De predecir a decidir: por qué la IA prescriptiva es el siguiente salto para tu empresa y Fabric te pone los medios

Muchos de mis clientes han pasado ya la fase de “queremos entender qué está pasando en nuestro negocio” y están instalados en la siguiente: “queremos saber qué va a pasar”. Tienen dashboards en Power BI, tienen forecast de ventas, previsiones de cobertura de stock, tienen modelos de churn entre otros productos analíticos. Y aun así, cuando les preguntas qué se hace con esas predicciones…. como en el viejo oeste aparece rodando una bola de paja (llamada estepicursor).

Ese es el objetivo de este post (no hablar de la planta rodadora), entender que predecir sin decidir es dejar la mitad del valor (o todo) sobre la mesa. Es como invertir en una nueva máquina para automatizar un proceso productivo y dejarla apagada. Y aunque es parte de la función de dirección, también es el terreno de la IA prescriptiva.

Descriptiva, diagnóstica, predictiva, prescriptiva: qué cambia realmente

La analítica descriptiva responde a “qué ha pasado”. La diagnóstica, a “por qué ha pasado”. La predictiva, a “qué va a pasar”. Hasta aquí, terreno conocido y con proyectos que ya se llevan haciendo años en Power BI y en modelos de ciencia de datos.

La prescriptiva responde a otra pregunta distinta: “¿qué debería hacer al respecto?”. Y esa pregunta es incómoda porque obliga a algo que la predictiva no obligaba: comprometerse con una acción concreta.

Un ejemplo que me gusta usar en las reuniones. Un modelo predictivo de churn te dice que el cliente X tiene un 78% de probabilidad de darse de baja en los próximos 30 días. Útil, sí. Pero un enfoque prescriptivo va más allá: te dice que, dado ese riesgo, el valor de vida del cliente, el margen del producto, la disponibilidad del equipo de retención y el histórico de éxito de cada acción, la recomendación óptima es ofrecerle un upgrade del plan actual con seis meses gratuitos, gestionado por el gestor comercial Y, esta misma semana. Idealmente, además de recomendarlo, lo desencadena.

La diferencia práctica: pasar del PDF que lee alguien el lunes a una acción que se ejecuta el martes.

Por qué ahora es distinto (y por qué tiene que ver con Fabric)

La analítica prescriptiva no es un concepto nuevo. Lo que sí es nuevo es que hasta hace poco montarla implicaba pegar con cinta adhesiva cuatro o cinco plataformas: un lago para los datos, un entorno separado para entrenar modelos, otro para servirlos, un motor de reglas por otro lado y un integrador para llevar la decisión al sistema operacional. Con suerte, todo eso convivía. En la práctica, casi nunca.

Microsoft Fabric cambia esa foto porque lo integra en una única plataforma. Y esa integración es la que hace viable pasar de la predictiva a la prescriptiva sin montar un proyecto de dos años. Un ejemplo para aterrizarlo en las piezas concretas.

1. OneLake como capa única de datos

Todo empieza aquí. La prescriptiva necesita cruzar datos que tradicionalmente vivían en silos: histórico transaccional del ERP, comportamiento del cliente en el CRM, señales operativas de sensores o logs, catálogo de acciones posibles, restricciones de negocio. Con OneLake y los shortcuts, ese cruce deja de ser un pipeline ETL de tres meses. Se convierte en un ejercicio de gobierno: qué dato entra, con qué calidad y con qué permisos. A vueltas con el gobierno de datos, te recomiendo el post El gobierno de datos en la era de la IA: cuando los datos se mueven solos, el control no puede ser opcional. Fabric y Purview para dar respuesta al cómo. de este mismo blog.

Sin este primer paso, cualquier modelo prescriptivo se sostiene sobre datos parciales, y las recomendaciones son una lotería. A veces toca, pero voy a predecirte un éxito muy, muy limitado y prescribo la necesidad de desplegar un sistema de prescripción con Fabric.

2. Data Science en Fabric para el motor de decisión

Aquí es donde se construye la lógica que convierte una predicción en una recomendación. Los notebooks de Fabric, integrados con MLflow para gestionar experimentos y con las librerías habituales del ecosistema Python, permiten combinar dos cosas que la prescriptiva necesita:

• Un modelo predictivo que da una probabilidad (churn, demanda, avería, impago).
• Una capa de optimización o de reglas que, dada esa probabilidad, decide la mejor acción teniendo en cuenta restricciones de negocio (capacidad, presupuesto, margen, política comercial).

Esa capa de optimización puede ser tan sencilla como un árbol de decisión con reglas o tan sofisticada como un modelo de optimización lineal o de aprendizaje por refuerzo. La clave es que vive junto al dato en OneLake, no en un servidor aparte al que hay que enviarle CSVs cada noche.

3. Activator para pasar de la recomendación a la acción

Este es el eslabón que une la ciencia de datos con la acción. Fabric incorpora Activator (heredero de lo que empezó como Data Activator dentro de Real-Time Intelligence), que permite definir condiciones sobre eventos y datos, y desencadenar acciones cuando se cumplen. En un flujo prescriptivo, eso significa que la recomendación no se queda en una tabla: dispara un correo al gestor comercial, crea un ticket en Dynamics, escribe una fila en el sistema de retención, o llama a una API del CRM.

La diferencia con un pipeline clásico es la latencia y la trazabilidad. Trabajando sobre eventos en tiempo casi real, la recomendación llega mientras aún tiene margen para ejecutarse. Y como todo el flujo vive en Fabric, se sabe qué modelo la generó, con qué datos y qué acción se tomó.

4. Semantic model y Power BI como capa de supervisión

Dejar que la máquina decida y despreocuparse no suele ser una buena idea, sobre todo al principio (ni algo que las direcciones suelan “comprar”). Necesitas una capa donde el negocio vea qué recomendaciones se están generando, cuáles se están ejecutando, cuáles se están saltando y qué resultado están dando.

Con un semantic model en Direct Lake sobre los datos de OneLake, esa capa se construye sin duplicar datos y con la frescura suficiente para que sea útil. Y Power BI sigue siendo el sitio donde el comité de dirección mira el resultado de las acciones. Solo que ahora no está mirando un pasado que ya no puede cambiar, sino un presente sobre el que sí puede actuar.

Qué no es la prescriptiva (porque no siempre hay fuego donde hay humo)

ÒjÓ, hay que ser realistas: todo lo que he escrito es precioso pero… No es “un chatbot que da consejos”. Eso, en el mejor de los casos, es una interfaz de conversación sobre datos, muy útil, pero no un motor de decisión.

No es “montar Copilot en el dashboard”. Copilot ayuda a explorar y a explicar, no a decidir bajo restricciones de negocio.

Y sobre todo, no es un modelo que se entrena una vez y se olvida. Un motor prescriptivo se degrada si las condiciones del negocio cambian y nadie lo revisa. La política de precios cambia, la capacidad del equipo de retención cambia, aparece un competidor: si el motor no lo sabe, sus recomendaciones dejan de ser óptimas silenciosamente. Eso obliga a un mínimo de gobierno del modelo que las organizaciones no deben olvidar.

Por dónde empezar sin morir en el intento

¿Cómo dar el primer paso? La respuesta rara vez es “un proyecto grande”. Suele ser lo contrario: elegir un caso concreto, maduro, con un dueño de negocio claro y una acción medible al final. Retención de un segmento de clientes, mantenimiento preventivo de una familia de equipos, priorización del pipeline comercial, gestión de stock de una categoría. Casos donde ya hay un modelo predictivo funcionando y donde el gap está en “y ahora qué”.

A partir de ahí, el patrón se repite: consolidar los datos necesarios en OneLake, construir el motor de decisión en un notebook, cablear la acción con Activator, y ponerle encima un panel de Power BI donde el negocio pueda ver qué está haciendo el sistema y por qué. Con eso, en semanas y no en trimestres, se tiene un primer motor prescriptivo en producción del que se aprende.

Reflexión final

El salto de descriptiva a predictiva ya lo dieron muchas empresas y les dio ventaja. Personalmente creo que sigue siendo diferencial, las empresas en el ámbito del análisis de datos siguen teniendo un grado de madurez bajo si entendemos que la barrera del diagnóstico a la predicción marca el salto de bajo a medio. El siguiente, el de predecir a decidir, creo que es el que va a marcar la diferencia en los próximos años. Pero en esta escalera no se pueden saltar peldaños: para prescribir hay que predecir. Y la noticia positiva es que la tecnología no es un problema, sino un facilitador, y en este caso sobre todo la plataforma Microsoft Fabric.

Si tu empresa ya tiene modelos semánticos de Power BI y está en el escalón del diagnóstico, quizá podamos tener una conversación para ver cómo seguir avanzando. Merece la pena mirarlo con calma antes de que el competidor lo mire primero.