Muchas organizaciones de alto rendimiento son todavía unas defensoras apasionadas del mordaz ingeniero y economista italiano Vilfredo Pareto. Todavía se inspiran en su regla del 80-20, la idea de que el 80 % de los efectos (ventas, ingresos, etc.) provienen del 20 % de las causas (productos, trabajadores, etc.). A medida que el aprendizaje de máquinas y la innovación algorítmica de la inteligencia artificial (IA) transformen las analíticas, mi apuesta es que los algoritmos de próxima generación sobrecargarán el paradigma empíricamente provocativo de Pareto. Aquí describo tres maneras importantes en las que la IA y el aprendizaje de máquinas redefinirán cómo aplican las empresas el principio de Pareto para impulsar digitalmente la innovación rentable hasta niveles más allá de las analíticas convencionales.

1.      Paretos inteligentes

Primero, un mayor volumen y variedad de datos garantizan que los algoritmos reciban el entrenamiento que necesitan para volverse más inteligentes. En consecuencia, las redes digitales se convierten en plataformas de Pareto que transforman  los vectores vitales de las variables en un nuevo valor.

Las nuevas analíticas del entorno profesional, por ejemplo, significan que un mayor número de organizaciones puede identificar realmente el 20 % de los empleados que aportan el 80 % del valor a un producto, proceso u otra experiencia de usuario. La continua digitalización de procesos de negocio, plataformas y experiencias de cliente sugiere perspectivas de Pareto igual de creativas: ¿Qué 20 % de la mejora de una plataforma genera el 80 % de su impacto? ¿Qué 20 % de la experiencia del cliente causa el 80 % de deleite o desagrado? Los equipos directivos serios quieren que esas preguntas relacionadas con datos las resuelvan los algoritmos.

2.      Súperparetos

Segundo, las distribuciones tradicionales han cambiado de manera disruptiva. El pequeño y sucio secreto de la productividad del big data es que la regla del 80-20 de Pareto ha degenerado en un anacronismo empírico. Las empresas con una gran potencia analítica comprueban que las proporciones de Pareto se aproximan cada vez más a 10-90, 5-50, 2-30 y 1-25. En función del rigor con el que se clasifiquen y definan los datos, aparecen proporciones de Pareto de 1-50, 5-75 y, sí, 10-150. Los "pocos vitales" de Pareto se convierten en "aún  menos vitales".

Las distribuciones extremas transcienden y dominan la industria. Menos del 10 % de los bebedores, por ejemplo, suponen más de la mitad de las bebidas destiladas vendidas. Incluso más extremo, menos del 0,25 % de los jugadores móviles son responsables de la mitad de todos los ingresos que obtienen las aplicaciones.

Identificar claramente y mimar los "súperparetos", no obstante, no va lo suficientemente lejos. El mercado y su crecimiento exigen que las estadísticas descriptivas den paso a estadísticas predictivas y prescriptivas. En otras palabras, en que conviertan esos conjuntos de datos en "conjuntos de entrenamiento" para algoritmos inteligentes.

Las organizaciones necesitan identificar las posibles propensiones de Pareto, necesitan descifrar algorítmicamente el código de los pequeños ajustes que promueven impactos en el negocio con un orden de magnitud. Las personas encargadas de dirigir una empresa y sus equipos de ciencia de datos han de reorganizarse en torno al potencial y las posibilidades extremas de Pareto, no sólo en torno a más y mejores datos.

Por ejemplo, una empresa europea multimillonaria dedicada a los equipos industriales con más de 2.000 números de referencia (en inglés, SKU o stock-keeping unit) determinó que menos del 4 % de sus ofertas suponían un tercio de sus ventas y aproximadamente la mitad de sus beneficios. Pero ampliar el análisis para incluir el servicio y mantenimiento ofrecido reveló que apenas 100 productos eran los responsables de más de dos tercios de los beneficios. Eso empujó a la empresa a replantearse por completo sus estrategias de tarificación y agrupación de productos.

Un estudio más detallado de las analíticas de Pareto sobre las características y funciones específicas de los productos, y no solo en los productos en sí mismos, revelaron algunas claves todavía más sugestivas. Los equipos de ingeniería y contabilidad plantearon nuevos rediseños a partir de los datos sobre prestaciones y funciones deseables en lugar de los propios productos. Procesar una unidad de análisis distinta dio paso a claves de Pareto incluso más valiosas. La supresión selectiva de prestaciones, por ejemplo, no sólo redujo los costes, sino que también dio lugar a experiencias de usuario mediblemente mejores. Esto, a su vez, provocó que aumentara  el número de clientes en un segmento determinado del mercado.

3.      Supraparetos

Tercero, mientras los datos se vuelven más granulares y los algoritmos procesan patrones complejos de formas más inteligentes, la gestión de las carteras de productos y servicios a partir del principio de Pareto también cambia. Las empresas más astutas en lo que a analíticas y operaciones se refieren ya gestionan porfolios Pareto; es decir, diferentes indicadores de Pareto que abarcan toda la actividad de la empresa. Para ellos, las siglas KPI significan "key Pareto information" (información clave de Pareto) en lugar de "key performance indicator" (indicador clave de rendimiento). Si los KPI tradicionales no facilitan análisis basados en las relaciones de Pareto, las personas no pueden ver las posibles oportunidades que suponen para la optimización y generación de valor.

Donde los encargados de procesos individuales, responsables de producto y equipos de ventas antes hacían hincapié en optimizar sus propios paretos, ahora hurgan, sondean y juegan con los de otros. Los mánagers y ejecutivos serios descomponen y evitan los silos analíticos. Reconocen que sus paretos pueden cruzarse analíticamente entre sí, solaparse y recombinarse productivamente con paretos de toda la empresa.

Cada vez más, la manera más segura de replantear y revitalizar un análisis de Pareto consiste en vincularlo con otro. A medidas que las empresas más ricas en datos y con mayor conocimiento algorítmico pasen de gestionar de manera individual una docena de indicadores de Pareto claves a supervisar cientos, es posible que emerja un maravilloso mundo nuevo de conjuntos de Pareto. ¿Cuáles ofrecerán las mejores claves y oportunidades para crear y capturar valor?

La interconexión de paretos se ha convertido por tanto en una de las iniciativas analíticas más emocionantes y productivas que observo. ¿Qué 10 % de los conjuntos de KPI podrían explicar el 90 % de nuevos clientes, crecimiento o márgenes? El reto de la creatividad suprapareto exige una colaboración interdisciplinar impulsada por datos. Los mánagers sofisticados e "intraemprendedores" de toda la empresa quieren fusionar sus "pocos vitales" de manera innovadora.

En una empresa multinacional de telecomunicaciones, todo tipo de indicadores de Pareto –descriptivos, predictivos y prescriptivos– se habían desarrollado para anticipar, impedir y minimizar la rotación de clientes. El equipo de gestión de rotación había hecho un excelente trabajo al identificar y retener, literalmente, millones de clientes en riesgo. Sin embargo, los rendimientos decrecientes habían aparecido y el rendimiento se había estancado.

Todo cambió cuando el grupo decidió echar redes más amplias. En lugar de hacer hincapié en los indicadores de Pareto asociados a la satisfacción del cliente, las reclamaciones o el funcionamiento del servicio, el equipo descubrió una serie de relaciones de Pareto de ventas y marketing que destacaban el upselling o venta adicional: el 20 % de los clientes suponía el 80 % de los nuevos servicios contratados; el 25 % de los clientes eran responsables del 75 % de las líneas o planes de datos nuevos.

Con estos indicadores de Pareto en la mano, el equipo de rotación preguntó si realmente podían realizar venta adicional con sus clientes en lugar de limitarse a conservarlos. Un análisis de regresión y modelos basados en agentes sencillos encontraron importantes correlaciones entre los perfiles Pareto de los clientes que abandonaban la compañía y los que aceptaban una oferta de venta adicional.

Escribir guiones y probar experimentalmente las ofertas se demostró relativamente rápido, sencillo y barato. A pesar de que los resultados finales no fueron revolucionarios, sí que fueron mucho más que incrementales. No sólo mejoraron las cifras de retención, sino que el equipo de rotación también dedicó menos recursos para convervar clientes y logró realizar con éxito upselling en uno o dos puntos de porcentaje.

Pero este conjunto de Pareto también generó un bonus fortuito, si bien obvio, para el negocio. Los nuevos paretos del equipo de retención de clientes demostraron su utilidad para otras funciones como la venta adicional, algo más propio de ventas y marketing. El uso innovador de estos conjuntos de datos mejoró la satisfacción del cliente y las cifras del NPS, que mide la lealtad de los clientes a partir de sus recomendaciones, al mismo tiempo que se reducía la tasa de rotación. Todos salieron ganando.

El éxito preliminar de los conjuntos de Pareto recuerda al hallazgo crítico de la competición Netflix Prize: los mejores resultados no fueron resultado de mejorar el rendimiento individual del modelo, sino de generar conjuntos donde los atributos se podían mejorar de manera colectiva.

La lección es que contar con muchos modelos puede ser útil para los resultados incrementales necesarios para ganar competiciones, pero, a nivel práctico, se pueden desarrollar sistemas excelentes con tan solo un par de modelos bien seleccionados.

Aplicar con rigor el principio de Pareto a los indicadores de Pareto parece obvio, pero pocas organizaciones demuestran hacerlo a diario. Eso tiene que cambiar. Los planes estratégicos y hojas de ruta tecnológicas tienen que basarse en analíticas e indicadores de Pareto. Predecir mejor los pocos vitales del mañana y la oportunidad de combinar de forma combinatoria los KPI de toda la empresa se convertirá en fuentes, no solo de mayor eficiencia, sino que también será determinante en la generación de valor disruptivo.

Cuantos más inteligentes sean los algoritmos de una empresa, más necesitarán –y la empresa también– aprender de y con Pareto.