Los siete mitos del Data Mining

El análisis predictivo es un aliado cada vez más utilizado por todo tipo de industrias para optimizar sus procesos. Entre las aplicaciones más típicas se cuentan la adquisición y retención de nuevos clientes, el crecimiento de la cartera, cobranzas, manejo del riesgo y prevención del fraude. Sin embargo, es frecuente encontrar algunos mitos que, tenidos por ciertos, atentan contra la implementación de modelos de data mining potencialmente exitosos.

1. Antes de empezar con data mining, tenemos que tener listo un datawarehouse.Falso. Para la generación de modelos predictivos no se necesitan que los datos estén en un datawarehouse. Alcanza con que la información esté disponible en cualquier base de datos, planillas Excel, archivos planos, etc.

2. Antes tengo que implementar el CRM o proyecto de cliente único. Falso. Si bien es muy interesante contar con los datos de las interacciones individuales con cada cliente en particular, no es necesario tener un sistema de CRM operativo para generar e implementar modelos predictivos. Estos modelos se basan en características estadísticas, en los grandes números. La sugerencia entonces es hacer lo mejor que se puede con lo que se tiene.

3. Sólo tiene sentido desarrollar scores para grandes volúmenes de clientes. Falso. Se pueden crear modelos predictivos con apenas cientos de registros o con miles de ellos. Lo que se deberá analizar en cada caso, según la industria, es el sentido económico de la implementación de esta herramienta. Puede suceder que el ROI de implementar un score para sólo unos cientos de casos ya genere un recupero significativo que justifique iniciar un proyecto de tales características.

4. Si hay basura y datos faltantes no se puede desarrollar un modelo. Falso. La estadística trabaja con grandes números, identificando patrones genéricos. Por lo tanto, una cantidad relativamente pequeña de errores y datos faltantes no influye en el resultado del modelo. Inclusive, se toma como válido el hecho que el dato no esté informado.

5. El departamento de Sistemas siempre tiene otra prioridad. Cierto. El gerente que necesita información para la toma de decisiones no puede tener siempre disponibles a la gente de Sistemas, no tiene tiempo para crear y desarrollar modelos de informes adecuados a sus necesidades, y necesita apoyo en en análisis de tamaña cantida de variables cambiando tan rápidamente en estos tiempos de furia del mercado. ¡Esto es un trabajo para nosotros de Business Action!

6. Desarrollar un modelo lleva mucho tiempo, es muy complejo y muy caro. Falso. Es cierto que los algoritmos de data mining son, en esencia, complejos. Pero la utilización de plantillas guían en cada paso de la construcción del modelo simplifica el proceso notablemente, haciéndolo accesible a empresas de todo porte. La participación de expertos en el negocio, con un conocimiento exhaustivo del problema, es fundamental para obtener resultados útiles y confiables. ¡Entra en contacto ahora mismo con nosotros, y hablemos de cómo hacer que los datos de tu empresa te cuenten lo que quieren tus clientes!