Los datos de defensa son soberanos, clasificados y críticos para las operaciones.

Veamos un primer ejemplo. La empresa Business & Decision del Benelux utiliza actualmente el marco TIMi en su día a día para crear modelos de «propensión a la compra» para su servicio MMS (Managed Marketing Service). Business & Decision crea (con TIMi) modelos de «propensión a la compra» para empresas de renombre como: Audi, DDB, Renault, etc. Aquí puede consultarse una lista más completa: http://www.businessdecision.be/2277-about-us.htm.

Antes de elegir TIMi como su única herramienta de minería de datos, Business&Decision llevó a cabo una revisión exhaustiva y una comparativa detallada de muchas otras herramientas de minería de datos muy conocidas. La prueba comparativa consistió en lo siguiente: cada proveedor de software recibió una extracción anonimizada (incompleta) del conjunto de datos utilizado para el servicio MMS y debía crear un modelo predictivo lo más preciso posible (el «lift» en el conjunto de prueba debía ser lo más alto posible) en unos pocos días. Los resultados de la prueba comparativa fueron los siguientes:

• Herramienta analítica 1 (AT1): La herramienta analítica AT1 es un paquete estadístico comercial muy conocido y muy caro, supuestamente líder en su campo. Tras dos días de arduo trabajo, el equipo interno de consultores de AT1 consigue por fin importar el archivo de texto que contiene el conjunto de datos a AT1. Se encontraron numerosas dificultades (debido al gran tamaño del conjunto de datos: 3.000 columnas). AT1 no fue capaz de analizar directamente el conjunto de datos (una vez más debido a su gran tamaño): hubo que tomar algunas decisiones «manuales» y aproximadas para reducir manualmente (basándose en la «intuición» del estadístico) el tamaño del conjunto de datos. Tras una jornada laboral más, el conjunto de datos era lo suficientemente «pequeño» como para introducirlo en el motor analítico de AT1. Tras 42 horas de tiempo de cálculo, AT1 entregó un modelo predictivo con una precisión CERO. El equipo de consultores de AT1 volvió entonces a visitar a la empresa Business&Decision para preguntarles si estaban «haciendo una broma de mal gusto con un conjunto de datos que solo contenía números aleatorios».
• Herramienta analítica 1 (AT2): La herramienta analítica AT2 es un paquete comercial muy conocido, muy caro y automatizado para la minería de datos. El software AT2 logró crear un modelo predictivo de precisión normal (lift = 40 % al 10 %) tras 3 horas de tiempo de cálculo. Fue necesario realizar algunas breves manipulaciones manuales para reducir el tamaño del conjunto de datos antes del análisis (muestreo) (este procedimiento manual llevó menos de una hora adicional).
• TIMi: El software TIMi creó de forma fiable un modelo predictivo de gran precisión (lift = 50 % al 10 %) en tan solo 4 minutos de tiempo de cálculo. La tarea que tuvo que realizar el analista fue breve y sencilla: ¡unos pocos clics con el ratón y ya está!

Estos resultados de la evaluación comparativa fueron revelados de manera informal por el responsable del equipo de minería de datos predictiva de Business & Decision Benelux.

Estas pruebas comparativas demuestran una vez más la superioridad del motor predictivo TIMi en conjuntos de datos «reales» a nivel industrial. Nuestros excelentes resultados en diversas competiciones de minería de datos a nivel mundial también ponen de manifiesto la extraordinaria precisión del motor analítico TIMi.

TIMi es uno de los pocos programas de minería de datos capaces de ofrecerte una lista precisa y muy concisa de las únicas variables o columnas que influyen en la predicción. Con esta lista (normalmente muy breve), podrás obtener fácilmente una «imagen» clara de tu objetivo: A continuación se muestra un extracto de un informe de TIMi:

El objetivo era predecir si alguien compraría un dispositivo GPS.

Aquí puedes ver una captura de pantalla de un informe de análisis estándar, generado automáticamente con TIMi. Este informe de análisis predictivo describe con precisión el «retrato» o «perfil» del «comprador de dispositivos GPS».

De las 200 columnas o variables disponibles en el conjunto de datos analizado, TIMi decidió crear un modelo predictivo que utiliza únicamente 10 variables. En concreto: como se puede observar en el informe de análisis anterior, para predecir si alguien comprará un sistema GPS:

TIMi decidió utilizar las siguientes variables:

• «Número de equipos de cine en casa»
• «Utiliza la banca por Internet»
• «Comprar MP3»
• «Número de compras realizadas por Internet»
• «Contratar una suscripción a la televisión digital»
• «Tiempo dedicado a Internet»

TIMi decidió IGNORAR las siguientes variables:

• «vacaciones deportivas»
• «Comprar material de senderismo»
• «Cómprate una mochila»
• «Compra vacaciones deportivas»
• «Compra viajes de safari o de naturaleza»

A partir de este informe, podemos concluir que parece que el «perfil» típico del «comprador de dispositivos GPS» en 2007 tenía una sólida formación técnica (no hay que olvidar que este modelo se elaboró en 2007: es posible que el «perfil» haya cambiado ahora).

Curiosamente, en 2007, una famosa empresa (que sigue vendiendo dispositivos GPS en la actualidad) lanzó una campaña de marketing en la que se podía ver, en televisión, un anuncio con un hombre al estilo «Robinson Crusoe», con una larga barba, que salía del bosque diciendo: «¡He vuelto a encontrar la civilización gracias a mi GPS!». Este anuncio de televisión fue, sin duda, una mala elección debido al «perfil» típico del «comprador de dispositivos GPS». En 2007, un anuncio de televisión protagonizado por una persona más técnica, del ámbito de las tecnologías de la información, habría sido una mejor opción.

Todo buen software de minería de datos no solo debería ofrecerte una buena precisión en las predicciones, sino que también debería proporcionarte información valiosa sobre el «perfil» del objetivo sobre el que estás realizando la predicción (véase el ejemplo anterior sobre el «comprador de dispositivos GPS»). Nuestros consultores (de la empresa Business-Insight) denominan a esta información de «perfilado» proporcionada por TIMi con un término común: «Business-Insight»:

«Todo software de minería de datos debería ser capaz de ofrecerte predicciones precisas Y una «visión empresarial» precisa».

He aquí otro ejemplo práctico (aunque ya bastante antiguo): se trata de un modelo de «propensión a la compra» de un producto financiero para un famoso banco francés. Para este proyecto, tuvimos la oportunidad de comparar nuestra nueva «clasificación» (obtenida con un antecesor de TIMi) con la clasificación que había obtenido anteriormente otra consultora que trabajaba para ese mismo famoso banco francés.

Como se puede observar, el modelo predictivo TIMi presenta una precisión totalmente diferente y superior a la del modelo predictivo anterior (en el gráfico anterior, el «lift» del nuevo modelo TIMi es realmente mayor). Esta mejora fue fácil de conseguir porque el antiguo modelo predictivo se creó utilizando una técnica de segmentación (con una herramienta similar a SPAD, diseñada principalmente para el análisis de segmentación). Como se puede observar, las técnicas de segmentación NUNCA deben utilizarse para crear un «modelo de propensión a la compra», un «modelo de probabilidad de impago» o un «modelo de predicción de abandono» (ni ningún otro modelo con un «objetivo» claro).

La técnica de segmentación solo debe utilizarse para «segmentar» tu base de clientes con el fin de crear textos o contenidos multimedia diferentes para cada canal (por ejemplo: no se habla de la misma manera con una persona joven que con una persona mayor). La «suite TIMi» también incluye una potente herramienta de segmentación (denominada «Stardust»), pero esta tecnología no debe utilizarse para aplicaciones de segmentación por público objetivo, predicción o clasificación.

En este caso de «producto financiero», el modelo predictivo TIMi genera aproximadamente 2,5 millones de euros más que la solución actual (se trata de una estimación: no hemos recibido el análisis posterior a la campaña). Esta estimación se calcula de la siguiente manera:

Las hipótesis son las siguientes:

El retorno de la inversión (ROI) de los dos modelos se calcula de la siguiente manera:

Como puedes ver, una mayor precisión se traduce en un retorno de la inversión considerablemente mayor para tu campaña de marketing.
Es fundamental que tengas muy claro que:

UNA CURVA DE ELEVACIÓN MÁS ALTA = MAYOR PRECISIÓN = MAYOR RENTABILIDAD DE LA INVERSIÓN

Desde mi punto de vista, los criterios más importantes a la hora de elegir una herramienta de minería de datos son:

1. La precisión de los modelos predictivos generados.
2. La calidad de la «información empresarial» proporcionada (porque, si no entiendes tu modelo, resulta muy peligroso utilizarlo)

Un último criterio muy importante es la «escalabilidad», pero suele ir de la mano de la precisión, por lo que no me he molestado en incluirlo en la lista anterior. De hecho, las herramientas de minería de datos que no son capaces de «procesar» grandes bases de datos recurrirán sistemáticamente a una técnica denominada «muestreo», que reduce sustancialmente la precisión de tus modelos predictivos.

TIMi es claramente superior a todas las demás soluciones en estos tres aspectos (precisión, análisis y escalabilidad).