¿Qué clientes tienen mayor probabilidad de dejar un servicio? ¿Qué créditos presentan mayor riesgo? ¿Qué productos van a necesitar reposición? ¿Qué equipos pueden fallar antes de provocar una interrupción?
Los modelos predictivos permiten responder este tipo de preguntas utilizando los datos que las organizaciones ya generan. Su objetivo no es solamente anticipar qué puede ocurrir, sino convertir esa anticipación en una señal concreta para tomar una mejor decisión de negocio.
Aunque se utilizan desde hace años en múltiples industrias, los avances en inteligencia artificial ampliaron significativamente sus posibilidades. Hoy es posible construir modelos más precisos, aprovechar mayores volúmenes de información e integrar sus resultados directamente a los procesos operativos.
De los datos a una decisión
En términos simples, un modelo predictivo analiza información histórica para identificar patrones y relaciones que permitan estimar la probabilidad de que ocurra un determinado evento.
El resultado puede expresarse, por ejemplo, mediante un puntaje o score: la probabilidad de que un cliente entre en mora, abandone un servicio, responda a una oferta o de que una determinada operación presente una anomalía.
Ese score puede incorporarse directamente al proceso de negocio para decidir qué hacer: aprobar una operación, priorizar un contacto, generar una alerta, orientar una inspección o automatizar una respuesta.
Así, los datos dejan de utilizarse solamente para explicar lo que ocurrió y pasan a ayudar a responder dos preguntas mucho más relevantes para la gestión: qué puede ocurrir y qué conviene hacer al respecto.
Del crédito a la experiencia del cliente
Las aplicaciones de los modelos predictivos abarcan prácticamente cualquier actividad en la que exista información histórica y una decisión que pueda mejorarse.
En banca y servicios financieros, pueden utilizarse para evaluar el riesgo crediticio y definir aprobaciones, límites y condiciones; anticipar situaciones de mora y priorizar la gestión de cobranza; detectar operaciones sospechosas o identificar clientes con mayor propensión a contratar nuevos productos.
En comercio minorista y consumo masivo, permiten predecir la demanda por producto, punto de venta y período para mejorar el abastecimiento y reducir tanto faltantes como excedentes de inventario. También pueden identificar qué clientes tienen mayor probabilidad de responder a una acción comercial, anticipar una caída en la frecuencia de compra o estimar el valor potencial de cada cliente.
En telecomunicaciones, los modelos de fuga permiten identificar clientes con riesgo de abandono cuando todavía existe una oportunidad de retención. También pueden estimar la propensión a contratar servicios adicionales, cambiar de plan o anticipar reclamos y deterioros en la experiencia del cliente.
En manufactura y logística, pueden predecir la demanda para planificar producción, compras e inventarios, anticipar posibles fallas de equipos utilizando información de operación y mantenimiento, y estimar tiempos o desvíos en la cadena de abastecimiento.
El potencial se extiende a muchas otras actividades. En seguros, pueden contribuir a estimar la siniestralidad, anticipar la no renovación de pólizas y priorizar siniestros para auditoría. En servicios públicos, permiten detectar consumos irregulares, anticipar la demanda de energía, gas o agua y estimar el riesgo de mora. En salud, pueden utilizarse para anticipar costos asistenciales, identificar poblaciones de riesgo y detectar patrones de prestación anómalos. Y en el sector público, pueden ayudar a priorizar fiscalizaciones, detectar inconsistencias o anticipar la demanda de determinados servicios.
Los problemas son diferentes, pero el principio es el mismo: utilizar la información disponible hoy para estimar qué es más probable que ocurra y orientar una decisión antes de que ocurra.
Un buen modelo no es necesariamente el más sofisticado
Los avances en inteligencia artificial ampliaron considerablemente las posibilidades de la analítica predictiva. Sin embargo, desarrollar un buen modelo no significa simplemente aplicar el algoritmo más nuevo o más complejo.
La técnica debe estar al servicio de la decisión que se busca mejorar.
La metodología adecuada depende del objetivo del modelo, del volumen y las características de los datos disponibles, de la necesidad de explicar sus resultados y de la forma en que esos resultados serán utilizados.
Por eso pueden combinarse técnicas de aprendizaje automático (machine learning) e inteligencia artificial con metodologías estadísticas tradicionales ampliamente probadas.
En algunos problemas será especialmente importante maximizar la capacidad predictiva. En otros, la estabilidad o la posibilidad de explicar por qué el modelo asignó determinado nivel de riesgo serán igualmente relevantes.
La mejor solución es la que logra el equilibrio adecuado entre capacidad predictiva, estabilidad, robustez, explicabilidad y aplicabilidad al negocio.
Del modelo al proceso de negocio
Construir un modelo con buena capacidad predictiva es solamente una parte del desafío. Para generar valor, sus resultados tienen que llegar al lugar donde se toman las decisiones.
Un score puede integrarse a los sistemas y procesos existentes para realizar evaluaciones en línea, priorizar casos, generar alertas o alimentar decisiones automatizadas.
De esta manera, el modelo deja de ser un análisis o un informe aislado y pasa a formar parte de la operación cotidiana.
Por ejemplo, un modelo de riesgo puede intervenir en el momento en que se evalúa una solicitud de crédito; uno de fuga puede determinar qué clientes debe contactar primero un equipo de retención; y uno de fraude puede ayudar a definir qué operaciones requieren revisión adicional.
El verdadero valor aparece cuando la capacidad de anticipación se incorpora al proceso que decide.
Cuando los datos cambian, el modelo también debe cambiar
Existe además otro desafío: los patrones sobre los que se construyó un modelo no permanecen constantes.
El comportamiento de los clientes cambia. También lo hacen las condiciones económicas, la composición de una cartera, los productos, los canales comerciales y los hábitos de consumo.
Por eso, un modelo que inicialmente presenta una excelente capacidad predictiva puede comenzar a perder efectividad con el paso del tiempo.
El problema es que esa degradación no siempre resulta evidente. Si no se monitorea el modelo, puede advertirse recién cuando las decisiones que se apoyan en él ya comenzaron a perder calidad.
Por eso es fundamental controlar periódicamente su desempeño, estabilidad y calidad predictiva, para detectar cambios en los datos y en los patrones de comportamiento antes de que tengan un impacto significativo en el negocio.
Smart Adaptive Score: modelos que evolucionan con los datos
Para abordar este problema, BeSmart incorpora Smart Adaptive Score, una tecnología que permite que el modelo se adapte automáticamente a medida que cambia la información sobre la que trabaja.
A medida que se generan nuevos datos y se observan los resultados reales, Smart Adaptive Score incorpora esa información y ajusta el comportamiento del modelo cuando detecta que los patrones están evolucionando.
Esto permite que el modelo acompañe los cambios de la cartera o del contexto sin necesidad de reconstruirlo desde cero cada vez que se produce una variación.
La adaptación se complementa con un monitoreo periódico del desempeño, la estabilidad y la calidad de las predicciones. De esta manera, la organización puede conocer cómo está funcionando su score y detectar tempranamente posibles desvíos.
El objetivo es extender la vida útil del modelo y sostener su capacidad predictiva a lo largo del tiempo, incluso cuando la realidad sobre la que fue construido comienza a cambiar.
Predictive Modeling: modelos a medida para cada organización
Con Predictive Modeling, BeSmart desarrolla modelos construidos sobre los datos, la población y los objetivos específicos de cada organización, buscando el equilibrio adecuado entre capacidad predictiva, estabilidad, explicabilidad y aplicabilidad al negocio.
El diferencial está en llevar esa capacidad desde los datos hasta la decisión: integrar los modelos a los procesos existentes, monitorear su desempeño y, mediante Smart Adaptive Score, adaptarlos cuando evolucionan los patrones observados. Así, la analítica predictiva se transforma en una herramienta concreta para anticipar escenarios y tomar mejores decisiones de negocio.
Conoce más sobre Predictive Modeling