Es habitual que la gente nos pregunte cuál es la diferencia entre Business Intelligence y Machine Learning. Yo también me hice esa pregunta cuando empecé en este apasionante mundo de las predicciones basadas en datos.
No creo que haya una posición común y única en el mundillo de los datos sobre la diferencia entre uno y otro. Aquí simplemente daremos nuestro punto de vista basado en nuestra experiencia, que seguro que se puede complementar y enriquecer con el de otros profesionales y especialistas del sector.
Empecemos primero por entender cuál es el objetivo de cada ámbito.
¿Para qué se usa el Business Intelligence?
El primer paso en cualquier tipo de Business Intelligence es recoger los datos en bruto (raw data en inglés). Una vez almacenados, los ingenieros de datos utilizan lo que se denominan herramientas de ETL (Extraer, Transformar y Cargar) para manipular, transformar y clasificar los datos en una base de datos estructurada. Estas bases de datos estructuradas habitualmente se llaman data warehouse.
Los analistas de negocio utilizan técnicas de visualización de datos para explorar los datos almacenados en las bases de datos estructuradas. Con este tipo de herramientas crean paneles visuales (o dashboards) para hacer accesible la información a perfiles de negocio no especialistas en datos. Los paneles ayudan a analizar y entender los resultados en el pasado y sirven para adaptar la estrategia futura que mejore los KPI (indicadores clave de negocio).
En definitiva, el Business Intelligence tradicional permite tener una visión descriptiva de la actividad de la empresa, muy visual y basada en datos. Utiliza principalmente datos agregados para describir tendencias de futuro.
¿Y qué diferencia hay con el Machine Learning?
En un principio podría parecer que poca, ya que el Machine Learning también usa los datos para trabajar, utiliza herramientas de ETL para acceder a ellos y su propósito principal es mejorar los objetivos de negocio de las compañías.
El mecanismo por el que lo hace es la detección de patrones en millones de datos. Esta es una primera diferencia importante respecto al BI tradicional, a la que podríamos añadir, a nuestro modo de entender, estos tres aspectos:
- Frente al uso de datos agregados, el Machine Learning utiliza datos individuales con características definitorias de cada una de las instancias. De esta forma se pueden usar miles de variables para detectar los patrones.
- En lugar de basarse en una analítica descriptiva, el Machine Learning ofrece una analítica predictiva. Es decir, no solo hace una valoración de lo que ha pasado y extrapola tendencias generales, sino que hace predicciones individualizadas en el que los detalles y matices definen los comportamientos del futuro.
- Los paneles de visualizaciones o dashboards se sustituyen por aplicaciones predictivas. Estamos hablando de uno de los mayores potenciales del Machine Learning: los algoritmos predictivos aprenden automáticamente de los datos y sus modelos se pueden integrar en aplicaciones para dotarlas de capacidades predictivas. Los modelos se reentrenan periódicamente para que aprendan automáticamente de nuevos datos.
Un ejemplo
Imaginemos un escenario en el que un ecommerce hace un análisis del comportamiento de sus clientes en la tienda. Uno de los objetivos es conocer con antelación y con el mayor detalle, cuántos clientes se van a dar de baja del sistema el mes que viene, ya que eso es un KPI importante para el negocio.
Un enfoque basado en Business Intelligence utilizaría lo sucedido en meses o años anteriores junto con otras variables globales como por ejemplo la tendencia del mercado o el número de clientes en la fecha actual respecto a otros años. Con esos datos se crearían unos panes visuales de tendencias que informarían del porcentaje previsto de clientes que se van a dar de baja.
[tw_callout size=»waves-shortcode» text=»El desarrollo de aplicaciones predictivas es una de las potencias destacables del Machine Learning, ya que facilitan la automatización de procesos, la toma de decisiones y el continuo aprendizaje basado en datos» bg_color=» » font_size=»18″][/tw_callout]
En base a esta información, la dirección del ecommerce puede tomar decisiones de negocio, como por ejemplo dirigir campañas de marketing a determinados sectores de población.
En cambio, un enfoque basado en Machine Learning utilizaría la base de datos completa de clientes, perfiles, compras y bajas para buscar patrones de comportamiento y determinar cuáles de ellos estaban dando señales de que se iban a dar de baja el siguiente mes:
- Los datos a usar serían los detalles de las compras de todos los clientes, sus datos personales (edad, sexo, antigüedad…), los datos de los productos (base de datos SKU, categorizaciones, precios), datos de promociones, de campañas de marketing… junto con un campo final que indicaría, para cada cliente, si se ha dado de baja.
- Frente al análisis de tendencias y global del Business Intelligence, el Machine Learning hace predicciones cliente a cliente. En este ejemplo, un sistema de BI nos diría qué porcentaje de clientes se van a dar de baja. Uno de Machine Learning nos lo diría individualmente, para cada cliente. Basado en esta información, el negocio puede hacer acciones personalizadas para evitar la fuga de clientes.
- Con Machine Learning se puede crear aplicaciones en tiempo real que se integren en el sistema de reservas para proporcionar información sobre la probabilidad de que el cliente se vaya a ir. Además, se puede crear un sistema automático que envíe por ejemplo campañas de email con ofertas personalizadas a aquellos clientes que están en riesgo.
Conclusiones
El Business Intelligence ofrece un enfoque útil que describe lo sucedido en el pasado, permite entender los datos a roles empresariales no especializados en la analítica usando potentes visualizaciones y sirve para tomar decisiones basadas en tendencias globales.
El Machine Learning, en cambio, es una técnica que permite detectar patrones “a bajo nivel” en miles de datos individuales. El desarrollo de aplicaciones predictivas es una de las potencias destacables, ya que facilitan la automatización de procesos, la toma de decisiones y el continuo aprendizaje basado en datos. Además, se trata de sistemas que aprenden automáticamente con el tiempo, se integran en los desarrollos de la compañía y se adaptan a los cambios de entorno cuando se les alimenta de forma constante con nuevos datos.
