Madrid, 24 de marzo de 2021

“El dato es el gran activo de la transformación digital; se trata de la gasolina del siglo XXI para organizaciones e instituciones, tanto públicas como privadas, que buscan mejorar sus procesos de gestión mediante la toma de decisiones informadas y guiadas por el procesamiento de los datos”, destaca el profesor Jorge Martín Arevalillo. Como él mismo describe, “la mayoría de las organizaciones están adoptando la cultura del dato y la tecnología Big Data mediante la reconversión de sus procesos de gestión y almacenamiento de la información y la adaptación de su modelo de negocio a esta nueva cultura”. Y es que “uno de los desafíos del Big Data es el de la analítica del dato cuyo objetivo fundamental es pasar del almacenamiento y recopilación de los datos a la transformación de estos en información de valor añadido”, explica.

La Ciencia de Datos permite abordar el desafío analítico descubriendo patrones y generando modelos cuyos resultados aportan predicciones y prescripciones de gran utilidad para la gestión de negocio y la toma de decisiones estratégicas. Los algoritmos matemáticos para el análisis científico de los datos son herramientas útiles para tal fin; los casos de uso y aplicación son innumerables.

“Por ejemplo, en una entidad bancaria servirían para identificar el público objetivo más proclive a adquirir cierto producto crediticio, o para disponer de un sistema automático de recomendación de producto en función de las necesidades y el contexto del cliente”, subraya el profesor, quien añade que también serían útiles para “identificar los clientes que tienen un alto riesgo de fuga a la competencia, o para analizar el tráfico de la web corporativa señalando perfiles de tráfico por producto que tienen una mayor probabilidad de conversión”. Además, añade que “servirían para clasificar los clientes por su sensibilidad al precio y diseñar una estrategia óptima de precios”. La casuística en otros sectores como seguros, telecomunicaciones, logística, publicidad, retail y administración pública es tan amplia como la descrita en los ejemplos anteriores y abre un amplio abanico de oportunidades de desarrollo y aplicación de la investigación en Ciencia de Datos.

La visión de Martín Arevalillo es “que la investigación que se genera en el ámbito académico tenga impacto social y pueda ser transferida generando valor. El papel de las matemáticas en esto es esencial, la aplicación de los algoritmos matemáticos que desarrollamos en nuestras investigaciones tiene un alto potencial. Aplicar rigor científico al análisis de los datos proporcionará al negocio información de valor añadido”. (Ver ecuación en la figura)

El primero de ellos, A machine learning approach to assess price sensitivity with application to automobile loan segmentation, propone una metodología que permite evaluar la sensibilidad al precio clasificando a los clientes a partir de variables comerciales, de negocio y sociodemográficas, en función de dicha sensibilidad. Además, permite identificar umbrales de precio por encima de los cuales la probabilidad de respuesta a la oferta comercial sufre las mayores caídas.

En el segundo de los trabajos, Ensemble learning from model based trees with application to differential price sensitivity assessment, se presenta un algoritmo ensamblador de árboles de particionamiento recursivo basado en modelos logit, que permite ordenar variables de negocio de acuerdo con la relevancia que tienen en el reconocimiento de patrones de sensibilidad diferencial al precio. El algoritmo es útil para separar los inputs de negocio con mayor relevancia de otros cuya influencia en el aspecto diferencial de la sensibilidad al precio es irrelevante.

“Un procedimiento de selección de variables como éste es novedoso y de sumo interés en el ámbito del Pricing Analytics, dado que proporciona a los gestores de negocio una herramienta para saber cuáles son las variables con mayor impacto en la respuesta a la oferta comercial frente a cambios de precio en dicha oferta. Ambas investigaciones surgen de la necesidad de desarrollar algoritmos para la evaluación de la sensibilidad al precio en casos reales de negocio”, explica el profesor.

Martín Arevalillo lleva años comprometido con la tarea de transferencia de investigación en Ciencia de Datos mediante el desarrollo y aplicación de algoritmos matemáticos de Machine Learning y Aprendizaje Estadístico para la analítica de negocio y gestión empresarial. Esta labor se lleva a cabo a través de proyectos que se canalizan desde la Oficina de Transferencia de Resultados de Investigación (OTRI) del Vicerrectorado de Investigación, Transferencia de Conocimiento y Divulgación Científica, siempre con el fin de aplicar los resultados de la investigación en entornos colaborativos e interdisciplinares con una clara vocación de internacionalización en la transferencia de la investigación.

Actualmente, la iniciativa de formación In Company sobre Data Science Techniques Applied to Business Aanalytics es un servicio de transferencia que se ofrece desde la OTRI para compañías interesadas en la capacitación de sus equipos de analistas, especialistas de negocio y científicos de datos. Para Jorge Martín, “el objetivo es contribuir en la formación de los especialistas de negocio cuyo día a día son los datos, tanto desde una perspectiva técnica como gerencial o más ejecutiva; y hacerlo desde el rigor científico y el entendimiento profundo de los algoritmos”. “El programa intercala la teoría con laboratorios de prácticas. Además, parte de la acción formativa consiste en el desarrollo de un caso real de negocio con los datos propios del cliente”, explica.

En 2018, el profesor Martín Arevalillo recibió el Premio UNED-Banco Santander de investigación y transferencia en reconocimiento a su trayectoria investigadora. “Supone un acicate realmente para todos los que tenemos esa visión de que la investigación matemática puede ser transferida a la industria generando valor real, dando respuesta a los desafíos que la industria tiene en todo lo que tiene que ver con el análisis de datos en entornos Big Data”, asegura.