Análisis prescriptivo

La analítica prescriptiva es una forma de analítica empresarial que sugiere opciones de decisión sobre cómo aprovechar una oportunidad futura o mitigar un riesgo futuro, y muestra las implicaciones de cada opción. Permite a una empresa considerar "el mejor curso de acción a seguir" a la luz de la información derivada de la analítica descriptiva y predictiva . ^{[ 1 ]}

La analítica prescriptiva es la tercera y última fase de la analítica empresarial, que también incluye la analítica descriptiva y predictiva. ^{[ 2 ] [ 3 ]} Conocida como la "última frontera de las capacidades analíticas", ^{[ 4 ]} la analítica prescriptiva implica la aplicación de las ciencias matemáticas y computacionales y sugiere opciones de decisión sobre cómo aprovechar los resultados de las fases descriptiva y predictiva.

La primera etapa del análisis empresarial es el análisis descriptivo, que aún representa la mayor parte del análisis empresarial actual. ^{[ 5 ]} El análisis descriptivo examina el desempeño pasado y lo comprende mediante la extracción de datos históricos para buscar las razones detrás del éxito o el fracaso pasados. La mayoría de los informes de gestión, como los de ventas , marketing , operaciones y finanzas , utilizan este tipo de análisis posterior a los eventos.

La siguiente fase es el análisis predictivo. El análisis predictivo responde a la pregunta de qué es probable que suceda. Aquí, los datos históricos se combinan con reglas, algoritmos y, ocasionalmente, datos externos para determinar el resultado futuro probable de un evento o la probabilidad de que ocurra una situación.

La fase final es la analítica prescriptiva, ^{[ 6 ]} que va más allá de predecir resultados futuros, sino que también sugiere acciones para beneficiarse de las predicciones y muestra las implicaciones de cada opción de decisión. ^{[ 7 ]}

El análisis prescriptivo utiliza algoritmos y modelos de aprendizaje automático para simular diversos escenarios y predecir los resultados probables de diferentes decisiones. ^{[ 8 ]} Luego sugiere el mejor curso de acción basado en el resultado deseado y las limitaciones de la situación. El análisis prescriptivo no solo anticipa qué sucederá y cuándo sucederá, sino también por qué sucederá. ^{[ 8 ]} Además, sugiere opciones de decisión sobre cómo aprovechar una oportunidad futura o mitigar un riesgo futuro y muestra la implicación de cada opción de decisión. El análisis prescriptivo incorpora datos estructurados y no estructurados , y utiliza una combinación de técnicas y disciplinas analíticas avanzadas para predecir, prescribir y adaptarse. Puede incorporar continuamente nuevos datos para volver a predecir y prescribir, mejorando así automáticamente la precisión de la predicción y prescribiendo mejores opciones de decisión. El análisis prescriptivo eficaz utiliza datos híbridos, una combinación de datos estructurados (números, categorías) y no estructurados (vídeos, imágenes, sonidos, textos), y reglas de negocio para predecir lo que depara el futuro y prescribir cómo aprovechar este futuro previsto sin comprometer otras prioridades. ^{[ 9 ]} Basu sugiere que sin la entrada de datos híbridos, los beneficios de la analítica prescriptiva son limitados. ^{[ 1 ] [ a ]}

Además de esta variedad de tipos de datos y el creciente volumen de datos, los datos entrantes también pueden evolucionar con respecto a la velocidad, es decir, se generan más datos a un ritmo más rápido o variable. Las reglas de negocio definen el proceso de negocio e incluyen objetivos, restricciones, preferencias, políticas, mejores prácticas y límites. Los modelos matemáticos y computacionales son técnicas derivadas de las ciencias matemáticas, la informática y disciplinas afines como la estadística aplicada, el aprendizaje automático, la investigación operativa , el procesamiento del lenguaje natural , la visión artificial , el reconocimiento de patrones, el procesamiento de imágenes, el reconocimiento de voz y el procesamiento de señales. La correcta aplicación de todos estos métodos y la verificación de sus resultados implican la necesidad de recursos a gran escala, incluyendo recursos humanos, computacionales y temporales para cada proyecto de análisis prescriptivo. Para ahorrar el gasto de decenas de personas, máquinas de alto rendimiento y semanas de trabajo, se debe considerar la reducción de recursos y, por lo tanto, una reducción en la precisión o confiabilidad del resultado. La ruta preferible es una reducción que produzca un resultado probabilístico dentro de límites aceptables.

Las tres fases del análisis pueden realizarse mediante servicios profesionales, tecnología o una combinación de ambos. Para escalar, las tecnologías de análisis prescriptivo deben ser adaptables y tener en cuenta el creciente volumen, la velocidad y la variedad de datos que generan la mayoría de los procesos críticos y sus entornos.

Una crítica a la analítica prescriptiva es que su distinción de la analítica predictiva está mal definida y, por lo tanto, mal concebida. ^{[ 10 ]}

Aunque el término analítica prescriptiva fue acuñado por primera vez por IBM , ^{[ 3 ]} y posteriormente registrado como marca por la empresa Ayata, con sede en Texas, ^{[ 11 ] [ 12 ]} los conceptos subyacentes existen desde hace cientos de años. La tecnología detrás de la analítica prescriptiva combina sinérgicamente datos híbridos , reglas de negocio con modelos matemáticos y modelos computacionales . Los datos de entrada para la analítica prescriptiva pueden provenir de múltiples fuentes: internas, como dentro de una corporación; y externas, también conocidas como datos ambientales. Los datos pueden ser estructurados, que incluyen números y categorías, así como datos no estructurados , como textos, imágenes, sonidos y videos. Los datos no estructurados difieren de los datos estructurados en que su formato varía ampliamente y no se pueden almacenar en bases de datos relacionales tradicionales sin un esfuerzo significativo de transformación de datos. ^{[ 13 ]} Más del 80% de los datos del mundo hoy en día no están estructurados, según IBM. ^{[ 14 ]}

La marca comercial de Ayata fue cancelada en 2018. ^{[ 12 ]}

La energía es la industria más grande del mundo (con un tamaño de 6 billones de dólares). Los procesos y decisiones relacionados con la exploración, el desarrollo y la producción de petróleo y gas natural generan grandes cantidades de datos. Muchos tipos de datos capturados se utilizan para crear modelos e imágenes de la estructura y las capas de la Tierra a 5000-35 000 pies por debajo de la superficie y para describir las actividades alrededor de los pozos, tales como las características de deposición, el rendimiento de la maquinaria, los caudales de petróleo, las temperaturas y presiones del yacimiento. ^{[ 15 ]} El software de análisis prescriptivo puede ayudar tanto en la localización como en la producción de hidrocarburos ^{[ 16 ]} al tomar datos sísmicos, datos de registros de pozos, datos de producción y otros conjuntos de datos relacionados para prescribir recetas específicas sobre cómo y dónde perforar, completar y producir pozos con el fin de optimizar la recuperación, minimizar los costos y reducir el impacto ambiental. ^{[ 17 ]}

Desarrollo de recursos no convencionales

Dado que el valor del producto final está determinado por la economía global de las materias primas, la base de la competencia para los operadores en la exploración y producción de hidrocarburos radica en su capacidad para desplegar capital de manera efectiva y localizar y extraer recursos con mayor eficiencia, eficacia, previsibilidad y seguridad que sus competidores. En los yacimientos de recursos no convencionales, la eficiencia y la efectividad operativas se ven mermadas por las inconsistencias de los yacimientos, y la toma de decisiones se ve afectada por un alto grado de incertidumbre. Estos desafíos se manifiestan en bajos factores de recuperación y amplias variaciones en el rendimiento.

El software de análisis prescriptivo puede predecir con precisión la producción y prescribir configuraciones óptimas de variables controlables de perforación, terminación y producción, modelando simultáneamente numerosas variables internas y externas, independientemente de su origen, estructura, tamaño o formato. ^{[ 18 ]} El software de análisis prescriptivo también puede proporcionar opciones de decisión y mostrar el impacto de cada una de ellas, de modo que los gerentes de operaciones puedan tomar medidas proactivas y oportunas para garantizar el rendimiento futuro de la exploración y la producción, y maximizar el valor económico de los activos en cada etapa de su vida útil. ^{[ 19 ]}

Las Reglas Estructurales Comunes para Graneleros y Buques Tanque ( gestionadas por la organización IACS ) utilizan intensivamente el término " requisitos prescriptivos " como una de las dos clases principales de cálculos verificables mediante herramientas numéricas y algoritmos específicos para comprobar la seguridad de la construcción del casco del buque.

Diversos factores impulsan a los proveedores de atención médica a mejorar drásticamente sus procesos y operaciones, a medida que el sector sanitario estadounidense emprende la necesaria transición de un sistema basado principalmente en el volumen de servicios prestados a un sistema basado en el valor y el desempeño. El análisis predictivo desempeña un papel fundamental para mejorar el rendimiento en diversas áreas que involucran a diferentes partes interesadas: aseguradoras, proveedores y compañías farmacéuticas.

El análisis prescriptivo puede ayudar a los proveedores a mejorar la eficacia de la atención clínica que brindan a la población que atienden y, en consecuencia, lograr una mayor satisfacción y retención de los pacientes. Los proveedores pueden mejorar la gestión de la salud poblacional identificando modelos de intervención adecuados para poblaciones estratificadas por riesgo, combinando datos de episodios de atención en centros hospitalarios y telemedicina domiciliaria .

El análisis prescriptivo también puede beneficiar a los proveedores de atención médica en su planificación de capacidad al utilizar análisis para aprovechar datos operativos y de uso combinados con datos de factores externos como datos económicos, tendencias demográficas de la población y tendencias de salud de la población, para planificar con mayor precisión futuras inversiones de capital, como nuevas instalaciones y utilización de equipos, así como comprender las ventajas y desventajas entre agregar camas adicionales y expandir una instalación existente frente a construir una nueva. ^{[ 24 ]}

El análisis prescriptivo puede ayudar a las compañías farmacéuticas a acelerar el desarrollo de sus fármacos mediante la identificación de cohortes de pacientes más adecuadas para los ensayos clínicos a nivel mundial: pacientes que se espera que cumplan con el tratamiento y no abandonen el ensayo por complicaciones. El análisis puede indicar a las compañías cuánto tiempo y dinero pueden ahorrar si eligen una cohorte de pacientes en un país específico en lugar de otra.

En las negociaciones entre proveedores y aseguradoras, los proveedores pueden mejorar su posición negociadora con las aseguradoras de salud al comprender a fondo la utilización futura de los servicios. Al predecir con precisión dicha utilización, los proveedores también pueden asignar mejor al personal.

• Revista digital bimensual de INFORMS sobre la profesión de analista de datos.
• Menon, Jai "Por qué importan los datos: Más allá de la predicción" IBM
• Sistema global de análisis y conocimiento para la mejora del rendimiento (GoPeaks)