Predecir correctamente no garantiza decidir correctamente.
Un modelo puede anticipar qué cliente abandonará, qué empleado renunciará o qué equipo fallará y aun así producir poco valor si nadie ha definido qué acción tomar, qué costo tolerar o cuándo no intervenir. La ventaja aparece cuando la predicción entra en un sistema de decisión.
Objetivo didáctico
Al terminar esta ficha serás capaz de encargar, evaluar e integrar un proyecto de analítica predictiva o prescriptiva en un proceso empresarial considerando desempeño, incertidumbre, acción, riesgo y ética.
Introducción
En 2011 Shmueli y Koppius insistieron en una distinción que sigue siendo crítica: un modelo explicativo y un modelo predictivo persiguen fines diferentes. Saber qué variables están asociadas con un fenómeno no garantiza producir buenas predicciones fuera de muestra. Esta diferencia es especialmente importante para directivos que reciben presentaciones donde significancia estadística, precisión, causalidad y utilidad se mezclan.
La analítica prescriptiva añade otra capa. Bertsimas y Kallus formalizaron métodos para pasar de predicciones a decisiones, incorporando acciones y consecuencias. En su caso publicado en Management Science, aplicaron el enfoque a distribución de medios a escala de mil millones de unidades anuales. La enseñanza directiva no es replicar el algoritmo: es comprender que una prescripción combina pronóstico y función de decisión.
En el trabajo cotidiano esto significa que RRHH no necesita únicamente un ranking de personas con riesgo de salida; necesita determinar qué intervenciones son legítimas y eficaces. Finanzas no necesita solo probabilidad de impago; necesita política de límites. Operaciones no necesita solo una fecha probable de falla; necesita ventanas de mantenimiento y costos de parada.
Concepto fundamental
Descriptiva pregunta qué ocurrió; predictiva, qué puede ocurrir; prescriptiva, qué acción conviene dados objetivos, restricciones y escenarios.
Desarrollo del tema
Descriptiva, predictiva y prescriptiva
Las tres capas responden preguntas distintas. Un tablero que muestra ventas de 2025 es descriptivo. Un modelo que estima demanda de octubre de 2026 es predictivo. Un optimizador que recomienda cuánto producir por planta y semana es prescriptivo. El salto entre capas aumenta requisitos: para describir basta historia; para predecir hace falta generalización; para prescribir deben conocerse acciones posibles, restricciones y una forma explícita de valorar resultados.
El error más caro consiste en vestir una recomendación como si fuera una predicción “objetiva”. Un umbral de crédito, por ejemplo, incorpora una preferencia sobre falsos positivos, margen y apetito de riesgo. El modelo informa; la política decide.
¿qué pasó?→Predecir
¿qué pasará?→Prescribir
¿qué hacemos?
Casos de uso en RRHH, finanzas, operaciones y marketing
En RRHH pueden predecirse rotación, ausentismo o necesidades de talento; en finanzas, liquidez, fraude o incumplimiento; en operaciones, demanda, inventario o fallas; en marketing, conversión, churn y respuesta a campañas. Pero el valor no depende solo de la precisión: depende de que exista una intervención útil.
Imagine dos modelos con AUC similar. Uno predice churn cuando todavía quedan 45 días y permite actuar; otro lo detecta tres días antes. Técnicamente pueden parecer equivalentes, pero estratégicamente no lo son. La ventana de acción debe definirse antes del proyecto.
Clasifique el caso por función
Cómo encargar y evaluar un proyecto de analítica avanzada
Un buen brief comienza por la decisión, no por el algoritmo. Debe especificar unidad de análisis, horizonte temporal, acción disponible, métrica de negocio, costo de errores, benchmark y población donde se validará. “Construir un modelo de churn” es insuficiente; “identificar con 30 días de anticipación clientes de alto valor cuyo riesgo pueda reducirse mediante una intervención rentable” delimita el problema.
La evaluación requiere un conjunto de prueba separado y, cuando el contexto cambia rápidamente, validación temporal. Precisión global puede ocultar fallas por segmento. También debe compararse contra una línea base: si una regla simple alcanza 80% del valor con 10% del costo, el modelo complejo necesita justificar su mantenimiento.
Integrar los modelos en el proceso de decisión
El modelo produce valor cuando cambia una conducta operativa. Esto exige definir quién recibe la señal, en qué momento, qué acciones puede ejecutar, qué sucede si la ignora y cómo se registra el resultado. En un centro de distribución, un pronóstico de demanda sin conexión con compras, capacidad y reposición es una presentación, no una capacidad.
Conviene diseñar el ciclo completo: datos → predicción → decisión → acción → resultado → aprendizaje. El último paso es crucial: si la empresa interviene sobre casos de alto riesgo, los datos futuros cambian precisamente porque el modelo tuvo efecto. La monitorización debe reconocer esos bucles.
Gestionar la incertidumbre de las predicciones
Una predicción puntual puede crear falsa certeza. Para muchas decisiones importa conocer intervalos, distribución, calibración y sensibilidad. Niculescu-Mizil y Caruana mostraron en 2005 que diferentes algoritmos pueden producir probabilidades mal calibradas aun cuando discriminen bien. Si un modelo asigna 80% de riesgo, una organización necesita saber si aproximadamente 80 de cada 100 casos comparables realmente materializan el evento.
La incertidumbre debe incorporarse a la política. Una decisión irreversible requiere evidencia más exigente que una reversible. Para inventarios quizá convenga usar escenarios P10/P50/P90; para crédito, probabilidades calibradas y límites; para planeación estratégica, pruebas de sensibilidad. El objetivo no es eliminar incertidumbre, sino hacerla visible antes de comprometer recursos.
El dato que cambia todo: una probabilidad solo es útil como probabilidad si está calibrada. Un modelo puede ordenar correctamente los casos de mayor a menor riesgo y, al mismo tiempo, exagerar o subestimar las probabilidades absolutas.
Ética de las decisiones prescriptivas automatizadas
Una prescripción convierte una métrica en acción y por eso tiene consecuencias distributivas. Un sistema puede recomendar reducir atención a clientes “poco rentables”, descartar candidatos de baja probabilidad o negar descuentos a quienes supuestamente no abandonarán. Aunque maximice el objetivo definido, puede producir efectos que la organización nunca discutió.
Antes de automatizar una política conviene preguntar quién recibe beneficios y costos, qué grupos pueden quedar sistemáticamente desfavorecidos, si existe apelación y qué variable funciona como proxy sensible. La ética no es un filtro posterior: cambia la función objetivo y las restricciones del problema.
Conclusión
La analítica avanzada produce ventaja cuando la organización entiende que modelo y decisión son artefactos distintos. El modelo estima; la política incorpora costos, límites, ética y capacidad operativa. El directivo no necesita programar el algoritmo, pero sí saber pedir evidencia suficiente para decidir cuándo confiar, cuándo intervenir y cuándo detener el sistema.
🔭 Para seguir aprendiendo
- ¿Cómo cambia una predicción cuando la propia empresa actúa sobre ella?
- ¿Cuándo un modelo simple es estratégicamente superior a uno más preciso?
- ¿Qué decisiones prescriptivas deberían conservar siempre un mecanismo de apelación?
Actividad de aprendizaje autónoma
Producto: brief ejecutivo para encargar un modelo predictivo o prescriptivo.
- Defina una decisión real y su frecuencia.
- Especifique qué se predecirá y con qué horizonte.
- Defina falsos positivos, falsos negativos y sus costos.
- Establezca acción, propietario del proceso y regla de escalamiento.
- Defina benchmark, prueba fuera de muestra y monitoreo.
Complete la lógica del proyecto
Predeciremos para decidir antes de .
Criterio de logro: otra persona podría construir y evaluar el proyecto leyendo su brief sin tener que adivinar la decisión, horizonte, costos de error ni criterio de éxito.
Referencias
Shmueli, G., & Koppius, O. R. (2011). Predictive analytics in information systems research. MIS Quarterly, 35(3), 553–572. doi:10.2307/23042796.
Bertsimas, D., & Kallus, N. (2020). From predictive to prescriptive analytics. Management Science, 66(3), 1025–1044. doi:10.1287/mnsc.2018.3253.
Niculescu-Mizil, A., & Caruana, R. (2005). Predicting good probabilities with supervised learning. Proceedings of ICML, 625–632. doi:10.1145/1102351.1102430.