La estadística bayesiana está realizando un ‘come back’ en inteligencia artificial gracias a nuevos desarrollos tecnológicos. Es una buena noticia para quienes buscamos tomar decisiones ‘data-driven’, pues la estadística bayesiana trae varios beneficios complementarios a los de su alternativa frecuentista, más difundida:

  • Combinar data con conocimiento de negocio subjetivo, a través de una distribución ‘prior’
  • Trabajar con puntos de data faltantes o inciertos, estimándolos en base a probabilidades
  • Predecir una distribución en vez de un punto
  • Evaluar una relación causal entre variables, aunque este último no siempre sea garantizado

Para entender el interés práctico de esas bondades, imaginémonos el reto de Mario para pronosticar la demanda de ceviche en su nuevo restaurante:

  • Mario sabe por experiencia que la demanda de ceviche es estacional. Se come más ceviche en verano que en invierno. Sin embargo, habiendo abierto sus puertas recientemente, Mario solo tiene data desde hace 3 meses, lo cual es insuficiente para identificar la estacionalidad con las técnicas analíticas tradicionales. Bayes permite combinar la poca data disponible con el conocimiento de Mario sobre la estacionalidad, adquirido durante su experiencia del chef en otro restaurante, a través de una distribución ‘prior’ del componente estacional del modelo analítico.
  • El equipo administrativo de Mario es bueno, pero no infalible. El registro de pedidos y ventas es parcial y a veces, no se vende por quiebre de inventario y a pesar de haber demanda. Un algoritmo tradicional debe contentarse de la data disponible, mientras que Bayes permite estimar lo que es indisponible o incierto.
  • El pescado fresco siendo a la vez costoso y altamente perecible, Mario debe estimar precisamente el costo de sobre inventario antes de comprar, pues no puede vender un ceviche de ayer… Consecuentemente, le es insuficiente estimar cuántos platos venderá hoy y debe pronosticar también la probabilidad de vender menos o más. Allí también, Bayes lo puede salvar.
  • Finalmente, es relevante saber si un incremento de las ventas es resultado de una acción comercial y no fruto del buen clima, en otras palabras, si hay relación causal entre acción y resultados.

Hay por lo tanto para Mario y los negocios en general, mucho por ganar con la estadística bayesiana.

No obstante, su aplicación en comercialización y operaciones sigue siendo muy limitada. ¿Cómo revertir la situación? Creo que la solución más rápida y efectiva a nuestro problema pasa por nuevas herramientas amigables. En efecto, es importante acercar la analítica al usuario final, quién no es Data Scientist, y herramientas como Microsoft Azure y Alteryx por ejemplo han tenido gran éxito en ello, además de incrementar la productividad de los Data Scientists. Sin embargo, las herramientas disponibles hoy para estadísticas bayesiana son poco amigables o de alcance limitado. Herramientas generalistas como STAN requieren conocimiento matemático avanzado (en particular para introducir ‘prior distribution’) y código, mientras que las herramientas amigables disponibles son de alcance limitado, como por ejemplo, Prophet para ‘demand forecasting’, que no permite (que yo sepa) adaptar las distribuciones ‘prior’.

Creo que existe una oportunidad de negocio aquí y espero que tanto los desarrolladores como los vendedores nos ayuden en satisfacerla para seguir disfrutando de ceviche fresco a precio bueno.

Share This