Data Analytics

El panel muestra lo que pasó. Analytics responde por qué y qué viene después.

Un buen panel resuelve la primera pregunta: el margen cayó. Rara vez resuelve la segunda, que es la que importa: ¿por qué cayó, en qué segmento de cartera, y va a seguir el mes que viene?

Ahí es donde entra analytics. No como un panel más bonito, sino como un tipo distinto de trabajo: cruzar variables que nadie cruzó, aislar lo que de verdad explica el resultado y, cuando hay histórico suficiente, proyectar lo que tiende a ocurrir. La diferencia práctica es pasar de reaccionar al cierre a actuar antes de él.

Dos capas de análisis

La primera casi siempre tiene que ir antes que la segunda: predecir sin entender produce un número en el que nadie confía.

• Diagnóstico. Por qué se movió el indicador. Segmentación, análisis de cesta, curva ABC, cruce entre canales y cohortes de cliente. Es la capa que convierte "cayó un 8%" en "cayó un 8% porque un segmento concreto de la cartera cambió de comportamiento".
• Predictivo. Lo que tiende a ocurrir. Modelos de Machine Learning aplicados a previsión de demanda, propensión de compra, riesgo de morosidad y churn. Siempre con el margen de error explicitado una previsión sin intervalo de confianza es una corazonada con apariencia de ciencia.

Dónde suele dar retorno más rápido

Estos son los frentes en los que analytics suele pagarse primero en los proyectos que atendemos.

• Cartera de clientes. Quién da beneficio de verdad después del coste de servir, el transporte y el descuento. Es común descubrir que parte de la cartera pierde dinero con facturación alta.
• Previsión de demanda. Para dimensionar inventario y producción sin elegir entre rotura de stock y capital parado.
• Riesgo y morosidad. Priorizar el cobro por lo que tiene posibilidad real de recuperarse, en lugar de tratar a todos igual.
• Churn. Identificar al cliente que se está yendo mientras todavía se puede hablar con él.

Qué te queda al final

• El modelo documentado. Variables usadas, cómo se entrenó y cuándo necesita reentrenarse.
• El análisis escrito. El hallazgo en lenguaje claro, con la recomendación de acción no solo el gráfico.
• El seguimiento en producción. La previsión comparada con lo realizado, para que veas si el modelo sigue acertando.
• Formación del equipo. Para leer el resultado con el escepticismo justo y saber cuándo el modelo no sirve.

Cómo lo conducimos

Empezamos por la pregunta de negocio, no por el algoritmo y el diagnóstico inicial sirve para comprobar si existe dato con calidad e histórico suficientes para responderla. Muchas veces la respuesta es que todavía no existe, y decirlo en la primera semana es más honesto que entregar un modelo bonito entrenado con dato malo.

Cómo medimos el resultado

El criterio es siempre la decisión que el análisis cambió, no la precisión aislada. En nuestros proyectos los indicadores más frecuentes son ganancia de margen por segmento de cartera, reducción de pérdida operativa y acierto de la previsión comparado con el método anterior.

Hoy tenemos un seguimiento mucho más robusto, rápido y visual de los resultados de cada gerencia.

Dirección comercial distribuidora nacional de combustibles