Los 3 Tipos de Análisis Escenciales para Toda Empresa

El economista, historiador y filósofo David Hume acuñó el aforismo “el que tiene el saber tiene el poder”, la cual identificamos actualmente como “el que tiene la información tiene el poder” y desde que escuche esta frase la he puesto a escrutinio desde perspectivas diferentes, por lo cual concluí en la importancia de arraigarla con el fin de tomar decisiones informadas cuando consideró que tendrán efectos positivos a lo largo del tiempo.

Es razonable considerar que cuando tienes la información correcta en el momento adecuado, eres capaz de tomar decisiones con mayor certidumbre donde puedes esperar resultados favorables, aún cuando sabes que pueden existir condiciones que llegan a alterar de manera negativa lo previsto.

Sin embargo, en función de mitigar estos sobresaltos, se han desarrollado metodologías encaminadas a analizar los escenarios posibles, y por ende adelantarnos con estrategias que enderecen el sendero hacia el objetivo que te trazas para tu organización.

Es por esto que te muestro los 3 tipos de análisis que son básicos para poder definir con mayor claridad las metas que has propuesto para tu compañía.

Para que los conceptos que estás a punto de leer sean un poco más claros, se realizaron estos diferentes análisis con datos obtenidos de la TSA (Administración de Seguridad en el Transporte, por sus siglas en inglés) de viajeros registrados, desde el 1 de enero de 2019 hasta el 31 de diciembre del 2021.

Análisis Descriptivo.

De acuerdo con el artículo de Lepenioti, Bousdekis, Apostolou, & Mentzas (2020), el análisis descriptivo responde a las siguientes preguntas: ¿Qué ha pasado?, ¿Por qué sucedió? y ¿Qué está sucediendo?. Por ende, también se le puede considerar como un análisis de diagnóstico.

Este tipo de análisis establece el pasado y presente en tu organización y comienzas a darte una idea del camino recorrido, así como a identificar patrones que en ocasiones no eran tan claros pero estaban ahí.

Los índices más utilizados son considerados, en varios casos, como los KPI’s (Key Performance Indicators), y estos se obtienen mediante datos estadísticos como:

• Promedios o medias

• Frecuencias

• Tasa de crecimiento

• Rotación de inventarios o de trabajadores

• Análisis de varianzas

En un ejemplo práctico de análisis descriptivo con datos de la TSA, ejecutado con el software de hojas de cálculo Excel, los resultados fueron los siguientes:

En la gráfica siguiente es clara la caída drástica de registro de viajeros a partir Marzo de 2020, sin embargo puedes observar para el año 2021 el comportamiento del aforo en vuelos ha sido retomado como en el 2019, más adelante leerás un ejemplo de análisis prescriptivo con esta información.

Con la imagen de Razón de Cambio entre Meses puedes concluir que en ambos años la tendencia de viaje es similar. A su vez, el año 2021 ha tenido más periodos positivos en comparación con el 2019, lo cual indica una mayor propensión de las personas a viajar en avión.

Este es el primer acercamiento hacia el análisis de datos, lo cual puede ser suficiente para conocer lo que pasó o está pasando, es claro que solo es una parte introductoria a todo lo que puedes hacer en la etapa descriptiva.

También puedes crear un “Heat Map” el cual ofrece otra visualización para encontrar relaciones eficientemente. De igual manera es útil un análisis de los Top 3 meses más o menos concurridos, además cuando cuentas con información diaria, los análisis pueden desagregarse por días en general o días de la semana, así como agregarse por semanas, incluso puedes analizar las horas en los días, si tienes esa información.

Análisis Predictivo.

A la construcción de uno a más modelos de datos para poder realizar inferencias de lo que puede suceder en función de anticipar un comportamiento se le conoce como análisis predictivo (Velickov & Solomatine, 2000).

En este tipo de análisis podemos encontrar una gran cantidad de modelos que se definen por su utilidad:

• Funciones lineales, de 2do. y 3er. orden, promedios móviles entre dos o más períodos para la identificación de tendencias;

• Cadenas de Markov y teorema de Bayes para estimación de probabilidades;

• Árboles de decisión, Clusters, Redes Neuronales para el establecimiento de patrones;

• Regresiones lineales multivariables, ARIMA, Regresiones Logísticas para observar las relaciones entre las variables así la estimación de resultados de acuerdo a cambios de las variables.

Para ejemplificar de una manera digerible, realice un modelo para el análisis de tendencia de acuerdo a los datos históricos de la TSA:

En la gráfica anterior puedes ver un análisis predictivo de tendencia de viajeros mediante un modelo de promedios de cuatro períodos anteriores. Para esto utilice una herramienta en Excel que puede analizar datos históricos en 30 modelos distintos e identifica, mediante el índice de la Raíz de Promedios al Cuadrado, cuál de éstos se ajusta mejor a la información.

A su vez, se obtuvo que el modelo tiene una una variación de +/- 162,012 pasajeros, lo cual implica un margen de error aproximado del 12.11%. Entonces tenemos una certeza aproximada del 87.89% para conocer cuántos viajeros se registrarán en los siguientes periodos. Para comprobarlo tenemos la siguiente tabla.

Análisis Prescriptivo.

¿Qué debes hacer? y ¿Porque lo debes hacer? son las preguntas que permiten ser contestadas por el análisis prescriptivo, por ende, se requieren métodos más sofisticados que permiten establecer una Inteligencia de Negocio que genere valor agregado en las decisiones que vas a tomar (Šikšnys & Pedersen, 2016).

Para poder desarrollar análisis prescriptivos, Lepenioti et al. (2020) establece la necesidad de haber generado previamente modelos predictivos, ya que estos resultados serán el insumo para comparar escenarios posibles, donde, generalmente se considera uno negativo, uno positivo, y otro que puede ser el más viable.

Existe un amplia gama de modelos para el análisis prescriptivo, de los cuales hago mención sólo de algunos de los presentados en el artículo de Lepenioti et al. (2020):

• Machine Learning / Minería de datos: Redes Neuronales Artificiales, Cluster de K-means, Aprendizaje Reforzado

• Programación Matemática: Programación lineal, Programación Lineal Entera Mixta, Optimización Estocástica, Programación Lineal Entera Binaria.

• Simulaciones: Random Forest, Evaluaciones de Riesgos, Escenarios “What if”.

• Modelos Lógicos: Reglas de Asociación, Reglas de Decisión, Funciones de Deseabilidad, Recomendaciones basadas en Gráficas, Reglas basadas en Criterios.

Para este apartado realicé un análisis simple, el cual puede establecerse como un modelo lógico, ya que utilicé una tasa de variación de crecimiento entre 2019-2020 y otro entre 2020-2021 desglosado en meses y el resultado fue el siguiente.

En el caso del transporte aéreo podría representar un aliciente para las aerolíneas a no deshacerse de su flotilla o esperar el mayor tiempo posible para reducir su fuerza laboral. De igual manera, varios sectores industriales vieron un aumento considerable en sus ventas, lo que permite estar al tanto de considerar estrategias que permitan abastecer sus almacenes, y así maximizar sus beneficios.

Puedes obtener un sinnúmero de conclusiones que permitan ser resilientes al estar preparado con una construcción de escenarios basados en el análisis de datos dentro de la organización y de esta manera tomar decisiones informadas que ayuden a continuar en la búsqueda de tus objetivos

Si te gustaría conocer los pormenores para la construcción de modelos de análisis da un vistazo en las demás publicaciones.