Clase 7 · IA Predictiva, Prescriptiva y Descriptiva + Optimización de Procesos con IA
Sesión formativa (sin hito) — dos temas en una clase
Esta clase combina dos sesiones que originalmente eran independientes, para compensar la clase perdida el 19 de agosto sin atrasar el Hito 3, que se mantiene el miércoles 2 de septiembre (ver Calendario). No hay entrega evaluada hoy.
🎯 Objetivos de la sesión
- Distinguir analítica descriptiva, predictiva y prescriptiva, y ubicarlas en una "escalera de valor" según su dificultad y el valor que aportan a la decisión.
- Identificar procesos internos (no necesariamente de cara al cliente) con potencial de optimización mediante IA.
- Distinguir automatización basada en reglas (RPA) de automatización inteligente (IA/ML).
- Aplicar una matriz de priorización (impacto vs. esfuerzo) para decidir qué optimizar primero.
- Avanzar en la especificación de la solución del proyecto propio, insumo directo del Hito 3.
Resultado de aprendizaje asociado: CTS2 · RDA 3.1 — Evalúa problemas complejos del ámbito disciplinar, justificando los datos, variables o causas que lo determinan.
🗓️ Agenda (90 min)
| Tiempo | Bloque |
|---|---|
| 0:00 – 0:10 | Recapitulación del Hito 2 y dudas de retroalimentación |
| 0:10 – 0:30 | Parte 1 — Los tipos de analítica: descriptiva, diagnóstica, predictiva, prescriptiva |
| 0:30 – 0:45 | Caso aplicado: mismos datos, tres preguntas distintas |
| 0:45 – 1:05 | Parte 2 — Procesos internos: RPA vs. IA |
| 1:05 – 1:20 | Matriz de priorización: impacto vs. esfuerzo |
| 1:20 – 1:27 | Actividad formativa: clasificar y priorizar la solución del proyecto |
| 1:27 – 1:30 | Cierre y vínculo con la Clase 8 (diseño de la solución) |
📖 Parte 1 — Analítica Descriptiva, Predictiva y Prescriptiva
1. Los tipos de analítica
No toda "analítica de datos" responde el mismo tipo de pregunta. Distinguir esto es clave para especificar bien qué necesita la solución del proyecto:
| Tipo | Pregunta que responde | Ejemplo de negocio |
|---|---|---|
| Descriptiva | ¿Qué pasó? | "¿Cuánto vendimos el mes pasado por tienda?" |
| Diagnóstica | ¿Por qué pasó? | "¿Por qué bajaron las ventas en la tienda X?" |
| Predictiva | ¿Qué pasará? | "¿Cuánto venderemos el próximo mes?" |
| Prescriptiva | ¿Qué deberíamos hacer? | "¿Qué precio y stock fijar para maximizar ventas el próximo mes?" |
💡 Para el proyecto: muchas soluciones parten siendo descriptivas ("un dashboard que muestra qué pasó") y solo después maduran a predictivas o prescriptivas. No es necesario partir arriba de la escalera — sí es necesario saber en qué escalón están y decirlo explícitamente en el Hito 3.
2. Caso aplicado: mismos datos, tres preguntas distintas
Con la misma base de datos de ventas de una tienda, el tipo de pregunta cambia completamente la solución necesaria:
- Descriptiva: un reporte o dashboard que resume ventas históricas — no requiere IA/ML.
- Predictiva: un modelo que estima la demanda de la próxima semana — requiere un modelo entrenado con historial.
- Prescriptiva: un sistema que recomienda cuánto stock pedir y a qué precio vender, optimizando el margen esperado — requiere el modelo predictivo más una regla o algoritmo de decisión encima.
📖 Parte 2 — Optimización de Procesos Internos con IA
3. Procesos internos con potencial de IA
No toda oportunidad de IA está de cara al cliente. Muchos de los casos de negocio más rentables están en procesos internos:
| Área | Ejemplo de proceso optimizable con IA |
|---|---|
| Finanzas | Conciliación automática de transacciones, detección de anomalías en gastos |
| Recursos Humanos | Preselección de CVs, respuestas a preguntas frecuentes internas |
| Operaciones | Mantenimiento predictivo, optimización de inventario |
| Compras | Previsión de demanda de insumos, apoyo en negociación con proveedores |
4. RPA vs. IA: dos formas distintas de automatizar
| RPA (automatización basada en reglas) | IA / Machine Learning | |
|---|---|---|
| Cómo funciona | Sigue instrucciones fijas ("si pasa X, haz Y") | Aprende patrones a partir de datos históricos |
| Maneja excepciones | No — falla ante casos no previstos | Sí — generaliza a casos parecidos, no idénticos |
| Ejemplo | Copiar datos de un formulario a un sistema | Decidir si una transacción es probablemente fraudulenta |
| Cuándo conviene | Proceso muy estable y bien definido | Proceso con variabilidad, juicio o ambigüedad |
⚠️ Un error común es usar IA donde un simple RPA (o incluso una fórmula de Excel) habría bastado. Antes de proponer IA para un proceso, pregúntense: ¿el proceso realmente requiere aprender de datos, o solo seguir una regla fija?
5. Matriz de priorización: impacto vs. esfuerzo
Con varios procesos candidatos, no se puede optimizar todo a la vez. Una matriz simple ayuda a decidir por dónde empezar:
- Alto impacto + bajo esfuerzo → hacerlo primero ("quick win").
- Alto impacto + alto esfuerzo → planificarlo, pero no necesariamente ahora.
- Bajo impacto + bajo esfuerzo → opcional, sin urgencia.
- Bajo impacto + alto esfuerzo → evitar.
✏️ Actividad formativa: clasificar y priorizar la solución del proyecto
No se entrega ni se califica. Es preparación directa para el Hito 3 (miércoles 2 de septiembre).
En su grupo de proyecto:
- Ubiquen su solución en la escalera de la Parte 1: ¿es descriptiva, predictiva o prescriptiva hoy? ¿A cuál deberían apuntar?
- Si su proyecto involucra un proceso interno, clasifíquenlo: ¿le conviene más un RPA simple o realmente necesita IA/ML? Justifiquen en una frase.
- Ubiquen su proyecto (y, si tienen más de una idea de proceso a optimizar, cada una) en la matriz de impacto vs. esfuerzo de la sección 5.
- Anoten sus conclusiones: las usarán directamente para especificar la solución en el Hito 3.
📚 Para la próxima clase
- La Clase 8 (lunes 31 de agosto) trabaja directamente la pregunta central del Hito 3: ¿ML predictivo, IA Generativa, o ambos?
- Traer las conclusiones de la actividad de hoy: son el punto de partida para especificar la solución.