estar el verdadero valor.”

Los recursos computacionales para la predicción en la era digital pueden ser sorprendentemente poderosos. Sin embargo, la predicción frecuentemente puede reducir el enfoque, en lugar de ampliar la percepción.

El valor de los análisis predictivos proviene más de sus inesperados fracasos, lo que significa que las suposiciones, la información, el modelo o el análisis estaban mal en alguna forma y que puede ser medible.

Las proyecciones pueden funcionar bien para las empresas pares, pero ser una catástrofe financiera para otros, si no se considera las peculiaridades específicas.

La predicción analítica puede ir en un rumbo y en el camino encontrar una opción diferente. Es importante transferir el valor hacia aquello que es más útil.

La mejor forma de predecir el futuro es aprender de los análisis predictivos fallidos. Cuando el análisis predictivo se hace bien, los análisis no son el medio para un fin predictivo, se vuelven un medio para el conocimiento y el descubrimiento analítico.

El enfoque predictivo inicialmente puede volver borrosa la visión más amplia de dónde podría estar el verdadero valor.

© 2015Harvard Business School Publishing Corp.

De: hbr.org

Distribuido por: The New York Times Syndicate.

Learn from Your Analytics Failures

The safest prediction about the future of predictive analytics is that more thought and effort will go into prediction than analytics. That’s bad news and worse management. Understanding analytics matters more than the promise of prediction.

The computational resources for prediction in the digital age may be astonishingly powerful, but many of the human problems and organizational pathologies from decades ago are depressingly familiar. Prediction frequently narrows focus rather than broadening perception. The most enduring impact of predictive analytics comes less from improving the quality of prediction than from changing how organizations think about problems and opportunities.

Ironically, the greatest value from predictive analytics comes more from their unexpected failures than from their anticipated success. Why? Because it means that the assumptions, the data, the model or the analyses were wrong in some meaningfully measurable way. But too many organizations don’t know how to learn from analytic failure. Prediction foolishly becomes the desired destination instead of the introspective journey.

In pre-Big Data days, for example, one hotel chain used some pretty sophisticated mathematics, data mining and time series analysis to coordinate its yield management pricing and promotion efforts. That ultimately required greater centralization and limiting local operator flexibility and discretion. The forecasting models mapped out revenues and margins by property and room type. The projections worked fine for about a third of the hotels but were wildly, destructively off for another third. The forensics took weeks; the data was fine. Were competing hotels running unusual promotions that screwed up the model? No. For the most part, local managers followed the yield management rules.

Almost five months later, after the year’s financials were totally blown, the most likely explanation materialized: The modeling group – the data scientists of the day – had priced against the hotel group’s peer competitors. They hadn’t weighted discount hotels into either pricing or room availability. For roughly a quarter of the properties, the result was both lower average occupancy and lower prices per room.

Top management’s belief in its brand value and positioning excluded discounters from their competitive landscape. Does that example seem atypical? I had a meeting last year with another hotel chain that’s now furiously debating whether Airbnb’s impact should be incorporated into its yield management equations.

More recently, a major industrial products company made a huge predictive analytics commitment to preventive maintenance and more effective allocation of the firm’s limited technical services talent. Halfway through the analytics review, some of the repair people observed that preventive maintenance could be analyzed and managed as part of a networked system. That completely changed the direction of the initiative. The value emphasis shifted from preventive maintenance to efficiency management with key customers. Again, the predictive focus initially blurred the larger vision of where the real value could be.

When predictive analytics are done right, the analyses aren’t a means to a predictive end. Rather, the desired predictions become a means to analytical insight and discovery. Smart organizations want predictive analytic cultures where the predictions create smarter questions as well as statistically meaningful answers. Those cultures can quickly turn predictive failures into analytic successes.

To paraphrase a famous saying in a data science context, the best way to predict the future is to learn from failed predictive analytics.

¿Qué te ha parecido?

Si encontró algún error gramatical en este artículo, por favor notifíquelo a nuestros editores seleccionando el texto y presionando:“Ctrl + Enter”.

print