¿Son los modelos predictivos realmente eficaces?

19/08/2019 | Big Data & Analytics

La facturación del Fitness español aumenta un 7,5% de media anual desde 2015 gracias al aumento del volumen de clientes. El sector cerró 2018 con 5,3 millones de abonados, 4.650 centros deportivos y una penetración del 11,4% en la sociedad. La proliferación de cadenas de centros deportivos debido a una mayor preocupación por la salud y el bienestar de la sociedad es una realidad que aún no ha tocado techo, habiendo incrementado en 130.000 el número de usuarios. Los estudios indican que el margen de crecimiento sigue siendo alto, especialmente en ciudades medias y grandes.

No obstante, este crecimiento se ha moderado, comenzando una nueva etapa más enfocada hacia la retención de clientes que hacía la captación de nuevos usuarios.

Esta nueva necesidad hace que las empresas busquen conocer profundamente los usos y costumbres de sus usuarios. En definitiva, se requiere una caracterización profunda de los clientes y cómo éstos se relacionan con las distintas áreas de los centros deportivos.

La ingente cantidad de datos que un usuario de un centro genera, tanto dentro como fuera de éste permite a los analistas de datos no sólo visualizar qué  es lo que ha pasado o está pasando a tiempo real sino también predecir qué es lo que va a pasar.

Saber la decisión que un cliente va a tomar respecto a su permanencia en el centro deportivo ante la inminente apertura de un centro competidor, cuáles van a ser sus siguientes actividades deportivas a las que se va a apuntar o qué postura va a tomar respecto a una subida de la cuota, puede, en un principio, parecer conocimiento alcanzable sólo en la ciencia ficción.

Modelos predictivos eficaces: aprender de hechos pasados para predecir hechos futuros

Sin embargo, los modelos predictivos que actualmente se están desarrollando permiten saber estas cuestiones con un alto índice de probabilidad de acierto.

Siendo realistas, los algoritmos de los que tanto hablamos no son inteligentes, sino que aprenden, y rápidamente, de hechos pasados para predecir hechos futuros, ésta es toda la magia que se esconde dentro de un modelo predictivo.

Obviamente, si al algoritmo le entrenamos con datos de mala calidad no podemos esperar más que resultados de mala calidad, es decir, unos malos datos nos llevarán a tomar malas decisiones. Pero si el proceso de aprendizaje ha seguido un procedimiento de calidad en cuanto al rigor de los datos introducidos, obtendremos una herramienta no infalible, pero que nos ayudará a tomar decisiones estratégicas con un mejor índice de acierto. Esta herramienta nos ayudará a paliar un defecto “de fabrica” que tenemos todos los humanos: sobreestimamos lo que sabemos e infravaloramos la incertidumbre.

Creo que todos tenemos claro que los modelos predictivos no son infalibles, de hecho, para que lo fueran, tendrían antes que acabar con el libre albedrío y los inevitables cisnes negros o rarezas que a lo largo de la historia se repiten casi cíclicamente. 

Pero incluso con la incertidumbre que pueda arrojar un modelo predictivo, siempre será más beneficioso que no tener esta información. En definitiva, apostemos por esta tecnología sin ninguna duda: Es mejor saber al 87% de probabilidades que un cliente al que consideramos fiel, puede dejar de serlo y tomar medidas al respecto antes de que el hecho ocurra, que no tener estos indicios y dejar que el cliente se marche definitivamente. Pero también hagamos un ejercicio de responsabilidad y de sentido común a la hora de esperar grandes cosas de una fórmula matemática. Dejemos a un lado a los Precog salinizados de Minority Report y entendamos los modelos predictivos como el “consigliere” de El Padrino, una fuente de buenos consejos y advertencias, que nos ayudarán a tomar decisiones libres de sesgos o prejuicios.

Ahí es nada.

Javier Ramos Turrión

 Francisco Hernán Gómez

Francisco Hernán Gómez

Consultor Inbound Marketing

Ver más artículos de Francisco

  Otros artículos que te interesarán

0 comentarios

Smartup 2019 © Todos los derechos reservados.