Para ello, las organizaciones necesitan un sistema con muy buen rendimiento que garantice que los modelos se implementen rápidamente para así generar valor comercial.
En este sentido, los científicos de datos, acompañados por expertos de negocios, utilizan la analítica para detectar información potencialmente valiosa, esto es, identifican datos relevantes, los preparan para ser estudiados, los exploran y crean modelos para producir predicciones precisas de forma automática.
Este suele ser un proceso muy creativo, en el que los científicos de datos tienen la máxima libertad para experimentar con la información, métodos y parámetros.
En aplicaciones prácticas enfocadas a acciones comerciales, esto puede generar cientos de modelos, lo que permite, por ejemplo, predecir la mejor recomendación de producto para los clientes que se acercan a su empresa a través de diferentes canales.
Estas acciones apoyadas en la analítica pueden representar una inversión significativa en tiempo, personal, recursos, pero crean estrategias que ofrecen un gran valor comercial cuando se implementan como parte de la toma de decisiones operativas.
Sin embargo, es importante mencionar que solo si estas ideas conducen a alguna acción pueden monetizarse en un determinado proceso comercial, es decir, deben ofrecer la mejor acción o producto al cliente.
Para las decisiones operacionales automatizadas, los resultados de estos modelos analíticos deben combinarse con las reglas comerciales y las tácticas de la empresa, por ejemplo: ¿qué se debe hacer si el cliente es "premium" en lugar de un "económico"?, ¿qué sucede si el puntaje de fraude del cliente es medio y su puntaje de promotor de la marca es alto?
Estos conceptos se abordan en la fase de implementación del ciclo de vida analítico. Los modelos y las reglas se trasladan técnicamente a los datos generados en los procesos comerciales operativos y dicha información puede representar datos en reposo - en una base de datos - o datos en movimiento - en una secuencia de eventos -. Tan pronto como los datos relevantes cambien, se aplicarán los modelos y las reglas y ejecutará la decisión.
La calidad de las decisiones necesita ser monitoreada para que se pueda considerar un reajuste de modelos y reglas si su eficiencia disminuye. Es fundamental la transparencia sobre qué decisión, en un momento dado, se basó en qué datos, qué versión del modelo y qué reglas. Todo esto requiere automatización, transparencia e integración estrecha.
El despliegue de modelos analíticos y reglas comerciales, a través de una plataforma gobernada centralmente, proporciona control sobre cómo se utilizan los análisis. La plataforma en un entorno abierto admite modelos donde las reglas comerciales pueden implementarse automáticamente en cualquier destino (en la base de datos, en la secuencia, en el dispositivo) y monitorearse en un flujo automático y personalizado. La implementación automatizada, las herramientas mejoradas de monitoreo / auditoría, la transparencia y la flexibilidad tendrán un impacto significativo en la eficiencia del negocio.
Los beneficios más importantes de la analítica operativa son:
- Tiempo de entrega más rápido: los modelos y las reglas comerciales se pueden implementar en los datos que están en los procesos operativos de toma de decisiones de los clientes con solo presionar un botón, en lugar de a través de una recuperación manual o semiautomática, codificación y puesta en escena del código. Esto reduce significativamente el tiempo de comercialización y evita que el resultado analítico se vuelva obsoleto antes de que pueda utilizarse.
- Menores costos de implementación: los costos del proceso bajan significativamente debido a la automatización, al mismo tiempo que se reducen las fuentes de errores. Los modelos se pueden refinar y ejecutar sin codificación manual. Todos los pasos del proceso relacionado con datos, modelos y reglas quedan documentados de forma transparente y la ejecución de reglas se administra de forma centralizada. Esto conduce a la reducción de errores, una menor dependencia de los empleados clave y, finalmente, reduce significativamente los costos generales de TI.
- Mayor precisión: los modelos deben ser "frescos" para ser más efectivos. Técnicamente hablando, los patrones en los datos de esos modelos se han adaptado para que sean relevantes.
- Mejor efectividad analítica: la capacidad de combinar análisis y reglas comerciales ayuda a los clientes a diseñar y ejecutar flujos de decisión complejos que se aplican a los requisitos mercantiles modernos.
- Mejor gobernanza y capacidad para controlar el proceso de decisión: en cualquier momento dado es transparente qué decisión se tomó, en función de qué reglas, qué datos y qué versión de un modelo. Los clientes, por lo tanto, tienen sus pistas de auditoría listas y pueden aplicar la gobernanza a la toma de decisiones automática.
Muchas herramientas de software ofrecen la capacidad para que los científicos de datos creen modelos y discutan datos, pero no hay muchas que les permitan compartirlos e implementarlos.
Es por eso que todos los clientes están buscando cómo usar la tecnología analítica para automatizar y mejorar las tareas manuales de hoy. Darse cuenta de que el valor comercial se basa en tomar mejores decisiones y más rápido, es la ventaja competitiva de SAS. Tenemos la plataforma para ayudar a los clientes a aprovechar el valor de una toma de decisiones eficiente.
