Tres modelos básicos de análisis predictivo

Tres modelos básicos de análisis predictivo

Solía ser que datos básicos era suficiente para tomar decisiones exitosas dentro de una organización. Un CEO podría mirar común indicadores clave como el margen de beneficio neto, relación de ingresos, deuda y retorno de la inversión y ser capaces de tomar las mejores decisiones disponibles en el momento.

Durante las últimas décadas, las empresas han recogido grandes cantidades de datos para evaluar por qué hacían lo que hicieron y entender las necesidades y preferencias de sus clientes. Construyeron los almacenes de datos e informes de avance para mejorar la precisión para mejorar los procesos claves y optimizar el rendimiento.

Paso del tiempo, las empresas aprendieron que podían utilizar datos históricos y tendencias para predecir el comportamiento futuro y tomar decisiones. Esto fue visto en ejemplos como cuando un call center manager utiliza el volumen de llamadas por estadísticas de hora al personal de un centro de llamadas para pico y horas no pico.

Entonces las organizaciones había superado capacidades de reporting y comenzaron la reunión incluso grandes cantidades de datos para aplicar el análisis estadístico para predecir más futuras tendencias y patrones de comportamiento. Esto fue visto en ejemplos como la industria bancaria utilizando el historial de crédito, información residencial, información del trabajo, deudas, etc. para calcular un puntaje de crédito para determinar si una persona es probable que pagar un préstamo. Este es un ejemplo de análisis predictivo, y organizaciones de todos los géneros están aprendiendo a aplicarlo a sus capacidades de reporting. Análisis predictivo aplica a grandes volúmenes de datos para capturar las relaciones entre variables explicativas (variables utilizadas en una relación para explicar o predecir cambios en los valores de otra variable) predijo variables de datos pasados y aplicarla para predecir los resultados futuros.

Modelado predictivo es el proceso mediante el cual los datos es modelados y diagnosticados para intentar predecir mejor la probabilidad de un resultado. En muchos casos el modelo es elegido sobre la base de la teoría de la detección a tratar de adivinar la probabilidad de una señal dada una cantidad fija de datos de entrada. Modelos pueden utilizar uno o varios clasificadores en tratar de determinar la probabilidad de un conjunto de datos que pertenecen a otro conjunto.

Hay tres tipos principales de modelos de análisis predictivo: modelos predictivos, modelos descriptivos y modelos de decisión.

Modelos predictivos predicen el comportamiento futuro y anticipan las consecuencias del cambio. Modelos predictivos constan de una serie de predictores (factores que puedan afectar el comportamiento futuro o resultados). Por ejemplo, en la comercialización de la edad del cliente, sexo e ingresos pueden ser utilizados para predecir la probabilidad de compra.

Elemento central de análisis predictivo es el predictor, un único valor medido para cada cliente. Por ejemplo, “más reciente”, que se basa en el número de semanas desde la última compra del cliente, tiene valores más altos para los clientes más recientes. Este predictor suele ser un predictor de la respuesta de campaña confiable: usted recibirá más respuestas de los clientes más altamente clasificados por “más reciente”. Eso significa que si se comunica con sus clientes en la orden de “más recientes” – en primer lugar, llame al cliente más reciente; a continuación, llamar al cliente siguiente más reciente; y así sucesivamente – mejorarás tu tasa de respuesta. Para cada objetivo de predicción, hay una abundancia de predictores que ayudarán a la fila su base de datos de cliente. Por ejemplo, considere la conducta en línea del cliente: los clientes que pasan menos tiempo conectado pueden ser menos probables renovar su suscripción anual. En este caso, campañas de retención pueden ser rentable dirigidos a clientes con un valor de predictor de uso mensual bajo.

Modelos descriptivos cuantifican las relaciones entre los datos con el fin de clasificar a los clientes en grupos. Si bien los modelos predictivos se centran en la predicción del comportamiento de un cliente, modelos descriptivos reconocer las relaciones entre varios clientes o productos. Modelos descriptivos no predecir un valor de destino, pero centrarse más en la estructura intrínseca, relaciones, interconexión, etc.. Modelos descriptivos se utilizan en nuestro ejemplo anterior de la industria financiera y puntuaciones de crédito.

Análisis de Cluster es una técnica de modelado descriptivo que identifica clusters incrustados en los datos. Un cluster es una colección de objetos de datos que son similares en cierto sentido uno al otro.

Otra técnica de modelado descriptivo es el algoritmo k-means. El algoritmo K-means es un algoritmo de agrupamiento basado en la distancia que divide los datos en un número predeterminado de clusters (siempre hay casos bastante distintos). El algoritmo k-means funciona sólo con atributos numéricos. Algoritmos basados en la distancia dependen de una métrica de distancia (función) para medir la similitud de puntos de datos.

Modelos de decisión describen la relación entre todos los elementos de decisión y predicen los resultados de las decisiones, lo que le permite probar diferentes escenarios y optimización los resultados. Sistemas de soporte de decisión clínica utilizar análisis predictivo en la industria del cuidado de la salud para determinar en pacientes de riesgo y a veces para determinar qué curso de acción sería mejor dado una múltiple variedad de variables.

Modelos de decisión racional se basan en un juicio cognitivo de los pros y contras de distintas opciones. Se organiza alrededor de seleccionar la alternativa más lógica y sensata que tendrá el efecto deseado. Normalmente, las decisiones se organizan a través de un análisis detallado de alternativas y una evaluación comparativa de las ventajas de cada uno. Criterios ponderados puntuación es un ejemplo de los modelos de decisión racional.

Esperemos que esto ha dado una mejor comprensión de los modelos básicos de análisis predictivo que conducir análisis predictivo. Revisa mi artículo sobre técnicas de modelación predictiva para aprender unos 12 técnicas comunes usadas para predecir el comportamiento futuro.

Sobre el autor

Victor Holman es un experto de gestión de rendimiento que proporciona formas rápidas, simples y baratos para transformar el desempeño organizacional.

Leave a comment

Your email address will not be published. Required fields are marked *