En nuestras conversaciones con clientes y clientes potenciales sobre analítica aparecen con frecuencia dos términos: modelado predictivo o prescriptivo. El significado de cada uno es bastante evidente, pero los detalles tienden a ser un poco más confusos. Estos términos representan enfoques fundamentalmente diferentes del uso de datos para la toma de decisiones empresariales, y entender la distinción puede tener un impacto drástico en la estrategia y los resultados de su empresa.

¿Cuáles son los principales tipos de análisis empresarial?

Piense en la analítica empresarial como un viaje de sofisticación creciente:

1. Los análisis descriptivos describen lo ocurrido. Hicimos una promoción de 2/$5 que consiguió una subida del 125%, con un índice de retorno de la inversión de 110. Eso es información valiosa.
2. Los análisis de diagnóstico van un paso más allá e investigan POR QUÉ sucedió algo. Por ejemplo, esta promoción tuvo éxito porque nos adelantamos a la competencia.
3. El análisis predictivo utiliza técnicas de aprendizaje automático para proyectar lo que sucederá, normalmente en función del volumen o los beneficios. Si lanzamos una promoción de 2/$5 la semana antes de Semana Santa en Giant Foods, proyectamos que generará un aumento del 125%.
4. El análisis prescriptivo nos aconseja sobre lo que debemos hacer, utilizando modelos más avanzados de aprendizaje automático e inteligencia artificial y comparando diferentes resultados potenciales. La mejor promoción para ejecutar antes de Pascua es un 2/$5 porque proporciona el mejor equilibrio de volumen y beneficio en relación con las alternativas.

Centrémonos en ese salto del modelado predictivo al prescriptivo.

¿Qué es el modelado predictivo?

El modelado predictivo utiliza datos históricos para identificar patrones y pronosticar lo que podría ocurrir en el futuro. Es como una sofisticada previsión meteorológica para su empresa.

Características clave del modelado predictivo:

• Se centra en la probabilidad
• Identifica tendencias y patrones
• Proyecta resultados futuros basándose en datos históricos
• Responde: "¿Qué ocurrirá si se mantienen las tendencias actuales?"

Técnicas habituales de modelado predictivo

• Análisis de regresión lineal y no lineal - en términos sencillos es el proceso estadístico que nos ayuda a entender la relación entre variables, encuentra la línea o curva que mejor se ajusta a los puntos de datos. Si ocurre X, Y es el resultado probable. Es útil para cuantificar relaciones bastante sencillas, por ejemplo: si la temperatura desciende X grados, mis ventas de hielo serán Y.
• Predicción de series temporales: utiliza las tendencias a lo largo del tiempo para predecir el futuro identificando patrones temporales. A diferencia de la regresión, conocemos el orden de los datos, por lo que la información de periodos anteriores puede utilizarse para identificar y modelar periodos diferentes. Predecir las ventas basándose en datos históricos, estacionalidad, tendencias generales, etc., es una aplicación común de la previsión de series temporales.
• El aprendizaje automático es una amplia categoría de modelos que incluye muchos enfoques diferentes, incluidos los mencionados anteriormente. La diferencia es que los modelos ML son mucho más avanzados y pueden tener muchos hiperparámetros utilizados para entrenar los modelos, que tienen un impacto tanto en el resultado como en la precisión de los mismos. (Los hiperparámetros son los ajustes o variables de configuración que rigen el proceso de entrenamiento de los algoritmos de aprendizaje automático, no se aprenden de los datos, son entradas).
  • Un subtipo de aprendizaje automático son los modelos de clasificación. Ayudan a caracterizar y agrupar cosas en función de sus características, como los sistemas de clasificación digital que aprenden a colocar las cosas en diferentes cubos. Empieza con datos de entrenamiento, los modelos aprenden patrones que les permiten clasificar nuevos datos. Es probable que el filtro de spam de tu correo electrónico utilice modelos de clasificación para filtrar tus correos basura.
  • Otra son las redes neuronales, que tienen la capacidad de descubrir parejas complejas sin ser programadas explícitamente. Pueden llegar a ser muy sofisticadas, con capas (aprendizaje profundo) y reconocer patrones muy complejos. Los asistentes de voz, la tecnología de reconocimiento facial y los traductores de idiomas utilizan redes neuronales. Estos potentes modelos necesitan más entrenamiento y potencia de cálculo, pero consiguen mayores resultados a partir de datos más complejos.

¿Qué es el modelado prescriptivo?

El modelado prescriptivo toma los datos predictivos y va un paso más allá recomendando acciones específicas. No sólo le dice lo que es probable que ocurra, sino que le sugiere lo que debería hacer al respecto.

Características clave del modelado prescriptivo:

• Se centra en la optimización y el apoyo a la toma de decisiones
• Evalúa múltiples escenarios posibles
• Recomienda acciones concretas
• Responde: "¿Qué debemos hacer para lograr el mejor resultado?"

Técnicas habituales de prescripción:

• Los algoritmos de optimización son métodos de resolución de problemas que encuentran la mejor solución posible entre muchas opciones. Piense en ellos como si fueran asistentes de compras inteligentes. Imagínese que necesita comprar alimentos por 100 dólares. Un algoritmo de optimización le ayudaría a conseguir la combinación de alimentos más nutritiva y satisfactoria posible dentro de su presupuesto. Evalúa miles de posibles carros de la compra para encontrar el perfecto que maximice tus objetivos (nutrición, sabor, etc.) respetando tus limitaciones (presupuesto, espacio de almacenamiento). Las empresas los utilizan para determinar los mejores calendarios de producción, rutas de reparto o carteras de inversión que maximicen el beneficio teniendo en cuenta todas las limitaciones.
• Modelado de simulación: es como crear una versión virtual "sandbox" de un sistema real para probar distintos escenarios con seguridad. Piense en ello como una sofisticada herramienta de "qué pasaría si...". Por ejemplo, antes de construir una nueva terminal de aeropuerto, los planificadores pueden crear una simulación por ordenador que muestre cómo se moverían los pasajeros por ella. Pueden probar distintos diseños, niveles de personal y configuraciones de los controles de seguridad para ver qué diseño minimiza los tiempos de espera y la congestión antes de gastar millones en la construcción. Las simulaciones permiten experimentar con distintas decisiones y ver los resultados probables sin correr riesgos en el mundo real.
• Los árboles de decisión son modelos parecidos a diagramas de flujo que describen las posibles opciones y sus consecuencias. Imagine que planifica un viaje por carretera con un diagrama de flujo. En cada cruce, te haces una pregunta de sí o no (¿está lloviendo?, ¿hay mucho tráfico?) y sigues la rama adecuada. Cada camino conduce a diferentes resultados con probabilidades y valores asociados.
  Los árboles de decisión ayudan a tomar decisiones complejas descomponiéndolas en una serie de opciones más sencillas, que muestran los resultados probables de las distintas vías de decisión. Son modelos predictivos que se aplican al análisis prescriptivo, por ejemplo durante la optimización.
• El aprendizaje automático con aprendizaje de refuerzo es un tipo de ML en el que un algoritmo aprende un comportamiento óptimo mediante el método de ensayo y error, de forma muy parecida a como aprendemos de la experiencia. Piense en enseñar a un perro nuevos trucos con golosinas. Al principio, el perro prueba comportamientos aleatorios. Cuando accidentalmente hace lo que usted quiere, le da una golosina (refuerzo positivo). Con el tiempo, el perro aprende qué acciones merecen recompensa. Del mismo modo, los algoritmos de aprendizaje por refuerzo prueban diferentes acciones en diversas situaciones, reciben retroalimentación (recompensas o castigos) y descubren gradualmente qué estrategias funcionan mejor. Este enfoque permite a los sistemas aprender a jugar, controlar robots o gestionar operaciones complejas practicando repetidamente en entornos simulados antes de desplegarse en el mundo real.

La diferencia crucial entre predictivo y prescriptivo: Un ejemplo cotidiano

Imagínese que va en coche a una reunión importante. El modelado predictivo es como un GPS que le dice: "Según los patrones de tráfico actuales, llegará 15 minutos tarde"; el modelado prescriptivo es como un GPS avanzado que le dice: "Tome la siguiente salida, utilice la ruta alternativa y llegará 5 minutos antes. Además, hay una gasolinera en el camino donde el combustible es 10 céntimos más barato por galón".

¿Cómo se aplican los análisis predictivo y prescriptivo a la gestión de gastos comerciales?

Apliquemos estos conceptos a la gestión de gastos comerciales en bienes de consumo:

Modelos predictivos en los gastos comerciales

Los modelos predictivos pueden:

• Pronosticar el aumento de las ventas a partir de diferentes tipos de promociones
• Proyectar el ROI para varios escenarios de gasto comercial
• Estimar los efectos de canibalización entre líneas de productos
• Predecir las fluctuaciones estacionales de la demanda

Ejemplo: Un modelo predictivo analiza sus datos promocionales históricos y determina que una reducción temporal del precio del 20% para su producto de aperitivo en julio probablemente aumentará las ventas en un 35%, con un índice de retorno de la inversión estimado de 180.

Se trata de información valiosa, pero le lleva a preguntarse: "¿Es ésta la mejor estrategia de promoción? ¿Deberíamos asignar nuestro presupuesto de otra manera?". La promoción parece buena, ¡pero no sabemos si hay algo aún mejor!

Modelos prescriptivos en el gasto comercial

Los modelos prescriptivos van más allá:

• Recomendar una combinación promocional óptima
• Sugerir un calendario preciso para las promociones
• Asignación de presupuestos comerciales entre minoristas, regiones y productos
• Creación de planes de acción basados en escenarios

Ejemplo: Un modelo prescriptivo evalúa miles de posibles combinaciones promocionales y recomienda: "Aplicar una reducción de precios del 15% combinada con un expositor de tapa final en el minorista A durante las semanas 28-30, mientras se realiza una promoción BOGO en el minorista B durante las semanas 29-31". Traslade el 12% de su presupuesto de la región X a la región Y. Este enfoque maximizará el ROI global en un 22% en comparación con su plan actual".

El modelo prescriptivo no se limita a predecir resultados, sino que recomienda medidas concretas y prácticas para optimizar el rendimiento.

Aplicación en el mundo real: Transformación de la promoción comercial con un viaje analítico progresivo

Considere cómo un fabricante de bienes de consumo podría aplicar ambos enfoques:

Utilizando únicamente modelos predictivos: La empresa prevé que sus promociones del tercer trimestre generarán 1,2 millones de dólares en ventas incrementales con un retorno de la inversión de 1,5 veces. Los equipos de marketing y ventas discuten si esto es satisfactorio y debaten posibles cambios basados en la intuición y la experiencia.

Añadir el modelado prescriptivo: El sistema prescriptivo de la empresa evalúa todo el calendario promocional y plantea alternativas. Recomienda trasladar ciertas promociones a semanas diferentes, reasignar el gasto de ciertas tácticas a otras y ajustar la profundidad de los descuentos para grupos específicos de productos promocionales. El sistema proyecta que estos cambios generarán 1,6 millones de dólares en ventas incrementales con un índice de retorno de la inversión de 210.

¿Cuáles son algunos de los retos que plantea el análisis prescriptivo?

Aunque el modelado prescriptivo ofrece ventajas significativas, también presenta retos:

1. Los requisitos de calidad de los datos son mayores para los modelos prescriptivos
2. Las fuentes de datos que mejoran las decisiones pueden no estar disponibles
3. La complejidad de la implementación es mayor
4. La gestión del cambio es crucial a medida que las organizaciones se adaptan a las decisiones guiadas por algoritmos.
5. El juicio humano sigue siendo importante para evaluar las recomendaciones de los modelos

Encontrar el equilibrio adecuado

Las organizaciones con más éxito utilizan ambos enfoques:

• El modelado predictivo proporciona información, previsiones y análisis.
• El modelado prescriptivo ofrece recomendaciones y optimizaciones específicas.
• El ser humano evalúa las recomendaciones, tiene en cuenta los factores intangibles y toma las decisiones finales.

Próximos pasos para su organización

Al considerar la mejora de sus capacidades analíticas:

1. Evalúe su madurez analítica actual
2. Identifique los problemas empresariales de alto impacto en los que los enfoques prescriptivos podrían añadir valor.
3. Comenzar con casos de uso específicos en lugar de una implementación a nivel de toda la organización.
4. Invierta en fuentes de datos y en la mejora de la calidad de los mismos junto con la sofisticación de los modelos.
5. Crear equipos multifuncionales que combinen la experiencia analítica con el conocimiento del sector
6. Emplee una plataforma como CPGvision que le permita obtener valor procesable rápidamente.

Conclusión

El cambio del modelado predictivo al prescriptivo representa una evolución fundamental en el análisis empresarial: pasar de la información a la acción. Mientras que los modelos predictivos le dicen lo que es probable que ocurra, los modelos prescriptivos le ayudan a tomar mejores decisiones sobre qué hacer.

En el caso concreto de la gestión del gasto comercial, esta evolución puede transformar las estrategias promocionales de conjeturas a planes de inversión optimizados, lo que en última instancia genera un mayor rendimiento de la inversión y un uso más eficiente del dinero destinado a marketing.

Al continuar su camino analítico, recuerde que el objetivo no es simplemente predecir el futuro, sino darle forma.

Al adoptar el paquete de software de gestión comercial y de ingresos de CPGvision, el mejor de su clase, puede aprovechar el poder del análisis predictivo y prescriptivo, trabajando con nuestro equipo de ciencia de datos.

En CPGvision, estamos orgullosos de nuestro compromiso con sus objetivos. Nuestro equipo está formado por profesionales de la industria de bienes de consumo que están totalmente equipados para apoyarle con su solución TPM.

Para obtener más información sobre CPGvision con IA, póngase en contacto con nosotros hoy mismo.