El análisis de datos no es solo meter información en una plataforma mágica que escupe respuestas brillantes como si fuera un oráculo moderno. Es mucho más complicado, y francamente, también mucho más divertido si eres de los que disfrutan «jugando» con datos.
En el fondo, todo se reduce a una cosa: resolver problemas.
Y para resolverlos, primero hay que entenderlos.
Como alguien que lleva 33 años peleándose con tecnologías, datos y sistemas (y ganando la mayoría de las veces, por si te lo preguntas), puedo decir que los problemas en análisis de datos suelen caer en seis categorías generales.
(Por si te lo preguntas, a veces digo 31, porque son los cotizados, a veces 33 porque son los reales -sí, hay un par de años clandestinos-, a veces digo incluso más porque desde los 14 años estoy trasteando con ordenadores.)
La clave para cualquier analista (o programador o incluso en el marketing) es entender primero el problema y luego aplicar el enfoque adecuado.
Al igual que no usas un destornillador para clavar un clavo (o al menos espero que no), cada tipo de problema requiere su propia estrategia.
Para los frikis como yo, este proceso no es solo trabajo, es un juego: cada problema es un puzzle esperando a ser resuelto. ¿El premio? Soluciones que funcionan y clientes satisfechos (incluso los que inicialmente dudan). ¡Hasta los que no pagan o se inventan excusas para romper contigo porque, «no eres tú, soy yo», están satisfechos!
¡Empecemos!
1. Hacer predicciones
Este es el clásico: «¿Qué pasará si hago X o Y?». Pongamos que una empresa quiere saber cuál es el mejor método publicitario para captar nuevos clientes. El analista revisará datos de campañas anteriores: ubicación, medio y resultados.
Aunque no puede prometer un futuro brillante (la bola de cristal aún no está en el mercado), sí puede sugerir dónde poner el próximo anuncio para maximizar resultados.
Aquí es donde el cliente dice: «¿Y me aseguras que esto funcionará?».
Respuesta profesional: «Sí, claro… salvo que no».
2. Categorizar cosas: separar peras y manzanas
Esto suena como poner orden en un cajón de calcetines desparejados. Un ejemplo típico: una empresa quiere mejorar la satisfacción del cliente. Para ello, los analistas pueden clasificar las llamadas al servicio técnico según palabras clave.
¿Resultado? Se identifican los empleados estrella y las acciones que realmente suben las puntuaciones de satisfacción.
(Y descubrimos la rueda: «¡Oh, resulta que ser amable con los clientes mejora su experiencia! ¡Qué inesperado!»)
3. Detectar anomalías: buscando los ETs
Un smartwatch que te avisa de que algo en tu ritmo cardíaco no va bien necesita, detrás de sus alertas, analistas que hayan diseñado algoritmos basados en datos de salud masivos. Si algo no cuadra, suena la alarma.
Esto es como un escáner en una nave espacial que te grita: «¡Anomalía detectada en el motor!». Pero claro, no se le hace caso a la alarma y… ¡catapum!
4. Identificar temas: la estela de la vieja del visillo
Aquí las cosas se vuelven un poco más abstractas. Si estás desarrollando un producto, puede que quieras saber qué aspectos del mismo son importantes para los usuarios.
Los analistas revisan interacciones y opiniones, agrupan datos y extraen temas relevantes, como «más sencillo», «más rápido» o «menos caro».
También sirve de ejemplo el Análisis de las Contrataciones del Gobierno de Canarias que voy haciendo a ratos ya que el fin último es crear una herramienta que extraiga noticias y titulares de la fuente de datos abiertos publicada en datos.canarias.es, si bien aún no he utilizado algoritmos de machine learning y el análisis lo estoy haciendo de forma tradicional, será un punto a incluir en algún momento con los análisis textuales.
Identificar temas va más allá de categorizar. Si «categorizar» es poner camisetas y pantalones en cajones separados, «identificar temas» es darse cuenta de que tu armario está lleno de ropa de colores vivos porque inconscientemente odias el gris. Como decía, en el proyecto arriba mencionado, estoy aún en la fase «separar camisetas y pantalones».
5. Descubrir conexiones: a lo Sherlock Homes
Este es el arte de unir puntos que, a primera vista, no parecen relacionados. Un ejemplo clásico: una empresa de logística necesita reducir retrasos en las entregas.
Analizando los tiempos de espera en los hubs de transporte, se puede optimizar el calendario para aumentar las entregas puntuales.
Es como descubrir que siempre que comes pizza los viernes, rindes más los lunes. ¿Coincidencia? Podría ser que tal vez y quizás, no.
6. Encontrar patrones: coser la realidad
¿Sabías que las máquinas fallan más a menudo si se retrasa el mantenimiento? Pues los analistas pueden encontrar estos patrones en los datos históricos y ayudar a las empresas a evitar problemas antes de que ocurran.
Momento irónico: «¿Así que revisar la maquinaria a tiempo reduce las averías? ¡Sorprendente revelación!»