Análisis predictivo: 4 historias de éxito

0
9
Custom Text

Desde hace años, las empresas se esfuerzan por desarrollar capacidades analíticas, no solo para comprender el rendimiento pasado, sino para anticiparse a las tendencias y a los acontecimientos futuros para mejorar la agilidad. Cada vez más, las empresas despliegan el análisis predictivo para hacer más eficientes sus servicios, desarrollar productos, encontrar amenazas potenciales, optimizar el mantenimiento, e incluso salvar vidas.

El análisis predictivo aplica técnicas como el modelado estadístico, la previsión y el aprendizaje automático a los resultados del análisis descriptivo y de diagnóstico para hacer predicciones sobre los resultados futuros.

En marzo, la firma de investigación Facts & Factors dijo que el mercado global de análisis predictivo se estimó en 5,7 mil millones de dólares en el 2019, y alcanzará 22,1 mil millones de dólares en el 2026, una tasa de crecimiento anual compuesta (CAGR) del 24,5%.

Aquí hay cuatro ejemplos de cómo las organizaciones están utilizando el análisis predictivo hoy en día.

Rolls-Royce optimiza los programas de mantenimiento
Rolls-Royce, uno de los mayores fabricantes de motores de aviación del mundo, está desplegando el análisis predictivo para ayudar a reducir drásticamente la cantidad de carbono que producen sus motores, al tiempo que optimiza el mantenimiento para ayudar a los clientes a mantener sus aviones en el aire durante más tiempo.

La plataforma Intelligent Engine de la empresa supervisa cómo vuela cada uno de sus motores, las condiciones en las que vuelan y cómo los utilizan los pilotos. Rolls-Royce aplica el aprendizaje automático a esos datos para personalizar los regímenes de mantenimiento de cada motor.

«Estamos adaptando nuestros regímenes de mantenimiento para asegurarnos de que estamos optimizando la vida de un motor, no la vida que el manual dice que debe tener», comenta Stuart Hughes, director de información y digital de Rolls-Royce. «Es un servicio verdaderamente variable que mira a cada motor como un motor individual».

El consejo de Hughes: Céntrese en ayudar a su cliente. La analítica está ayudando a Rolls-Royce a optimizar los servicios de mantenimiento que ofrece, pero el beneficio final es que los clientes están viendo menos interrupciones del servicio, porque la empresa puede predecir mejor cuándo será necesario el mantenimiento y ayudarles a programarlo.

«Rolls-Royce lleva al menos 20 años controlando los motores y cobrando por hora», comenta Hughes. «Esa parte del negocio no es nueva. Pero a medida que hemos ido evolucionando, hemos empezado a tratar el motor como un motor singular. Se trata mucho más de la personalización de ese motor».

DC Water busca proactivamente las roturas de la red de alcantarillado
La Autoridad de Agua y Alcantarillado del Distrito de Columbia (DC Water) ha creado una herramienta llamada Pipe Sleuth que utiliza la IA para revisar las imágenes de CCTV de las tuberías de alcantarillado para clasificar los defectos.

«Utiliza un modelo avanzado de red neuronal de aprendizaje profundo para hacer un análisis de imágenes de las tuberías de alcantarillado de pequeño diámetro, clasificarlas y luego crear un informe de evaluación del estado», comenta Thomas Kuczynski, CIO y vicepresidente de TI de DC Water.

Antes de desplegar Pipe Sleuth, los operarios tenían que revisar las imágenes de CCTV manualmente y etiquetar los defectos que veían. A continuación, las imágenes etiquetadas se entregaban a ingenieros certificados para su clasificación. El proceso era lento e ineficaz.

El consejo de Kuczynski: Centrarse en los ingresos y la eficiencia. Pipe Sleuth es solo una pieza de un esfuerzo más amplio para aprovechar el análisis predictivo y el análisis en tiempo real en DC Water. Todo ello forma parte de un esfuerzo por reducir las pérdidas de agua entre un 2% y un 5%. Cada 1% de «agua encontrada» que antes no se medía, vale unos cuatro millones de dólares para DC Water.

«Lo ideal es buscar aquellos problemas que supongan un reto persistente para la organización y que tengan un componente de ingresos o de eficiencia asociado a ellos», afirma Kuczynski. «Siempre es más fácil vender algo que te ahorra algo, ya sea dólares reales o algo que mejora un proceso de manera significativa».

Ellie Mae caza amenazas de ransomware
La empresa de tecnología hipotecaria Ellie Mae ha adoptado una postura proactiva frente al ransomware al desarrollar Autonomous Threat Hunting. Autonomous Threat Hunting combina la inteligencia de amenazas, el análisis predictivo, la IA y los indicadores de compromiso (IOC) previamente identificados para identificar nuevos indicadores de compromiso y nuevas técnicas de evasión antes de que puedan ser utilizadas.

«La naturaleza de la caza de amenazas es muy proactiva», comenta Selim Aissi, vicepresidente senior y director de seguridad de Ellie Mae. «No se espera a que se produzca un ataque. Explora, prioriza e investiga las amenazas antes de que se produzca un ataque, o incluso antes de que se conozca un malware».

Aissi afirma que el proyecto ha aumentado la eficiencia operativa de la seguridad en aproximadamente un 35%, y ha permitido mejorar unas 10 veces la identificación temprana de las amenazas. También ha aumentado la velocidad de resolución de nuevas amenazas en un 60% aproximadamente.

El consejo de Aissi: Haga que la gestión del cambio forme parte de su proceso de planificación desde el principio.

«Desde el punto de vista de la gestión del cambio, gran parte del impacto se ha producido en mis equipos de operaciones de seguridad e ingeniería», afirma Aissi. «Muchas de estas capacidades han sido tradicionalmente manuales, y los analistas de seguridad tenían que ir a recoger la información sobre las amenazas e introducirla manualmente en las herramientas. Tuvimos que adaptarnos a esto y formar a los analistas e ingenieros de seguridad a esta nueva forma autónoma de hacer las cosas».

Kaiser Permanente reduce la mortalidad de los pacientes
El consorcio de atención gestionada Kaiser Permanente ha creado una herramienta de flujo de trabajo hospitalario que aprovecha el análisis predictivo para identificar a los pacientes de la unidad de cuidados no intensivos (UCI) que corren el riesgo de deteriorarse rápidamente.

Los pacientes de fuera de la UCI que requieren traslados inesperados a la UCI representan solo entre el 2% y el 4% del total de la población hospitalaria, pero suponen el 20% de todas las muertes en el hospital, según el Dr. Gabriel Escobar, investigador científico de la División de Investigación y director regional de Investigación de Operaciones Hospitalarias de Kaiser Permanente Norte de California.

Kaiser Permanente ha desarrollado el sistema Advanced Alert Monitor (AAM), que aprovecha tres modelos analíticos predictivos para analizar más de 70 factores de la historia clínica electrónica de un determinado paciente y generar una puntuación de riesgo compuesta.

«El sistema AAM sintetiza y analiza las estadísticas vitales, los resultados de laboratorio y otras variables para generar puntuaciones de riesgo de deterioro cada hora para los pacientes adultos del hospital en las unidades de cuidados médico-quirúrgicos y de transición», señala Dick Daniels, vicepresidente ejecutivo y CIO de Kaiser Permanente. «Los equipos remotos del hospital evalúan las puntuaciones de riesgo cada hora, y notifican a los equipos de respuesta rápida del hospital cuando se detecta un posible deterioro. El equipo de respuesta rápida realiza la evaluación del paciente junto a la cama y calibra el tratamiento del curso con el hospitalista».

El consejo de Daniels: Centrarse en el proceso. Las herramientas de análisis predictivo son tan buenas como los procesos que garantizan el uso de la información. Más allá del tiempo invertido en el desarrollo de la herramienta, el equipo de AAM dedicó una cantidad significativa de tiempo a desarrollar e implementar flujos de trabajo que permitieran a los equipos sanitarios responder a las alertas de la forma más eficiente posible.

«Tardamos unos cinco años en realizar el mapeo inicial del back-end de la historia clínica electrónica y desarrollar los modelos predictivos», sostiene Daniels. «Luego nos llevó otros dos o tres años convertir estos modelos en una aplicación de servicios web en vivo que pudiera utilizarse operativamente».

Thor Olavsrud CIO.com

Artículo anteriorEl 78% de las compañías reconoce ‘sufrir’ el repunte global de ciberataques
Artículo siguienteLa escasez de chips es real, pero COVID tiene que ver con ella hasta cierto punto