Home » Consultoría » Analisis empresarial SAP » El análisis predictivo al alcance de todos: SAP InfiniteInsight

Identificado por Gartner como una de las tecnologías emergentes más importantes en 2014, el análisis predictivo está llamado a convertirse en la estrella de la industria para el próximo año. De hecho, Big Data, la nube y los avances en la búsqueda y filtrado de datos hacen que estemos viviendo un momento apasionante en el mercado de análisis de datos.

Como respuesta a esta tendencia, hoy nos gustaría hablar un poco más detenidamente de una de las últimas incorporaciones a la cartera de SAP: la solución de análisis predictivo SAP InfiniteInsight. Veamos sus principales características:

  • Se trata de una herramienta sencilla e intuitiva. Esto significa que no hay que ser un experto (lo que se denomina ahora un “científico de datos”) para poder aprovecharla, sino que cualquier usuario, como los del departamento de marketing, puede manejarla con soltura.
  • Se basa en un enfoque guiado. Permite desplegar rápidamente los modelos predictivos –centrándose en los datos y las variables y no en los algoritmos-, con capacidad de generar variaciones y ajustes en los modelos en mucho menos tiempo que las soluciones clásicas.
  • Incluye una gran variedad de funciones predictivas: clasificación, regresión, segmentación, previsiones, reglas de asociación, análisis de redes sociales y recomendaciones.
  • Abarca todo el ciclo predictivo, desde la preparación de los datos al auto modelado, el despliegue de los modelos en el sistema y la incrustación de los mismos en otras aplicaciones en las que las predicciones puedan resultar útiles.

Hasta aquí, podría parecer que SAP InfiniteInsight no difiere mucho de otras herramientas de análisis predictivo que podemos encontrar en el mercado. Sin embargo, en Seidor hemos descubierto la potencia de esta solución en algunos aspectos clave: la rapidez (los modelos se obtienen en minutos u horas), la sencillez y el aprovechamiento de las infraestructuras existentes.

Por eso, recomendamos esta solución a todas las organizaciones que necesiten resolver problemas predictivos comunes (como predecir el gasto en la campaña navideña o acertar la promoción que tendrá más éxito) sin tener que contar con especialistas analíticos entre su personal.

Incluso puede ayudarnos a explotar los datos que llegan de las redes sociales de la empresa, construyendo gráficos muy visuales y clarificadores  que nos ayuden a entender el comportamiento de nuestros clientes y quiénes son los usuarios más influyentes dentro de nuestra comunidad.

Consulte al equipo de Seidor para conocer las diferentes opciones de implementación que le ofrecemos y descubrir hasta dónde puede llegar con el análisis predictivo. ¿Se atreve a predecir el futuro de su negocio?


Responsable soluciones Business Intelligence en Seidor
Ingeniero Superior Telecomunicaciones por la Escuela Técnica Superior de Ingenieros de Telecomunicación de Barcelona y PDD por IESE Business School. Desde 1997 ha desarrollado en Seidor Consulting su carrera profesional, actualmente es el director de Seidor Analytics, una unidad de negocio del Grupo Seidor focalizada única y exclusivamente en soluciones de Analytics, con un equipo a su cargo de 60 consultores y unos 400 clientes activos. También es miembro activo del SAP EMEA Partner Analytics Advisory Council desde 2011.

4 comentarios para “El análisis predictivo al alcance de todos: SAP InfiniteInsight

  1. Juan E. Lujan dice:

    Estimado Victor , la consulta que tengo es si el análisis predictivo también se puede utilizar para un SGSI(Sistema de Gestión de seguridad de Información)

    Gracias por su respuesta.

    • Victor Agramunt dice:

      Hola Juan, gracias ante todo por tu interés en la publicación,

      SAP Predictive Analytics resulta útil siempre que se pueda caracterizar un evento con variables, sea cual sea la aplicación en cuestión. En el caso de un SGSI, resultaría de aplicación tras la fase de chequeo de las políticas, hasta el punto que una vez se dispusiera de un histórico de eventos relevantes para el control de la seguridad, se podrían anticipar situaciones no deseadas de manera automática y desencadenar las acciones que correspondieran en función del evento previsto.

      Esto permitiría optimizar el sistema de manera automática sin requerir de la intervención humana, de hecho el modelo generado se ajusta también de forma automática para adaptarse a los cambios acontecidos en el histórico de eventos.
      Saludos.

  2. DRG dice:

    Hola Víctor,

    He llegado hasta su publicación debido a que probablemente en breves me tocará utilizar esta herramienta para mi trabajo diario, que es el de hacer modelos predictivos. Y vivido este proceso de transición de una herramienta a otra, y como especialista en Data Science desde hace varios años, permitame dejar mi reflexión:

    Observo con cierta sorpresa las promesas de los grandes productores de software estadístico de ofrecer “La Herramienta”, aquella que devuelve un milagro con sólo darle a un botón, sin tener que contratar a (innecesarios, pesados y caros) especialistas en el tema. Tengo que decir que he probado muchas herramientas, y las que prometen eso son un gasto enorme e inútil. Los datos son tan dependientes del negocio, las circunstancias de la empresa, son tan dinámicos, muchas veces con muchos errores… es imposible construir la herramienta estándar, que valga para todas las empresas, que genere todo tipo de modelos, flexible con la eliminación y adición de información, que sea ridículamente fácil de utilizar y que encima los modelos que devuelva sean la panacea. Y el que diga lo contrario, no me da confianza como para contratar su herramienta. En definitiva, la estadística es una disciplina muy complicada, utilizada en procesos ad-hoc muy caprichosos, donde cada negocio es un mundo y un mundo extremadamente cambiante. ¿Cómo es posible que alguien piense que un perfil sin conocimientos previos puede hacer ese trabajo? Incluso utilizando su herramienta, hay multitud de medidas estadísticas que si no se analizan y utilizan a favor del modelo, el resultado es indefendible en caso de que el resultado no funcione.

    Este enfoque erróneo (bajo mi punto de vista) del trabajo de un data scientist hace que los que sabemos de que va todo esto, estemos obligados a utilizar herramientas opacas y rígidas o a buscar soluciones de software libre, aumentando considerablemente la carga de trabajo, pues la empresa no asume ni formación ni tiempo dedicado a desarrollarlas.

    Pretendo todos los días mostrar que no se puede tomar a la ligera un trabajo complejo que luego no sepamos justificar o que arrojemos posteriormente la culpa de sus malos resultados a otros departamentos o a los datos propiamente dichos. Y para ello hay que contar con herramientas que faciliten el trabajo, por Dios, SÍ, pero que no lo convierta en una caja negra, rápida, pero caja negra al fin y al cabo.

    Gracias y saludos cordiales,
    DRG

    • Victor Agramunt dice:

      Estimado DRG, gracias ante todo por tu interés en el artículo. Déjame también antes de responderte, mostrar mi admiración ante los perfiles como el tuyo que se dedican al Data Science, además de que creo que a fecha de hoy es una de las carreras con más recorrido profesional, sería sin duda una de las especialidades que elegiría para incorporar a mi cartera de conocimientos, afortunados son aquellos que hoy en día están en disposición de esos conocimientos.

      Con respecto a lo que comentas, estas soluciones, no persiguen de ninguna manera evitar la contratación de especialistas en Data Science, que bajo mi punto de vista, no son ni caros, ni pesados y mucho menos innecesarios. Lo único que persiguen es penetrar en los datos analizados y ofrecer a los usuarios de negocio a partir de la generación automática de modelos, un detalle y una información sobre los datos que ellos con sus conocimientos nunca podrían haber llegado a tener.

      Es evidente que los resultados de un análisis ad-hoc realizado por un especialista serían mucho más enriquecedores y que los modelos resultantes serían más robustos y con mayor poder de predicción pero lo que se persigue con estas soluciones es conseguir en menos tiempo y de forma más sencilla modelos que presenten unos niveles de robustez y capacidad de predicción que permitan al negocio mejorar la decisión a tomar o la acción a emprender; está claro que los modelos resultantes no son la panacea pero ofrecen una muy buena aproximación para aquellos que no tenemos los suficientes conocimientos en el ámbito de Data Science; la automatización de modelos de SAP Predictive Analytics tiene base como base matemática la técnica Structural risk minimization (SRM) (de Vapnik and Chervonekis, 1974).

      Como muy bien comentas, no se pueden extrapolar modelos válidos para todas las empresas, todas tienen datos en diferentes repositorios con diferentes niveles de calidad y además, el negocio, hace que las variables también sean diferentes, no obstante, discrepo en tu opinión de que el gasto sea inútil ya que ha probado mejorar procesos de negocio en diferentes clientes y déjame también aclarar que la implantación de estas soluciones sigue requiriendo de perfiles avanzados para poder enfocar los proyectos de manera correcta y obtener el máximo rendimiento contratando en algunos casos los resultados obtenidos por los modelos generados de manera automática con modelos ad-hoc.

      Déjame plasmar una última reflexión antes de concluir mi respuesta, creo que las empresas cada día valoran y valorarán más a perfiles como el tuyo que pueden aportarles una visión sobre su negocio mucho más avanzada de la que ellos podrían conseguir, incluso más avanzada de la que podrían conseguir con soluciones como SAP Predictive Analytics; debes considerarte afortunado.

      Si debes abordar un proyecto con esta solución en concreto, estaría encantado de conocer tu feedback, no dudes en hacérmelo llegar, te dejo mi dirección de correo electrónico: vagramunt@seidor.es.

      Saludos
      V

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *


Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>