En un entorn empresarial on les dades abunden però les decisions continuen sent complexes, la capacitat de transformar informació en accions concretes i transparents s'ha convertit en un avantatge competitiu clau. Tradicionalment, les organitzacions han depès d'experiments controlats —com els tests A/B— per avaluar l'impacte de les seves polítiques. No obstant això, no sempre és possible executar assajos aleatoris a causa de restriccions operatives, costos o qüestions ètiques. És aquí on entra en joc un enfocament innovador: les polítiques prescriptives basades en dades observacionals, que permeten inferir quina acció prendre en cada situació sense necessitat d' intervenir directament en l' entorn real. Aquest concepte és al cor de COAT (Counterfactual Optimal Action Tree), un marc que combina estimació contrafactual amb optimització a gran escala per prendre decisions interpretables i factibles sota regles de negoci complexes. Tot i que el cas d'ús original se centra en la fixació de preus de serveis complementaris en aerolínies —aconseguint increments significatius en ingressos—, els principis subjacents són aplicables a qualsevol sector on la personalització de decisions sigui crítica: des de l'assignació de recursos sanitaris fins a la recomanació de productes financers.
Per entendre el valor de COAT, primer hem d'explorar què significa aprendre una política prescriptiva a partir de dades observacionals. A diferència dels models predictius, que responen a 'què passarà?', els models prescriptius responen a 'què hauríem de fer?'. Imaginem un banc que desitja oferir un descompte en un producte a determinats clients. Si fem servir dades històriques on les ofertes ja es van aplicar de forma no aleatòria, les decisions passades estan esbiaixades: potser els clients amb més historial creditici van rebre millors ofertes. Per corregir aquest biaix, s'utilitzen tècniques d'inferència causal que estimen el que hauria ocorregut si s'hagués pres una acció diferent —el resultat contrafactual— i, a partir d'aquí, s'entrena un arbre de decisions (o 'action tree') que recomana l'acció òptima per a cada perfil. La interpretabilitat de l' arbre permet que els responsables de negoci comprenguin i validin les regles, una cosa essencial en entorns regulats com la banca o la salut. A més, el procés d'optimització mitjançant generació de columnes assegura que les recomanacions respectin restriccions operatives —com pressupostos màxims, capacitats tècniques o normatives—, combinant eficiència i transparència.
La implementació d' aquest tipus de marcs no seria possible sense una infraestructura tecnològica sòlida. Les empreses necessiten sistemes capaços de manejar grans volums de dades, executar models complexos d'intel·ligència artificial i desplegar les polítiques en temps real. Aquí és on cobra rellevància la integració amb plataformes cloud: els serveis cloud AWS i Azure ofereixen entorns escalables per entrenar i servir models, mentre que eines de Business Intelligence com Power BI permeten visualitzar tant els resultats com les regles generades, facilitant l'auditoria i l'ajust continu. En Q2BSTUDIO, entenem que cada organització té necessitats particulars, per la qual cosa desenvolupem aplicacions a mesura que connecten aquestes capacitats. Per exemple, podem construir un sistema que ingereixi dades observacionals de múltiples fonts, apliqui algoritmes de causalitat, generi arbres de decisió optimitzats i els exposi mitjançant APIs segures, tot això respectant els estàndards de ciberseguretat més exigents. L' automatització de processos i l' ús d' agents IA per al monitoratge i actualització de les polítiques completen el cicle, permetent que les decisions s' ajustin dinàmicament als canvis del mercat.
Un aspecte cabdal de les polítiques prescriptives és la seva interpretabilitat. En sectors com la salut o les finances, no n'hi ha prou que el model encerti; cal que les regles siguin comprensibles per als professionals i, en molts casos, explicables davant de reguladors. Els arbres de decisió ofereixen aquesta claredat, ja que cada node representa una condició (per exemple, 'si el client té menys de 30 anys i un historial de compres inferior a 5 unitats, llavors oferir descompte del 10%'), cosa que permet als equips de negoci discutir i modificar les regles de forma col·laborativa. A més, la combinació amb tècniques contrafactuals redueix el risc de perpetuar biaixos històrics, perquè el model aprèn a partir de resultats hipotètics i no només de decisions passades. Per a les empreses que ja treballen amb intel·ligència artificial per a empreses, incorporar aquest enfocament suposa un salt qualitatiu: passen de predir comportaments a influir activament en ells, maximitzant objectius com ingressos, satisfacció del client o eficiència operativa.
L'èxit del pilot en la indústria aèria —amb increments del 6,9% en ingressos per reserva i projeccions de 50 a 150 milions de dòlars anuals— demostra que la inversió en aquest tipus de solucions té un retorn tangible. No obstant això, el veritable potencial resideix en la seva replicabilitat. Qualsevol empresa que disposi de dades històriques de decisions i resultats pot beneficiar-se, sempre que compti amb la tecnologia adequada per implementar el cicle complet: des de la recol·lecció i neteja de dades fins a la posada en producció de les polítiques. En Q2BSTUDIO oferim serveis d'intel·ligència de negoci i desenvolupament de programari a mida per guiar les organitzacions en aquest camí. A més, la nostra experiència en serveis cloud AWS i Azure garanteix que les solucions siguin escalables i segures. Si necessites una prova de concepte o un sistema complet, podem integrar des de models d'agents IA fins a dashboards a Power BI que monitoritzin l'impacte real de les decisions prescriptives.
En conclusió, la capacitat de generar polítiques interpretables i òptimes a partir de dades observacionals representa un avenç significatiu en la presa de decisions empresarials. COAT és només un exemple de com la combinació d'inferència causal, optimització i transparència pot transformar la manera com les companyies interactuen amb els seus clients i gestionen els seus recursos. La clau està en adoptar un enfocament holístic que integri la tecnologia, el negoci i l'ètica. En Q2BSTUDIO estem preparats per ajudar-te a fer aquest pas: des del disseny d'aplicacions a mida fins a la implementació d'intel·ligència artificial per a empreses, el nostre equip multidisciplinari pot construir el sistema prescriptiu que la teva organització necessita. El futur de l'analítica no és només predir, sinó actuar amb certesa.
