Construyó un modelo predictivo sólido, así que, ¿ahora qué? El salto de predicciones precisas a acciones óptimas es donde ocurre el valor. El nuevo Optimizador de respuestas de Minitab dentro del Módulo de Analítica Predictiva cierra esa brecha al recomendar la mejor combinación de entradas para lograr su objetivo, ya sea maximizar el rendimiento químico, minimizar los escalamientos de llamadas o lograr un objetivo preciso de diámetro.
El Optimizador de respuestas de Minitab siempre ha sido una herramienta clave al analizar un experimento diseñado. Por ejemplo, el equipo de Six Sigma del Interior de la carrocería de Ford Motor Company utilizó el Diseño de Experimentos (DOE) junto con el Optimizador de respuestas de Minitab para ajustar la configuración de la máquina de costura para alfombras de vehículos. Su desafío era eliminar las marcas de cepillado mientras preservaban la suavidad, durabilidad y resistencia a las manchas. Al aplicar el Optimizador de respuestas, lograron la eliminación completa de defectos, mejoras inesperadas en el afelpado y controlaron el proceso en tan solo 12 días, desde la definición del problema hasta la implementación de la solución.
Y ahora, después de crear un modelo con TreeNet®, Random Forests® o MARS® en el Módulo de Analítica Predictiva, puede hacer clic en Response Optimizer justo en la barra de herramientas en la parte superior de los resultados de su modelo y obtener la mejor configuración para que sus pronosticadores logren el resultado deseado.
Dígale a Minitab cómo se ve el “éxito”—Maximizar, Minimizar, u Objetivo—y establezca los límites prácticos para sus entradas (por ejemplo, la temperatura debe permanecer entre 180 y 200 °C). El Optimizador de respuestas se actualiza al instante, para que pueda arrastrar los controles deslizantes para ejecutar escenarios hipotéticos y ver las compensaciones en tiempo real.
Supongamos que desea aumentar la probabilidad de que los pedidos personalizados se envíen a tiempo. Usted entrena un modelo de clasificación TreeNet utilizando pronosticadores como el plazo de entrega del proveedor, la complejidad de los pedidos y el estado de expeditado. A partir de los resultados del modelo, ahora inicie el Optimizador de respuestas y elija Maximizar para la respuesta binaria “A tiempo”. El optimizador recomienda la combinación que produzca la mayor probabilidad de entrega a tiempo.
Aquí, la probabilidad de una entrega a tiempo se maximiza cuando las líneas negras de cada gráfica están en su punto más alto, por lo que ajustar la ventana de tiempo de entrega del proveedor y estandarizar el proceso de subconjunto debería funcionar. Sin embargo, es conveniente que haga ajustes con la configuración. Por ejemplo, puede cambiar la cantidad del pedido y ver cómo eso afecta la probabilidad de una entrega a tiempo. También puede cambiar los valores de la gráfica para obtener predicciones para otras configuraciones. Incluso podría encontrar una mejor solución en el proceso.
Supongamos que acelerar y estandarizar el proceso de subensamble reduce las entregas retrasadas en un 20%, lo que reduce los costos de penalización o la pérdida de ingresos de los clientes. Si la empresa tiene $1 millón en costos relacionados con entregas retrasadas al año, ese es un beneficio anual de $200,000. Combinado con un pequeño costo de cambios, el retorno de inversión (beneficio ÷ costo) podría superar fácilmente 5×.
Ahora supongamos que usted entrena un modelo de Clasificación Random Forests para predecir si una llamada al servicio al cliente se escalará. Los pronosticadores incluyen antigüedad de agentes, horas de capacitación, nivel de personal y tipo de llamada. En el Optimizador de respuestas, configure el objetivo de Minimizar la probabilidad de escalamiento. Debido a que desea minimizar la probabilidad de escalamiento de llamadas, busque la configuración donde las líneas negras son bajas. Por ejemplo, aquí hay algunos valores de configuración adecuados para un tipo de llamada “Facturación”:
¿Pero qué tal si, en cambio, el tipo de llamada es “Técnica”? Con cada tipo de llamada, tendrá que ajustar la configuración de los otros factores para minimizar la probabilidad de que la llamada sea escalada. El Optimizador de respuestas interactivo nos permite hacer justamente eso y obtener las predicciones correspondientes sobre la marcha.
Para este tipo de llamada, observe que se necesita un agente más experimentado para reducir la probabilidad de escalamiento de llamadas.
En los centros de llamadas, las mejoras en la eficiencia que se logran con la analítica han demostrado un retorno de inversión en el rango de 20-30% en ahorros de costos al reducir los escalamientos, los tiempos de espera y las horas de exceso de personal de los agentes (CallCriteria). Un caso práctico de ClearSource señaló que reducir la rotación de personal y mejorar la resolución de las primeras llamadas utilizando herramientas basadas en datos puede ahorrar de $5,000 a $12,000 por agente en costos de reclutamiento y capacitación.
Supongamos que optimizar las horas de capacitación de los agentes y los niveles de personal reduce las tasas de escalamiento en un 30%. Si cada llamada escalada cuesta $50 adicionales y hay 10,000 llamadas escaladas al año (costo adicional de $500,000), usted ahorra $150,000. Si la implementación de los cambios cuesta $30,000, el retorno de inversión es de 5×.
Por último, es posible que tenga que modelar el rendimiento químico con la regresión MARS® para capturar las interacciones no lineales entre la temperatura, el tiempo de permanencia y la relación del catalizador. Una vez más, abra el Optimizador de respuestas, elija Maximizar para obtener rendimiento y agregue restricciones para imponer límites de seguridad y calidad. En cuestión de minutos, llegan a puntos de ajuste viables, junto con intervalos de predicción para entender el riesgo de variabilidad en torno a la configuración recomendada.
En lugar de una vista gráfica de la relación entre cada configuración y la respuesta, también puede utilizar la vista de tabla que se muestra a continuación para ver qué configuraciones conducen al mejor rendimiento químico de 95.8%.
Supongamos que optimizar la temperatura, el tiempo de permanencia y la relación del catalizador mejora el rendimiento en un 5% en una instalación que produce, por ejemplo, 1,000,000 de unidades/año con un margen de $10/unidad. Eso significa un margen de rendimiento de $500,000 más. Si el costo de ajustar el proceso (control adicional, monitoreo, ajustes menores) es de $50,000, el retorno de inversión es de 10×.
¡Es así de fácil!
¿Está preparado para convertir sus predicciones en decisiones optimizadas del mundo real que le ahorrarán dinero?