Análisis de datos: los cuatro tipos y qué información usa cada uno

Palabras clave: análisis descriptivo, análisis predictivo, análisis diagnóstico, análisis prescriptivo, prueba A/B, optimización

El análisis de datos suele dividirse en cuatro tipos, y cada uno responde una pregunta distinta: qué está sucediendo, qué va a suceder, por qué sucede y qué debo hacer. Lo que más los diferencia no es la herramienta, sino la información que necesitan y lo que entregan a la fase siguiente.

Para que las diferencias sean concretas, este artículo sigue un solo problema de principio a fin. Una tienda en línea con 1900 clientes activos quiere que menos clientes dejen de comprar, lo que se conoce como abandono o churn. Con el mismo presupuesto de $2500 en cupones, repartirlos a quienes tienen más riesgo deja $2600 de beneficio neto, y combinar las cuatro fases deja $5600. La diferencia está en qué información usa cada fase.

1. Análisis descriptivo: ¿qué está sucediendo?

Qué información usa. Los datos que la organización ya tiene: pedidos, visitas, registros de soporte, logs y transacciones. Casi siempre son tablas históricas, aunque también pueden ser eventos, texto o series de tiempo. No hace falta etiquetar nada ni generar datos nuevos.

Cómo la usa.

1. Limpia y perfila los datos: valores nulos, duplicados, tipos y rangos imposibles. Un análisis descriptivo sobre datos sucios describe los errores de captura, no el negocio.
2. Hace análisis exploratorio de datos (EDA): distribuciones, medias y medianas, valores atípicos, agrupaciones por segmento y tendencias en el tiempo.
3. Calcula correlaciones entre variables (Pearson para relaciones lineales, Spearman para relaciones monótonas) para ver qué se mueve junto con qué.
4. Comunica el resultado con tableros, reportes y gráficos.

En la tienda, este análisis muestra que el 28 % de los clientes del trimestre pasado no volvió a comprar en los 90 días siguientes. La cifra sube al 40 % entre quienes registraron una queja y al 60 % entre quienes llevan más de 60 días sin comprar. Los días desde la última compra y el número de quejas se mueven junto con el abandono.

Buscamos responder a la pregunta “¿qué está sucediendo y por qué?”, y la segunda mitad merece cuidado: una correlación sugiere un “por qué”, pero no lo demuestra. Que los clientes con quejas se vayan más puede deberse a la queja, a un producto defectuoso que causó ambas cosas o a cualquier otra variable que no medimos. El descriptivo produce hipótesis, y las fases siguientes las ponen a prueba. Si te interesa la frontera entre describir una muestra y sacar conclusiones sobre una población, la explico en estadística descriptiva e inferencialDescriptive vs Inferential Statistics: What Seven Numbers Can Tell YouDescriptive statistics summarizes the data you have. Inferential statistics uses a sample to estimate what you do not have. One seven-number sample shows where the first ends and the second begins..

2. Análisis predictivo: ¿qué va a suceder?

Qué información usa. Un histórico etiquetado: cada fila es una observación pasada con sus variables de entrada (features) y el resultado que ocurrió después (target). En la tienda, cada fila es un cliente en una fecha. Sus variables son los días desde la última compra, el número de pedidos, el ticket promedio y las quejas, y su etiqueta dice si dejó de comprar en los 90 días siguientes. La calidad, la cantidad y la representatividad de esos datos pesan más que la elección del algoritmo.

Cómo la usa.

• Regresión cuando el resultado es un número: las ventas del próximo mes o el margen que dejará un cliente durante el año.
• Clasificación cuando el resultado es una categoría: se va o se queda, fraude o no fraude.
• Pronóstico cuando el resultado es una serie de tiempo: la demanda de cada semana.

El flujo típico es dividir los datos en entrenamiento, validación y prueba, entrenar el modelo, medirlo con métricas como RMSERoot Mean Square Error (raíz del error cuadrático medio), precisión, recallProporción de los casos positivos reales que el modelo detecta. o AUCArea Under the ROC Curve (área bajo la curva ROC), y desplegarlo para puntuar datos nuevos. Dos detalles importan mucho cuando la predicción alimenta decisiones. Primero, la división debe respetar el tiempo: entrenar con trimestres antiguos y evaluar con el más reciente, y no usar variables que se miden después del resultado (data leakage). Segundo, las probabilidades deben estar calibradas: si el modelo dice 40 %, cerca de 4 de cada 10 de esos clientes deberían irse. La fase prescriptiva usará esa cifra como probabilidad, no solo como ranking.

El resultado en la tienda es un riesgo por cliente: la probabilidad de que se vaya en los próximos 90 días. Pero predecir no es explicar. El modelo puede acertar usando variables que el negocio no controla, y aprende asociaciones del pasado: no dice qué pasaría si la tienda cambiara algo. Esa pregunta es la de la fase siguiente.

3. Análisis diagnóstico: ¿por qué sucedió esto?

Qué información usa. Además de los datos históricos, información generada a propósito para aislar una causa: un grupo de control y uno de tratamiento, una asignación al azar entre ambos y una sola variable que cambia. También usa las hipótesis que dejó el descriptivo y el contexto de lo que pasó en el periodo, como campañas, cambios de precio o fallas del sitio.

Cómo la usa.

1. Convierte una hipótesis en algo que se puede refutar: “un cupón del 15 % reduce el abandono”.
2. Diseña un experimento o prueba A/B: reparte a los clientes al azar, da el cupón solo a uno de los grupos y mide la diferencia. El azar es lo que permite hablar de causa, porque reparte por igual entre los dos grupos todo lo que no medimos.
3. Decide el tamaño de la muestra antes de empezar, con un cálculo de potenciaCálculo del tamaño de muestra necesario para detectar un efecto de cierto tamaño con una probabilidad dada., y no mira los resultados a mitad de camino para detenerse cuando le convienen.
4. Analiza la diferencia con estadística inferencial: intervalos de confianza, valores p y tamaño del efecto.

En la tienda, el trimestre anterior se repartió al azar a 1800 clientes: 900 recibieron el cupón y 900 no.

El cálculo cabe en unas pocas líneas, usando la aproximación normal para la diferencia de dos proporciones:

from math import sqrt

n = 900
p_control, p_cupon = 252 / n, 198 / n  # 0.28 y 0.22
efecto = p_control - p_cupon  # 0.06: 6 puntos porcentuales
error = sqrt(p_control * (1 - p_control) / n + p_cupon * (1 - p_cupon) / n)
bajo, alto = efecto - 1.96 * error, efecto + 1.96 * error  # 0.020 y 0.100

Cuando no se puede experimentar, por costo, por ética o porque el hecho ya ocurrió, se usan métodos de inferencia causal sobre datos observacionales, como diferencias en diferenciasCompara cuánto cambia un grupo tratado frente a uno no tratado, antes y después de la intervención., regresión discontinua o emparejamiento. Sus conclusiones dependen de supuestos más fuertes que los de un experimento.

Hay un matiz que la fase siguiente necesita: el efecto de 6 puntos es un promedio. El mismo cupón puede retener a muchos clientes que acaban de quejarse y casi a ninguno de los que ya se fueron mentalmente. Medir el efecto por segmento exige experimentos más grandes o modelos de uplift, que estiman cuánto cambia el resultado de cada cliente si se actúa. Con 900 clientes por grupo, los intervalos de cada segmento serían muy anchos. En el ejemplo supongo que esos efectos ya están bien estimados.

4. Análisis prescriptivo: ¿qué debo hacer?

Qué información usa. Las salidas de las fases anteriores más la descripción del problema de decisión:

• Predicciones: el riesgo de cada segmento y el margen que dejará cada cliente que se quede, que también es una predicción.
• Efectos causales: cuánto cambia el resultado si se actúa, medido en el diagnóstico.
• Recursos: presupuesto, personal, inventario o capacidad.
• Objetivo: qué se maximiza o minimiza, como el beneficio neto.
• Restricciones: límites de capacidad, normas, plazos y costos de cada acción.

Cada cupón cuesta $5. El neto por cupón es el margen que protege, efecto por margen, menos ese costo: para el segmento con queja reciente, 0,15 × $150 − $5 = $17,50.

Cómo la usa. Formula el problema como una optimización. Si k_i es el número de cupones para el segmento i:

maximizar   Σ k_i · (efecto_i · margen_i − costo)
sujeto a    Σ k_i · costo ≤ presupuesto
            0 ≤ k_i ≤ clientes_i

Es un problema de programación lineal. Como todos los cupones cuestan lo mismo, su solución es sencilla: llenar primero los segmentos con mayor neto por cupón y no dar cupones donde el neto es negativo. Es la regla de la mochila fraccionaria, que toma primero lo que más vale por unidad de peso. Con más tipos de acción, costos distintos o restricciones enteras se usan programación entera, simulación o aprendizaje por refuerzoAprendizaje en el que un agente prueba acciones y ajusta su estrategia según las recompensas que recibe..

El explorable muestra la lección central de la fase: el riesgo dice quién se va; el efecto dice a quién puedes retener. Los inactivos tienen el riesgo más alto, pero el cupón casi no los mueve. Los frecuentes satisfechos se quedarían de todos modos. Una estrategia que solo usa la predicción gasta el presupuesto en ellos. Fíjate también en que, con presupuesto de sobra, la estrategia óptima deja dinero sin gastar: el objetivo es el beneficio neto, no repartir todos los cupones.

Esta es la fase más valiosa y también la más difícil, porque exige modelar bien tanto los datos como el negocio. Un error en el margen, en el costo o en una restricción produce una decisión precisa y equivocada.

El orden correcto depende de qué se quiere medir

Este artículo recorrió las fases en el orden descriptivo, predictivo, diagnóstico y prescriptivo. El modelo de madurez analítica de Gartner pone el diagnóstico en segundo lugar y el predictivo en tercero. Los dos órdenes son coherentes, porque usan criterios distintos.

• Gartner ordena por madurez y valor para el negocio. Primero se entiende el pasado (qué pasó y por qué) y luego se mira al futuro (qué pasará y qué hacer). En ese modelo, el diagnóstico suele ser trabajo sobre los datos que ya existen: desglosar un indicador por segmento, comparar periodos y buscar la causa raíz. Es más fácil que entrenar un modelo, por eso va antes.
• Este artículo ordena por lo que exige cada fase. Aquí el diagnóstico se define con experimentos y pruebas A/B, así que el orden sigue una escalera parecida a la de causalidad de Judea Pearl. Primero viene la asociación: observar datos, que es lo que hacen la correlación y la predicción. Luego, la intervención: cambiar algo y medir qué pasa. Al final, la decisión, que necesita saber qué pasa si se interviene. Miguel Hernán y sus coautores proponen una división similar de las tareas de la ciencia de datos: descripción, predicción e inferencia causal.

La elección práctica depende de la pregunta. Para medir la madurez de un equipo o planear qué capacidades construir primero, el orden de Gartner funciona bien. Para decidir qué evidencia necesita una decisión, el orden de este artículo es más preciso: una predicción, por buena que sea, no reemplaza a un experimento cuando la pregunta es qué pasa si actúo.

Cada fase entrega lo que la siguiente necesita

Cada fase depende de lo que entrega la anterior, y la decisión final cierra el ciclo: al ejecutarse, produce los datos que la próxima vuelta del análisis descriptivo va a resumir.

Si te quedas con una sola idea, que sea la de la tienda: la predicción dice quién se va, pero solo el experimento dice a quién puedes retener. Una decisión que use solo la primera gasta el presupuesto donde el cupón no cambia nada.