La minería de datos es una herramienta digital cuyo uso se ha mantenido en crecimiento, especialmente, en los últimos 15 años. La pandemia de la COVID-19, incluso, la ha hecho más conocida debido a los modelos de predicción que han surgido. Más allá de la situación que atraviesa la industria, los aportes de este recurso abarcan el ámbito empresarial, las ciencias y el arte. 

A medida que los competidores utilizan algún modelo de minería de datos, los otros participantes en el mercado se dan cuenta de que existe algo que aplican los líderes. Así descubren las capacidades adicionales que genera esta herramienta y la adoptan. Al final, un experto elegirá la técnica o el modelo más adecuado, según los objetivos y datos de los que dispone para lograr su objetivo.

Modelos básicos

Un primer modelo conocido son las redes neuronales, inspiradas en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. Algunos ejemplos de red neuronal son el perceptrón y los mapas autoorganizados, también conocidos como redes de Kohonen.

Otra técnica, y una de las más fáciles de entender para los altos gerentes, es el análisis de regresión. Usualmente permite lograr buenos resultados, aunque no sean los más óptimos. Aquí se trata de realizar un balance entre un modelo sencillo y más fácil de comprender por no-expertos, en contraposición a un modelo más preciso, pero que nadie entiende (sobre todo quienes toman las decisiones finales). 

Una tercera opción son los árboles de decisión, usados en el campo de la inteligencia artificial (IA) y el análisis predictivo. Permiten realizar segmentaciones y tienen la ventaja de ser relativamente fáciles de entender por el usuario final (que es experto en el negocio, pero no necesariamente un técnico en minería de datos). Se construye casi por ensayo y error, eligiendo las mejores rutas de los árboles que se ensayan. 

Pautas finales

No existe un número exacto de modelos entre los que se puede elegir, ya que los científicos de datos son capaces de afinar y mejorar los ya existentes de forma constante o generar nuevos modelos, según los nuevos datos que reciban. En ese sentido, el usuario final debe entender que la minería de datos no es una herramienta que se usa una sola vez para construir un modelo y luego descartarla. Por el contrario, es una herramienta que permite mejorar los modelos constantemente.

Antes que pensar en una técnica de minería de datos efectiva para cada tipo de empresa, es mejor asegurar que todas dispongan de científicos de datos bien preparados y con conocimientos actualizados. Ellos pondrán a prueba los modelos con mucha frecuencia, para determinar si funcionan o, en todo caso, mejorarlos con la misma técnica o con otra distinta.

Desde un punto de vista de negocios, es importante que el usuario entienda con claridad las capacidades que poseen las herramientas de minería de datos y la necesidad de trabajar en equipo. Es clave reunir técnicos en computación y manejo de bases de datos, científicos de datos que dominen la estadística y la matemática, y expertos de negocio que manejen el área sobre la cual se requiere hacer predicciones para la toma de decisiones.

No olvidemos que las decisiones van a cambiar la predicción. Si hoy un modelo me dice que venderé un millón bajo las condiciones actuales y que, al realizar ciertas acciones podría vender un 10 % más, es probable que opte por ejecutar estas acciones. Así se modifican las condiciones y los resultados serán diferentes a la situación en la que no se hace nada distinto. ¿Has empleado minería de datos en tu organización? Cuéntanos tu experiencia.