“Analytics y el Big Data están creando oportunidades nuevas y significativas, pero no hay muchas empresas que puedan combinar los recursos adecuados para aprovecharlas. La experiencia en estrategia y la competencia analítica del equipo de Altair ayudan a dotar a nuestros clientes de conocimientos y herramientas para extraer información significativa de los datos, permiten tomar mejores decisiones y obtener ventajas competitivas”
Partners: 
Analytics
La Gestión Analítica Empresarial es trending topicRetos
¿Cómo navegar con éxito por el océano de los Datos?
“Los datos transforman la organización de las empresas, la decisión sobre qué tecnologías utilizar y la construcción de ecosistemas de socios y proveedores”
Hoy en día, las tecnologías están generando una cantidad y variedad de datos sin precedentes. A medida que este crecimiento continúa, también lo hace el potencial de transformar el escenario del mundo de los negocios y de capturar un inmenso valor.
Analytics transforma la forma en que las empresas se organizan y deciden las tecnologías que van a utilizar, mientras construye ecosistemas entre socios y proveedores. Ha llegado el momento de valorar los datos y el análisis como un activo estratégico que puede ayudarle a ganar más.
El Big Data no es una actividad tecnológica que deba dejarse totalmente en manos de data scientists, matemáticos y departamentos de IT, sino una oportunidad estratégica de negocio que requiere conocimientos técnicos y coordinación institucional.
Para lograr ventaja ante los competidores, las empresas deben integrar Analytics en sus cadenas de valor para asegurar que la información y los conocimientos se compartan entre las unidades de negocio y las funciones.
Perspectivas
“Las empresas necesitan integrar Analytics en sus cadenas de valor”
Nuestro enfoque
Integrar Analytics en la cadena de valor de una organización no es tarea fácil. Requiere un enfoque bien estructurado y cuidadosamente orquestado que combine la excelencia analítica, la tecnología y la experiencia empresarial.
Aquí en Altair, ayudamos a las empresas a desarrollar modelos y metodologías para transformar los conjuntos de datos en estrategias y conocimientos para alinearse con sus capacidades, equipos y operaciones, con el objetivo de obtener una ventaja competitiva.
Casos de éxito de Analytics
Una selección de nuestros casos de éxito relacionados con Analytics
Segmentación de la fuerza de ventas independiente de aseguradoras estadounidenses para aumentar la cuota de mercado
El líder del mercado de seguros para automóviles y hogar ha experimentado un descenso en la cuota de mercado en los últimos 5 años debido al crecimiento de la competencia en el canal online. Para recuperar su participación en el mercado, Altair realizó una segmentación de los agentes independientes a través de algoritmos de aprendizaje automático supervisado y mediante la adaptación de un pilar de la teoría de la información, el índice Shannon-Weaver. Este índice se adaptó para medir la presencia comercial y la intensidad de los agentes independientes en su área de influencia. Se definieron grupos homogéneos de agentes y se diseñaron estrategias comerciales y propuestas de valor a medida para cada segmento. La segmentación permitió a la compañía de seguros asignar mejor sus recursos y servicios a los agentes independientes que aportaban el mayor valor en términos de primas de suscripción y cuota de mercado.
Desarrollo del modelo de Rating de ABS del US Corporate & Investment Bank
Un banco con presencia internacional había adquirido una herramienta externa para evaluar el riesgo de los valores respaldados por activos (ABS) de su cartera. El rendimiento de esta tecnología de terceros no alcanzó los resultados esperados debido a su tendencia a sobrestimar la asignación de los flujos de efectivo. Nuestro cliente decidió desarrollar un software propio y pidió a Altair que dirigiera el desarrollo del modelo, que se realizó basándose en simulaciones de Montecarlo y se implementó en VBA. Nuestra herramienta se integró con éxito en las operaciones diarias y se utilizó para predecir mensualmente los valores de los activos y la asignación del flujo de caja de los ABS con mayor exactitud. Después de la validación de la herramienta, se ampliaron todavía más la capacidad de análisis y validación, permitiendo incluir en el análisis tipología de activos rotativos, reforzando el alcance y la agudeza de predicción para nuestro cliente.
IA – Modelo de Deep Learning para una agricultura Inteligente
Nuestro cliente era una empresa agrícola internacional con cultivos en Europa y África, y deseaba mejorar su modelo de previsión de la producción para adaptarse mejor a las condiciones del mercado. Altair se enfrentó al reto de perfeccionar la predicción de que disponían creando una red neuronal y dotándola de visión computacional para calcular el número de frutos por árbol, medir su tamaño y madurez y pronosticar la producción en las primeras etapas. Además, el modelo fue adiestrado para aprender de los resultados de éxito e identificar y sugerir medidas correctivas en problemas relacionados con la actividad: como el exceso o la falta de riego, detectar plagas y enfermedades más comunes. El resultado fue un aumento del 15% en la precisión de pronósticos favoreciendo establecer una mejor estrategia de precios al por mayor, pudiendo anticipar la cosecha de frutas y aprovechando las oportunidades de arbitraje en los precios al contado o futuros de las commodities.
Desarrollo de un modelo de riesgo de crédito a Key Accounts del sector petrolero y gasístico mundial
Los principales clientes de una empresa internacional de energía exigían plazos de pago más amplios en las operaciones de productos petrolíferos. La compañía quería aprovechar estas circunstancias para fortalecer la relación con los Key Accounts, pero su política crediticia era conservadora, y el proceso de aprobación de créditos exhaustivo y minucioso. Altair desarrolló un modelo para evaluar el riesgo a niveles de margen mixto, considerando el coste de financiación y la probabilidad de incumplimiento del cliente. El modelo agilizó la evaluación de las condiciones comerciales propuestas y adquirió la capacidad de adaptar el umbral según el segmento y país, con un margen mínimo para cubrir un rendimiento específico del capital de explotación empleado en la operación. Como resultado de este trabajo, el volumen de negocios de los clientes existentes aumentó, se llegó a nuevos clientes, se optimizó la exposición al riesgo y se redujo el tiempo de aprobación del crédito.
Modelo de Optimización de Precios y Promociones de Tiendas Departamentales en Europa
Nuestro cliente, unos grandes almacenes líderes en Europa, tenía una estrategia de ventas de ropa con promociones por temporada, en lugar de seguir la estrategia de “Precios Bajos Todos los días”. El exceso de existencias y el bajo retorno obtenido de la inversión en promociones, en temporadas altas era una preocupación por resolver. Altair revisó su plan de Optimización de Rebajas (Mark Down Optimization, MDO) e ideó una nueva estrategia utilizando la Teoría de Portfolio de Markowitz, desarrollando un modelo de precios dinámico y estandarizado para la temporada alta de ventas. El equipo de Analytics Altair Lab supervisó el diseño del nuevo modelo, desarrolló nuevos KPI e implementó el plan de transformación; además de realizar el acompañamiento de las recomendaciones de precios durante el periodo de ventas. Como resultado, el margen aumentó un 8%, superando las expectativas iniciales del 3%, y se aceleró la adquisición de recomendaciones por parte del equipo de Planificación y Marketing.
Mejora del modelo de riesgo de la NIIF9 para un banco en Canadá
Nuestro cliente, un banco canadiense contaba con el nivel más alto de provisiones entre sus homólogos, debido al método para la estimación de los diferentes parámetros del riesgo. Altair diseñó un plan de trabajo basado en el perfeccionamiento del modelo existente, aplicando los principios de contabilidad de la NIIF 9, con objeto de reducir al mínimo las pérdidas de crédito previstas. El nuevo enfoque del modelo incluía un pronóstico avanzado de series cronológicas basado en datos macro y tasas de incumplimiento, el adiestramiento del modelo con un set amplificado de variables comerciales y operativas y la combinación de tres enfoques diferentes: Logit, AR y Supervised Machine Learning. El nuevo modelo dio lugar a una reducción del 15% de los niveles de provisión y a una mejor tasa entre los volúmenes de cuentas por cobrar y las provisiones, alcanzando los ratios de la competencia.
Optimización del impacto en la red de una Financiera para Consumo americana mediante herramientas GIS
La organización de las sucursales de una red que se heredó respondía a un esquema histórico y no contemplaba los cambios demográficos ni la canibalización que se habían producido en los últimos años. La aparición de nuevos competidores y productos habían afectado el rendimiento de las sucursales. Altair analizó la ubicación de las sucursales de la empresa y de los competidores, la localización de sus clientes y el mapa socioeconómico de los barrios. Con este análisis se definieron las áreas de influencia de cada sucursal y se detectaron posibles gaps no cubiertos por la competencia. Se desarrolló una metodología geoestadística y de Machine Learning para evaluar y categorizar la situación de cada sucursal, planteando una propuesta de reubicación hacia zonas de crecimiento, permanencia o clausura de oficinas. Este modelo optimizó el rendimiento de la red de oficinas en un 35%.
Desarrollo de un Modelo de Weekly Sales, Stock & Intake (WSSI) para un minorista líder del sector
Un importante minorista con más de 500.000 SKUs quería comprender en su totalidad el management de sus existencias con el fin de optimizar su portfolio de productos y mejorar la gestión logística de los inventarios. Altair llevó a cabo un análisis exhaustivo de los datos de los clientes para conocer su comportamiento como consumidor y desarrolló una predicción semanal avanzada de la demanda basada en datos históricos y otras variables macroeconómicas. Altair pudo implementar un plan de reingeniería de control de producto en los almacenes según la demanda estimada de compra, basado en la experiencia que tenemos en metodologías de logística ajustada. La implementación de un modelo de Weekly Sales, Stock & Intake Model (WSSI) y el incremento de la eficiencia en Compras a proveedores ayudó a nuestro cliente a reducir en un 7% los costes asociados con una mejor gestión de existencias y una reducción de centros de almacenamiento.
Aumentar la fidelización de clientes en la red de cajeros automáticos para un Banco en Reino Unido
Nuestro cliente, una sucursal británica de un importante grupo bancario mundial, estaba tratando de comprender los patrones de deslealtad de sus clientes en los cajeros automáticos, para poder así reducir las elevadas comisiones que se abonan anualmente a terceros y mejorar el servicio al cliente. Altair reunió información de las bases de datos, implementando un análisis y construyendo la segmentación basada en la cuenta, en el saldo promedio, los usos del cajero automático, las actividades bancarias online, la ubicación de los ATM más recurrentes y las operaciones realizadas en cajeros de terceros. El proceso de Machine Learning reveló hallazgos clave para comprender los patrones de comportamiento de los clientes en los cajeros automáticos y desarrolló un modelo de predicción robusto con capacidad de autoaprendizaje. Al mismo tiempo, recomendamos otras medidas aplicables para optimizar la huella de los cajeros automáticos y minimizar los costes en cada grupo de usuarios. Nuestro cliente obtuvo un modelo de predicción robusto y preciso que se tradujo en ahorros importantes en Opex.
Optimización del Price-Balance de productos de deuda regular para un Banco Comercial de Estados Unidos
La sucursal estadounidense de un banco internacional tenía una estrategia comercial agresiva no dirigida a la venta de depósitos. Con sus intereses sustancialmente por encima del promedio del mercado, los niveles de retención quedaban por debajo de las expectativas de la gerencia. El enfoque de Altair fue dividir el proyecto en tres fases: La primera, realizar la segmentación de sucursales según su presión competitiva. Esto se logró con la aplicación de un modelo de agrupación jerárquica. En segundo lugar, se formar el modelo de elasticidad basado en datos históricos para maximizar el margen de cada conglomerado y adaptar dinámicamente los precios a las condiciones del mercado. Por último, se desarrolló el modelo de regresión multivariante para identificar los factores de rotación y abordar las áreas de mejora. Con esta optimización, Altair logró impactar en los resultados con un incremento del saldo del 2,2%, un aumento del margen en un 4,9% y una reducción del 15,2% de la tasa de rescisión en el primer año.
