La promesa “data-driven” no se cumple por acumular datos ni por tener buenos predictores. El valor se captura en el paso siguiente: prescribir acciones factibles que optimicen resultados bajo restricciones reales. Lo predictivo informa; lo prescriptivo decide.

Prescribir exige cimientos: procesos de gestión de datos que aseguren calidad, trazabilidad y oportunidad. Sin gobernanza, los modelos son castillos en el aire. Con estándares, diccionarios y controles automáticos, el flujo se vuelve operativo: datos gobernados y ordenados permiten predicción, que, a su vez, ayuda en las decisiones usando los datos sin perder el contexto de dónde vienen y cómo se usan en las decisiones. Y eso no para ahí, pues sigue con ejecución y posterior medición para validar y mejorar.

Por ejemplo, en salud, priorizar listas oncológicas implica más que puntuar pacientes. Parte por ordenar la casa: mapas de procesos, unificación de fuentes, corrección de codificaciones y reglas de validación (fechas imposibles, duplicados o campos críticos obligatorios). Con esa base, los pronósticos de demanda y de tiempos de atención alimentan un modelo de optimización con capacidad limitada, ventanas de tiempo, compatibilidad de pabellón y criterios de equidad. La función objetivo puede minimizar la espera ajustada por riesgo, penalizar cancelaciones y proteger cupos para casos urgentes. El resultado no es un “ranking”, sino una agenda operable: lista de citaciones, reasignaciones ante ausencias, y reportes trazables para equipos clínicos y gestión hospitalaria.

Otro ejemplo, ahora en gestión ambiental donde un mapa de riesgo de tala ilegal es solo el comienzo. Los datos deben dialogar: imágenes ópticas y radar, reportes en terreno, catastros y límites prediales con metadatos consistentes. La detección de cambio se expresa con incertidumbre explícita (probabilidad, intensidad, fecha estimada) y se cruza con accesos, pendientes y patrones históricos. Lo prescriptivo decide dónde y cuándo actuar: asigna patrullas y vuelos de dron con presupuesto acotado, rutas y ventanas de operación, maximizando la probabilidad de detección y disuasión. Además, define umbrales de activación y protocolos de verificación para reducir falsos positivos y cuidar recursos de fiscalización.

Y en el mantenimiento es similar; las probabilidades de falla por activo se combinan con costos de parada, criticidad, tiempos de preparación y lead times de repuestos. Con nomenclaturas estables e históricos limpios, el modelo prescriptivo arma planes de intervención que minimizan el costo total esperado bajo ventanas de producción, disponibilidad de cuadrillas y seguridad. La política resultante coordina mantenimiento e inventario: cuándo intervenir, qué repuestos tener, cuánto stock de seguridad sostener en redes multiescalón. La simulación valida el impacto en disponibilidad (Overall Equipment Effectiveness u OEE) y riesgo operativo antes de llevarlo a la planta.

En todos estos casos tenemos cuatro lecciones: 1) Encadenar modelos: del pronóstico a la decisión, no al revés. 2) Calidad del dato como contrato: responsables, métricas y pruebas automáticas (completitud, consistencia, puntualidad). 3) Incertidumbre explícita: escenarios y optimización robusta que funcionen fuera del promedio. 4) Gobernanza de decisiones: reglas de activación, explicabilidad y métricas de impacto en ciclo corto.

Entonces, ¿por dónde empezar? Problemas de alto valor y datos accesibles, objetivo y métrica claros, línea base predictiva simple pero honesta, formulación prescriptiva con restricciones reales, y un piloto acotado con comparación contrafactual y plan de escalamiento. Aprender rápido, institucionalizar y repetir.

Desde la UC investigamos y aplicamos esta ruta en salud, monitoreo de bosques, mantenimiento, energía, logística y políticas públicas. El hilo conductor es siempre el mismo: datos de calidad que alimentan modelos que prescriben acciones explicables y auditables, integradas al proceso operativo. Ese es el estándar que buscamos enseñar: transformar predicciones en decisiones que resisten escrutinio y mejoran resultados desde la evidencia con el buen uso de los datos.

Este artículo fue publicado el día martes 7 de octubre, en El Mercurio.