2.2.1 ¿Por qué es importante la analítica?

Desde el primer proyecto conocido de recopilación de datos de la población realizado por el gobierno sueco en 1749, hasta la grabación y análisis de Florence Nightingale de datos de mortalidad en la década de 1850, hasta el estudio de la relación entre tabaco y el cáncer pulmonar del académico británico Richard Doll en la década de 1950, la analítica de datos ha alimentado el descubrimiento de conocimientos por cientos de años. En nuestros dias la tecnología nos brinda posibilidades inimaginables. Pensemos en la automatización de la captura de datos que las ciudades inteligenste, la Smard Grid y la Industria 4.0 nos están abiendo y tendremos sólo una primera aproximación sobre lo que veremos en los próximos años.

Cada uno de los escenarios anteriores requería una respuesta a una pregunta hasta ahora sin respuesta. En la década de 1700, los suecos deseaban conocer la distribución geográfica de su población para aprender la mejor forma de sostener una fuerza militar apropiada. Nightingale deseaba conocer el rol que la higiene y los cuidados de enfermería desempañaba en los índices de mortalidad. Doll deseaba saber si las personas que fumaban eran más propensas a sufrir cáncer de pulmón.

Cada uno de estos pioneros sabía que el instinto no era suficiente. La analítica de datos puede descubrir correlaciones y patrones. Hay menos necesidad de recurrir a suposiciones o a la intuición. Y puede ayudar a responder los siguientes tipos de preguntas:

• ¿Qué sucedió?
• ¿Cómo o por qué sucedió?
• ¿Qué sucede ahora?
• ¿Qué es probable que suceda después?

Con computadoras más rápidas y poderosas, hay muchas oportunidades de utilizar la analítica y el big data. Ya sea para determinar riesgo de crédito, desarrollar nuevos medicamentos, hallar formas más eficientes de entregar productos y servicios, prevenir fraude, descubrir ciberamenazas o retener a los clientes más valiosos, la analítica le puede ayudar a entender a su organización – y al mundo que la rodea.

Quien presenta este curso es profesor de la Maestría en Logística de la Facultad de Ingeniería de la UNCUyo desde 1997. También es el profesor de Simulación de Negocios de la Facultad de Ciencias Económicas de la misma universidad desde 2003.
Utilizaremos el método de los minicasos para presentar la herramienta más importante con la que se están desarrollando simulaciones en estos momentos.
No se pretende que los asistentes dominen en tan corto tiempo todas las herramientas, sino mostrarles u ofrecerles alternativas mucho más poderosas y de calidad de software más alta que lo que se podría obtener de una simple hoja de cálculo.

---

Estado del arte en herramientas de Analítica de Datos
Con el advenimiento de la tecnología móvil es hoy más necesario que nunca que las aplicaciones que se desarrollen sean “responsivas”. Es decir que aún cuando no se ejecuten en un equipo sean capaces de adaptarse a pantallas de todo tipo y color. En ese sentido hay dos lenguajes que se han impuesto fuertemente en el ámbito académico. Estos son R-CRAN y Python.

2.2.2 Métodos analíticos populares

Existen tres tipos predominantes de analítica que se usan hoy día.

• Estadística descriptiva. La estadística descriptiva ha estado entre nosotros la mayor cantidad de tiempo. ¿Recuerda a los suecos en 1749? La tabulación de la población fue una incursión temprana en el análisis descriptivo – el resumen de puntos de datos recopilados. Éstos son los modelos que le ayudarán a entender lo que sucedía y por qué. Se siguen utilizando muchas formas de analítica descriptiva hoy en día – todo, desde cuántos clics recibe una página hasta cuántas unidades se producen versus cuántas se venden.

• Analítica predictiva. La analítica predictiva ha tenido un gran aumento de popularidad. El deseo de predecir el comportamiento del cliente ha sido un motor importante. El incremento en el poder de cómputo con la posibilidad de ejecutar cientos o miles de modelos con rapidez – y la adopción generalizada de técnicas predictivas como las máquinas de vectores de soporte, las redes neurales y los bosques aleatorios – impulsan el análisis predictivo al primer plano de operación de muchas organizaciones. Estos modelos usan datos pasados y algoritmos predictivos que le ayudan a determinar la probabilidad de lo que ocurrirá después.

• Analítica prescriptiva. La analítica prescriptiva es el más nuevo chico de la cuadra. Saber lo que sucederá y saber qué hacer son dos cosas diferentes. La analítica prescriptiva responde la pregunta de qué hacer proporcionando información sobre decisiones óptimas basadas en los escenarios futuros anticipados. La clave para la analítica prescriptiva es poder utilizar el big data, datos contextuales y mucho poder de cómputo para producir respuestas en tiempo real.