Glosario de analítica
El análisis de causa raíz automatizado (RCA) es el uso de algoritmos —tests estadísticos, grafos causales y machine learning— para explicar por qué cambió una métrica, no solo detectar que cambió. En lugar de que un analista trocee cuadros de mando durante horas, el sistema prioriza en minutos los factores más probables detrás de una anomalía.
La monitorización responde a qué pasó y cuándo. El RCA automatizado añade la capa causal que responde al porqué, combinando varias técnicas para ir del síntoma al factor causante.
La detección de anomalías y la monitorización por umbrales avisan de que un KPI —tasa de rechazo, conversión, plazo de entrega— ha salido de su rango normal. Es el disparador, no la respuesta.
Aquí entran las técnicas causales: el análisis de contribución descompone el cambio por dimensiones, los grafos causales (como los que implementan bibliotecas de código abierto como DoWhy) codifican qué factores pueden influir plausiblemente sobre cuáles, y las atribuciones de tipo SHAP cuantifican cada factor sobre modelos predictivos.
Las causas candidatas se ordenan por contribución estimada y se presentan con su evidencia, de modo que una persona pueda validar el hallazgo antes de actuar: el RCA automatizado acota la búsqueda, no sustituye el criterio.
Una descomposición ilustrativa de causa raíz de una variación de métrica.
La métrica que se movió está en la raíz; el RCA automatizado la descompone en ramas contribuyentes ordenadas, cada una con una cuota cuantificada del cambio total. Como las cuotas suman el movimiento completo, cada rama puede verificarse frente a los datos subyacentes — una respuesta ordenada y auditable a «¿qué provocó esto?» en lugar de una conjetura de caja negra.
La mayoría de las herramientas de BI se quedan en la descripción: los cuadros de mando muestran la caída y dejan el diagnóstico a quien tenga tiempo de investigar. Automatizar ese diagnóstico cambia la velocidad y la calidad de las decisiones operativas.
El paso Explain de Adaptrix combina el análisis de factores sobre tus datos conectados con resúmenes en lenguaje claro: cuando un KPI se mueve, Adaptrix propone las causas más probables ordenadas por contribución y muestra la evidencia de cada una. Acorta el diagnóstico; la decisión sigue siendo de tu equipo.
Sigue ampliando tu vocabulario de analítica.
La detección de anomalías responde a «qué y cuándo»: avisa de que una métrica salió de su rango normal. El análisis de causa raíz responde al «porqué»: identifica y prioriza los factores que más plausiblemente provocaron el cambio. Detectar sin RCA deja el trabajo más duro —el diagnóstico— en manos de una persona.
Los bloques habituales son el análisis de contribución por dimensiones, los modelos gráficos causales con atribución y contrafactuales (el enfoque de bibliotecas como DoWhy) y la atribución de variables de tipo SHAP sobre modelos predictivos. La mayoría de los sistemas en producción combinan varios.
Ningún sistema puede demostrar causalidad solo con datos observacionales. El RCA automatizado hace explícitas las hipótesis causales, las contrasta cuando es posible y prioriza factores plausibles con su evidencia: una gran mejora frente a mirar cuadros de mando, pero los hallazgos deben validarlos quienes conocen el proceso.
Aplicaciones habituales: calidad en fabricación (¿por qué se disparó la tasa de rechazo?), caídas de ingresos y conversión, aumentos de churn, sobrecostes y retrasos logísticos; cualquier pregunta recurrente de «¿por qué cambió este número?» que hoy consume tiempo de analistas.
Trae una pregunta real de tu negocio y mira la respuesta en directo —con razonamiento, fuentes y cálculos— o calcula primero lo que te ahorra.