¿Cómo lograr que los modelos analíticos realmente apoyen el éxito de los negocios?

El éxito en el desarrollo e implementación de las iniciativas analíticas empresariales requiere que se tengan propósitos claros, una alineación con los objetivos del negocio, una adecuada captura y calidad de datos, una gestión y mejoramiento continuo de los modelos analíticos desarrollados y no menos importante, la operacionalización o puesta en producción de los modelos, para apalancar el proceso de decisiones de las diferentes áreas de negocio.

Aunque la palabra operacionalización no existe formalmente en el diccionario de la lengua española, al buscar su origen en inglés (operationalization) se define como “un proceso mediante el cual se describen estrictamente las variables de un fenómeno para poder explicarlas a partir de factores medibles”. Para el caso de los proyectos de analítica, la medición de los factores de éxito debe hacerse a lo largo de todo el ciclo de vida del proceso, desde la captura de los datos hasta la puesta en producción de los modelos y los resultados que se obtienen a partir de la aplicación de estos.

“El valor real del uso de la analítica a nivel corporativo no está en la cantidad de datos almacenados, ni en la cantidad de modelos construidos. Ni siquiera está en la precisión de dichos modelos, al final del día, el valor reside en las decisiones que se toman a partir de del uso de estos modelos y en los resultados obtenidos para el negocio”.

En la mayoría de las empresas, cuando se habla de optimizar las decisiones a partir de la analítica, no son precisamente las decisiones estratégicas ni las tácticas las que se quieren automatizar, son las decisiones operacionales y transaccionales. Ya que, en éstas últimas, se encuentra el volumen más alto de decisiones y es donde la automatización y operacionalización de la analítica genera más valor, pues es donde los modelos analíticos puestos en producción permiten analizar grandes cantidades de información para las que un ejército de personas no daría abasto.

El éxito de la operacionalización se logra cuando es posible combinar la inteligencia de los modelos analíticos, con el conocimiento del negocio expresado en reglas, para apalancar la automatización de decisiones operativas y transaccionales. En otras palabras, cuando se encuentra la manera de llevar los modelos analíticos al mundo real.

Los retos en la operacionalización:

Estas son algunas estadísticas a tener en cuenta relacionadas con la puesta en producción de modelos analíticos:

  • Más del 50% de los modelos construidos nunca se ponen en operación.
  • Más del 90% de los modelos toman más de 3 o 4 meses desde que se construyen hasta que se ponen en producción.
  • Mas del 44% de los modelos que se construyen tomas más de 7 meses en ser puestos en producción

Muchas organizaciones sufren a menudo al operacionalizar su analítica, porque carecen de un proceso estructurado para coordinar recursos a lo largo de todo su ciclo de vida analítico, incluyendo a TI y al negocio. Algunos de los factures que influyen en el fracaso de los proyectos analíticos son:

  • Procesos manuales que limitan la escalabilidad.
  • El rendimiento de los modelos no puede ser monitoreado automáticamente.
  • La extracción de características de los datos (Featuring Engineering) debe ser recreadas manualmente en entornos productivos.
  • Falta de una tecnología integrada que imposibilita la conexión entre el descubrimiento y el despliegue.
  • Los modelos deben ser manualmente recodificados en otro lenguaje para la puesta en operación.
  • Los modelos son demasiado complejos para ejecutarse a escala.
  • Degradación del rendimiento de modelos y falta de reentrenamiento automatizado
  • Falta de gobierno y documentación para reutilizar procesos o mantenimiento

Cuando se aprende a operacionalizar la analítica, se puede:

  • Escalar a nivel empresarial

    • Ejecutar y administrar Modelos Open Source y SAS, usando el mismo motor de alto rendimiento diseñado para operar a escala.
    • Automatizar los procesos de ejecución mediante flujos de trabajo usando código portable el cual se puede desplegar en cualquier parte (REST APIs, Hadoop, Streaming, Mobile, etc.)
    • Desplegar los modelos de manera rápida para incrementar el retorno en la inversión analítica.
    • Determinar el mejor modelo, sin importar el lenguaje, a través de pruebas champion/challenger.
  • Monitorear la efectividad del modelo

    • Crea rutinas de análisis del rendimiento de modelos y continuamente monitorea la salud de los mismos.
    • Acelera el reentrenamiento de modelos para mantener un rendimiento óptimo.
  • Centralizar el gobierno de activos analíticos

    • Controla el acceso de usuarios a modelos y datos en toda la organización
    • Registra la historia del modelo (Ej. utilización y rendimiento) para asegurar el correcto despliegue en las operaciones de negocio.
  • Integrar la analítica en los procesos de decisión

    • Permite adaptar los flujos de decisión operativa a las condiciones de mercado y objetivos de negocio.
    • Integra modelos analíticos con reglas de negocio en flujos de ejecución en tiempo real para apalancar las decisiones en el mejor momento.
    • Escala a decisiones basadas en analítica usando datos en movimiento, datos en reposo y datos embebidos en las aplicaciones de negocio.

Escrito por por Javier Rengifo

Gerente de Customer Advisory para SAS

Leave a Reply