Análisis Descriptivo vs Prescriptivo

Por qué saber QUÉ pasó no te dice QUÉ hacer

La semana pasada, un CFO me dijo algo que me hizo reflexionar:

"Lluis, tenemos el mejor BI del sector. Sabemos TODO lo que pasa en nuestro negocio. Cada métrica, cada indicador, cada variación. Pero seguimos tomando decisiones como hace 10 años: en reuniones donde discutimos, opinamos y al final decide quien grita más fuerte o tiene más antigüedad."

Pausa.

"¿De qué sirven los datos si al final decidimos con el estómago?"

Tiene razón.

Hemos invertido millones en sistemas de BI. Contratado data scientists. Creado dashboards espectaculares. Y seguimos tomando decisiones basadas en intuición, experiencia y política corporativa.

¿El problema?

No está en la calidad de los datos.
Está en el tipo de análisis que hacemos con ellos.

La evolución del análisis: de la arqueología a la medicina

Déjame contarte una historia sobre dos médicos.

Médico A - El Arqueólogo

Un paciente llega con dolor de cabeza persistente.

El médico saca su instrumental de última generación. Realiza mediciones exhaustivas:

• Temperatura: 37.8°C

• Presión: 140/90

• Frecuencia cardíaca: 88 ppm

• Análisis de sangre completo con 47 parámetros

• Scanner cerebral de alta resolución

Genera un informe de 12 páginas con gráficos espectaculares mostrando la evolución de cada parámetro en las últimas 48 horas.

Explica al paciente durante 30 minutos todo lo que ha encontrado.

El paciente pregunta: "¿Y qué hago?"

El médico responde: "Bueno, eso depende de muchos factores. Deberías analizar tu situación y decidir."

Médico B - El Prescriptor

El mismo paciente llega con el mismo dolor.

El médico realiza las mismas mediciones. Pero en lugar de generar un informe descriptivo, dice:

"Tienes una migraña tensional causada por estrés y deshidratación. Esto es lo que vas a hacer:

1. Toma este analgésico específico, 600mg cada 8 horas durante 3 días 2. Bebe mínimo 2 litros de agua diarios 3. Reduce cafeína a máximo 1 café al día 4. Si en 48h no mejora, vuelve y haremos resonancia magnética 5. Si aparecen estos 3 síntomas específicos, ve a urgencias inmediatamente"

¿Con cuál te quedarías?

Pues tu organización está haciendo lo del Médico A con sus datos comerciales.

Los tres niveles de madurez analítica

Nivel 1: Análisis Descriptivo - "¿Qué pasó?"

Definición:
Análisis retrospectivo que describe eventos pasados mediante agregaciones, visualizaciones y reportes.

Herramientas típicas:

• Dashboards de BI

• Reportes de ventas

• Análisis históricos

• KPIs retrospectivos

Preguntas que responde:

• ¿Cuánto vendimos el trimestre pasado?

• ¿Qué cliente facturó más?

• ¿Cuál fue el margen promedio?

• ¿Cómo evoluciona el pipeline?

Ejemplo real:

REPORTE Q4 2024

─────────────────────────────

Facturación total: 12.4M€ (-3% vs Q3)

Margen bruto: 32% (+1pp vs Q3)

Clientes activos: 247 (+12 vs Q3)

Top cliente: ACME Corp (1.8M€)

Zona con mejor crecimiento: Sur (+18%)

Valor:
Visibilidad. Conocimiento del estado actual.

Limitación:
Cero guía sobre qué hacer. Es como mirar por el retrovisor mientras conduces hacia adelante.

Coste oculto:
Genera ilusión de control. "Sabemos lo que pasa" se confunde con "sabemos qué hacer".

Nivel 2: Análisis Predictivo - "¿Qué va a pasar?"

Definición:
Uso de datos históricos, algoritmos estadísticos y machine learning para predecir eventos futuros.

Herramientas típicas:

• Modelos de scoring de leads

• Forecast automatizado de ventas

• Predicción de churn

• Probabilidad de cierre

Preguntas que responde:

• ¿Qué probabilidad tiene esta oportunidad de cerrarse?

• ¿Qué clientes tienen riesgo de abandonar?

• ¿Cuánto venderemos el próximo trimestre?

• ¿Qué leads tienen mayor probabilidad de conversión?

Ejemplo real:

FORECAST Q1 2025 (AI-powered)

─────────────────────────────────────

Facturación estimada: 11.2M€ (±1.1M€)

Confianza: 78%

Clientes en riesgo de churn:

- Cliente BETA: 72% probabilidad

- Cliente GAMMA: 64% probabilidad

- Cliente DELTA: 58% probabilidad

Oportunidades con mayor probabilidad cierre:

- Opp-#234: 83% (valor: 340K€)

- Opp-#189: 76% (valor: 520K€)

Valor:
Anticipación. Visibilidad del futuro probable.

Limitación:
Predice QUÉ va a pasar, pero no te dice QUÉ HACER al respecto.

Coste oculto:
Puede generar parálisis por análisis. Sabes que Cliente BETA tiene 72% de probabilidad de churn... ¿y ahora qué? ¿Le llamas? ¿Le descuentas? ¿Le ignoras y te centras en otros?

Nivel 3: Análisis Prescriptivo - "¿Qué debo hacer?"

Definición:
Combina datos descriptivos, modelos predictivos y lógica decisional para recomendar acciones específicas optimizadas.

Herramientas típicas:

• Sistemas de optimización

• Motores de recomendación

• AI decisional

• Simulación de escenarios

Preguntas que responde:

• ¿Qué acción específica debo tomar con cada cliente?

• ¿Dónde debo invertir mis recursos escasos?

• ¿Con qué estrategia abordar cada segmento?

• ¿Cuándo debo cambiar de enfoque?

• ¿Qué resultado esperado tendrá cada decisión?

Ejemplo real:

PRESCRIPCIÓN CLIENTE BETA

─────────────────────────────────────

DIAGNÓSTICO:

- Valor actual: 1.8M€/año

- Margen real: 4.2% (crítico)

- Potencial adicional: Bajo (87% wallet share)

- Calidad relación: Deteriorándose (NPS 72→51 en 12m)

- Predicción: 72% probabilidad churn en 6 meses

PRESCRIPCIÓN:

ACCIÓN PRIMARIA: Renegociación Q1

• Proponer ajuste precio +8%

• O reducción coste servir vía: 

- Pedidos consolidados

- Portal autoservicio

- SLA estándar (no premium)

SI HAY RECHAZO: Salida elegante Q2

(cliente no rentable)

• Liberar 8h/mes comercial →

Reasignar a clientes segmento

"Alto Potencial/Alta Rentabilidad"

RESULTADO ESPERADO:

- Escenario A (acepta): +144K€ margen/año

- Escenario B (rechaza): +240K€ oportunidad

  (tiempo comercial reasignado)

TRIGGER DE REVISIÓN:

- Si NPS sube >60: Reconsiderar estrategia

- Si aceptan cambios: Monitoreo trimestral

Valor:
Acción directa. Decisión informada. ROI cuantificable.

Limitación:
Requiere integración compleja de datos, lógica decisional sofisticada y frameworks de segmentación multidimensional.

Coste de no tenerlo:
Seguir tomando decisiones con el estómago mientras tu competencia las toma con cerebro aumentado por datos.

Por qué el salto de Descriptivo a Prescriptivo es tan difícil

La mayoría de organizaciones están atascadas en el Nivel 1, algunas llegan al 2, casi ninguna alcanza el 3.

¿Por qué?

Barrera 1: Confusión conceptual

Muchos creen que tener dashboards con Machine Learning ya es prescriptivo.

NO.

Un forecast con AI que te dice "venderás 11.2M€ el próximo trimestre" sigue siendo predictivo.

Prescriptivo sería: "Para alcanzar tu objetivo de 12.5M€, el comercial A debe dedicar 40% de tiempo a estos 8 clientes específicos, el comercial B debe descalificar estas 5 oportunidades y reasignar tiempo a estas otras 12, y debes renegociar pricing con estos 6 clientes en las próximas 3 semanas."

Barrera 2: Falta de frameworks de segmentación avanzada

No puedes prescribir si no segmentas bien.

ABC es unidimensional. Te dice "este cliente es grande", pero no te dice:

• ¿Es rentable?

• ¿Tiene potencial?

• ¿La relación es buena?

• ¿Qué estrategia requiere?

Necesitas segmentación multidimensional para poder prescribir estrategias diferenciadas.

Barrera 3: Ausencia de lógica decisional explícita

Tener datos no es suficiente. Necesitas reglas de decisión.

Ejemplo:

SI [Cliente = Alto Valor + Bajo Margen + Alta Madurez Relación]

ENTONCES [Acción = Renegociación estructurada]

_____

SI [Cliente = Bajo Valor + Alto Margen + Alto Potencial + Baja Calidad Relación]  

ENTONCES [Acción = Hunter agresivo + Experiencia premium]

_____

SI [Cliente = Alto Valor + Alto Margen + Baja Calidad Relación + Riesgo Churn]

ENTONCES [Acción = Win-back estratégico]

Sin estas reglas explícitas y sistematizadas, no hay prescripción posible.

Barrera 4: Sistemas fragmentados

El análisis prescriptivo requiere integración:

• CRM (actividad, pipeline)

• ERP (facturación, cobros)

• Costes (real cost to serve)

• Satisfacción (NPS, CSAT)

• Mercado (potencial, competencia)

La mayoría de organizaciones tiene estos datos en silos. Y la integración es compleja y cara.

Barrera 5: Cultura de "reporting" vs. cultura de "decisión"

La más difícil de todas.

Muchas organizaciones miden su madurez analítica por:

• ¿Cuántos dashboards tenemos?

• ¿Cuántos KPIs trackeamos?

• ¿Qué tan bonitos son nuestros reportes?

Preguntas equivocadas.

Las correctas son:

• ¿Cuántas decisiones cambiamos gracias a datos en el último mes?

• ¿Qué % de nuestras decisiones comerciales están data-driven vs. basadas en intuición?

• ¿Podemos cuantificar el ROI de nuestras decisiones antes de tomarlas?

Caso real: La transformación de un distribuidor industrial

Situación inicial (Nivel 1: Descriptivo)

Cliente: Distribuidor industrial, 45M€ facturación, 320 clientes B2B.

Dashboard impecable mostrando:

• Facturación por cliente, zona, producto, comercial

• Evolución mensual de ventas

• Clasificación ABC automática

• 38 KPIs distintos

Reuniones semanales de 2 horas analizando dashboards.

Problema: Margen cayendo 0.8pp por año durante 3 años consecutivos. No sabían por qué ni qué hacer.

Fase 2: Añadimos Predictivo

Implementamos modelos ML de:

• Forecast de ventas por cliente

• Probabilidad de churn

• Scoring de oportunidades

Resultado: Ahora predecían mejor. Pero seguían sin saber qué hacer diferente.

Ejemplo: Modelo predecía que Cliente OMEGA tenía 68% de probabilidad de reducir volumen en 6 meses.

Reunión para decidir acción:

• Comercial quería visitarlo más

• Marketing quería campaña específica

• Director Comercial quería renegociar contrato

• CFO quería analizar su rentabilidad primero

Discusión de 45 minutos. Decisión: "lo pensamos y revisamos el mes que viene".

(Spoiler: Cliente OMEGA redujo 40% su volumen antes de que decidieran nada)

Fase 3: Implementamos Prescriptivo

Creamos framework de segmentación multidimensional:

6 dimensiones:

1. VAL (Valor Actual)

2. TAV (Tamaño Accesible Viable - potencial)

3. REN (Rentabilidad real)

4. KQ (Calidad de relación)

5. COA (Coste de Adquisición histórico)

6. TMA (Tiempo/Madurez relación)

Cada cliente clasificado en matriz 6D → Asignación a uno de 12 arquetipos estratégicos.

Arquetipos ejemplo:

Cada arquetipo tenía:

• Estrategia específica (Challenger, Strategic Selling, Tech-touch, etc.)

• Asignación de tiempo comercial

• KPIs específicos

• Triggers de revisión

Resultados en 18 meses:

Decisiones tomadas (vs. discutidas):

• 47 clientes renegociados (pricing o términos)

• 12 clientes "salida elegante" (vampiros irrecuperables)

• 28 clientes reasignados de comercial según estrategia

• 35 clientes con expansion plays activos

Impacto cuantificable:

• +4.2pp en margen (de 28.1% a 32.3%)

• +8% en facturación cualificada

• -18% en tiempo dedicado a "urgencias"

• -31% en reuniones de "análisis"

El cambio fundamental:

Antes:
"Cliente OMEGA está en riesgo. ¿Qué hacemos?"
→ 45 minutos de debate, cero decisión

Después:
"Cliente OMEGA: [Vampiro Tipo 2]. Prescripción: Renegociar términos o exit Q2. Comercial reduce tiempo 60%. Preparar alternativas supply."
→ Decisión tomada, ejecutada en 3 semanas

Los 4 componentes esenciales del Análisis Prescriptivo

Si quieres dar el salto, necesitas estos 4 elementos trabajando juntos:

1. Segmentación Multidimensional

Malo:
ABC (solo volumen)

Bueno:
Matriz 2x2 (volumen + rentabilidad)

Excelente:
6+ dimensiones relevantes que capturan:

• Realidad presente (valor, rentabilidad)

• Potencial futuro (TAV, crecimiento)

• Calidad relacional (NPS, satisfacción, madurez)

• Coste de gestión (CAC, cost to serve)

2. Lógica Decisional Explícita

No basta con ver las dimensiones. Necesitas reglas:

REGLA: Renegociación de Valor

─────────────────────────────

CONDICIONES:

- VAL > P75 (cliente grande)

- REN < P25 (rentabilidad baja)

- TMA > 24 meses (relación madura)

- KQ > 60 (relación no está rota)

ACCIÓN:

1. Análisis costo real de servir

2. Propuesta ajuste pricing (+6-12%)

   O mejora eficiencia operativa

3. Plazo: 30 días para respuesta

4. Si rechazo: Protocolo salida elegante

RESULTADO ESPERADO:

- Escenario A: +X% margen

- Escenario B: Liberación recursos

3. Motor de Optimización de Recursos

Tiempo comercial, budget CS, inversión marketing = recursos escasos.

El motor debe responder:

• ¿Cuánto tiempo debe dedicar cada comercial a cada segmento?

• ¿Qué tipo de estrategia (Challenger, Strategic, Tech-touch) aplicar a cada cliente?

• ¿Cuándo revisar y ajustar?

Ejemplo output:

ASIGNACIÓN COMERCIAL - MARÍA GONZÁLEZ

─────────────────────────────────────

Total tiempo disponible: 160h/mes

DISTRIBUCIÓN PRESCRITA:

- 35% (56h) → Segmento "Potencial Dormido" (8 clientes)

  Estrategia: Hunter + Expansion plays

- 30% (48h) → Segmento "Cash Cow" (12 clientes)

  Estrategia: Retención + Innovation

- 20% (32h) → Segmento "En Riesgo" (5 clientes)

  Estrategia: Win-back estructurado

- 10% (16h) → Prospección target sectors

- 5% (8h) → Admin/reporting

CAMBIOS VS. MES ANTERIOR:

- ↓ 40% tiempo en segmento "Vampiros" (reasignación post-renegociación)

- ↑ 60% tiempo en "Potencial Dormido" (nuevo foco)

4. Sistema de Triggers y Alertas

El analytics prescriptivo no espera a la reunión trimestral. Actúa cuando los datos lo indican.

Triggers ejemplo:

ALERTA: Cliente ACME cambió de cuadrante

────────────────────────────────────────

Cambio detectado: 2024-12-15

ANTES (Q3):

- Segmento: Cash Cow Premium

- Estrategia: Retención light

AHORA (Q4):

- Segmento: En Riesgo

- Trigger: KQ cayó de 78 a 52 en 2 meses

         + 2 stakeholders clave cambiaron

         + Competidor X en conversaciones

PRESCRIPCIÓN ACTUALIZADA:

→ Activar protocolo Win-back

→ Reunión C-level en 7 días

→ Auditoría satisfacción urgente

→ Reasignar a senior AM

Por qué la mayoría de intentos de "análisis prescriptivo" fallan

He visto docenas de proyectos que prometían prescripción y terminaron siendo descripción cara.

Los 5 errores fatales:

Error 1: Pensar que AI = Prescriptivo

Meter un modelo de ML en tu dashboard NO es prescriptivo.

Un forecast con redes neuronales sigue siendo predictivo.

Prescriptivo requiere:

• Segmentación multidimensional

• Lógica decisional

• Optimización de recursos

• Accionabilidad inmediata

Error 2: Querer prescribir sin segmentar bien

No puedes dar instrucciones específicas si todos los clientes están en 3 cubos (ABC).

Es como si un médico solo pudiera clasificar pacientes en "sanos, enfermos leves, enfermos graves" y tuviera que prescribir el mismo tratamiento a todos los "enfermos leves".

Error 3: Buscar la "plataforma mágica"

Muchas empresas buscan el software que "haga prescriptivo".

Mala noticia: No existe el software mágico que sin metodología, sin segmentación correcta y sin lógica decisional, prescribe.

El software es facilitador. La inteligencia está en el framework.

Error 4: No involucrar al equipo comercial

He visto implementaciones de analytics prescriptivo hechas 100% por IT o Data Science, sin participación comercial.

Resultado: Prescripciones técnicamente correctas pero comercialmente inviables o políticamente explosivas.

El equipo las ignora. El proyecto muere.

Error 5: No medir el cambio en decisiones

Si después de implementar "análisis prescriptivo" sigues tomando decisiones como antes... no has implementado nada útil.

La métrica clave:
% de decisiones comerciales tomadas siguiendo prescripción data-driven vs. intuición/política.

Si ese % no supera el 70% en 6 meses, el proyecto falló.

La pregunta que debes hacerte

Piensa en la última decisión comercial importante que tomaste:

• Reasignación de comerciales

• Cambio de estrategia con cliente clave

• Decisión de inversión en cuenta

• Política de pricing

• Descalificación de oportunidad

¿Esa decisión fue:

A) Descriptiva:
"Miramos los datos, vimos que X estaba pasando, y decidimos hacer Y basados en nuestra experiencia"

B) Predictiva:
"El modelo nos dijo que probablemente pasaría Z, así que decidimos hacer Y"

C) Prescriptiva:
"El sistema nos dijo: dada la situación multidimensional de este cliente, la acción óptima es Y, con resultado esperado W, y si no funciona hacer P. Lo ejecutamos."

Si tu respuesta es A o B en más del 50% de tus decisiones...

...estás dejando dinero en la mesa.

Y tu competencia, si ya está en C, te está ganando terreno cada trimestre.

El camino hacia la prescripción: 3 pasos pragmáticos

No necesitas transformar todo de golpe. Empieza aquí:

Paso 1: Audita tus "decisiones data-driven"

Próximas 4 semanas, anota cada decisión comercial importante:

1. ¿Qué decidiste?

2. ¿Qué datos consultaste?

3. ¿Esos datos te dijeron QUÉ hacer, o solo te informaron?

4. ¿La decisión habría sido diferente sin esos datos?

Si la respuesta a #4 es "no" en >60% de casos, tus datos no están conduciendo decisiones.

Paso 2: Elige 1 decisión recurrente para "prescribir"

No intentes prescribir todo. Empieza con una decisión que:

• Se repite frecuentemente

• Tiene impacto cuantificable

• Los datos existen (o se pueden capturar)

Ejemplos:

• Asignación mensual de tiempo comercial por cliente

• Estrategia de renovación por cuenta

• Descalificación de oportunidades

Construye la lógica decisional para ESA decisión específica.

Paso 3: Mide el cambio

Antes de prescribir:

• ¿Cuánto tiempo tomaba esa decisión?

• ¿Cuál era el resultado promedio?

• ¿Cuánta variación había entre decisores?

Después de prescribir:

• ¿Se redujo el tiempo de decisión?

• ¿Mejoró el resultado?

• ¿Se estandarizó la calidad (menor variación)?

Si las 3 respuestas son "sí", escala a otras decisiones.

El futuro no es "más datos"

Ya tenemos más datos de los que podemos procesar.

El futuro no es "mejores dashboards".
Los dashboards que tenemos ya son hermosos.

El futuro es pasar de observar a actuar.

De saber QUÉ pasó → a saber QUÉ hacer.

De reportar el pasado → a diseñar el futuro.

De análisis descriptivo → a análisis prescriptivo.

La pregunta no es si necesitas dar ese salto.

Es si puedes permitirte no darlo.

Porque mientras tú describes, tu competencia prescribe.

Y en 3 años, cuando finalmente decidas evolucionar, ellos ya estarán 3 años por delante.

Deja de mirar. Empieza a decidir.

Lluis Vilella
CEO, AI ON SALES
Especialistas en Análisis Comercial Prescriptivo

¿Listo para pasar de dashboards bonitos a decisiones inteligentes? Hablemos.