Por Abhishek Ghosh 18 de octubre de 2023 6:12 pm Actualizado el 18 de octubre de 2023AnuncioEl análisis predictivo utiliza datos históricos para predecir eventos futuros en finanzas, meteorología, seguridad, economía, seguros, logística, movilidad y marketing, entre otros. Generalmente, los datos históricos se utilizan para crear un modelo matemático que capture tendencias clave. Luego, este modelo predictivo se aplica a los datos actuales para predecir lo que sucederá a continuación o para sugerir acciones que pueden usarse para lograr resultados óptimos. El análisis predictivo ha recibido mucha atención en los últimos años debido a los importantes avances en las tecnologías de asistencia, especialmente en las áreas de big data y aprendizaje automático. Definición de análisis predictivo El análisis predictivo es una subdisciplina y uno de los fundamentos del llamado «análisis de negocios» en el campo de la minería de datos, que se ocupa de predecir desarrollos futuros. Especialmente en el caso del big data, este método se ha vuelto indispensable porque ofrece una técnica probada para analizar grandes conjuntos de datos y sacar conclusiones adecuadas. La minería de datos juega un papel importante aquí, porque la información obtenida generalmente no está estructurada y debe examinarse su usabilidad. El objetivo es calcular una probabilidad para el futuro, mediante el análisis predictivo también se utilizan para determinar tendencias. Los predictores utilizados (una variable en una ecuación utilizada para predecir el comportamiento futuro) pueden hacer predicciones bastante precisas sobre el futuro. El uso de múltiples predictores crea un modelo predictivo que puede usarse para calcular eventos probables. Variantes de análisis predictivo Modelos predictivos Los modelos predictivos (modelos predictivos) utilizan métodos de las matemáticas y la informática para predecir un evento o resultado. Estos modelos predicen un resultado en un estado futuro o en un momento futuro en función de cambios en las entradas del modelo. Los clientes desarrollan el modelo en un proceso iterativo con un conjunto de datos de entrenamiento, luego lo prueban y validan para determinar la precisión de sus predicciones. Se pueden probar diferentes enfoques de aprendizaje automático para encontrar el modelo más eficaz. Las unidades de muestra disponibles con atributos y rendimientos conocidos se denominan «patrones de entrenamiento». Las unidades de otras muestras con atributos conocidos pero rendimiento desconocido se denominan “de la [training] muestra». Las unidades fuera de la muestra no están necesariamente relacionadas cronológicamente con las unidades de la muestra de capacitación. Por ejemplo, la muestra de entrenamiento puede consistir en atributos literarios de escritos de autores victorianos con atribución conocida, y la unidad fuera de la muestra puede ser una fuente recién encontrada con autoría desconocida; un modelo predictivo puede ayudar a asignar un trabajo a un autor conocido. Otro ejemplo es el análisis de salpicaduras de sangre en escenas de crímenes simuladas, donde la unidad que no está incluida en la muestra es el patrón de salpicaduras de sangre real de la escena de un crimen. La unidad que no está incluida en la muestra puede ser del mismo momento que las sesiones de capacitación, de un momento anterior o de un momento futuro. Modelos descriptivos Los modelos descriptivos cuantifican las relaciones en los datos de una manera que a menudo se usa para clasificar clientes o prospectos. en grupos. A diferencia de los modelos predictivos, que se centran en predecir el comportamiento de un solo cliente (por ejemplo, riesgo crediticio), los modelos descriptivos identifican muchas relaciones diferentes entre clientes o productos. Los modelos descriptivos no asignan clientes en función de su probabilidad de realizar una acción particular. En cambio, se pueden utilizar modelos descriptivos para categorizar a los clientes según sus preferencias de productos y su etapa de vida, por ejemplo. Modelos de decisión Los modelos de decisión describen la relación entre todos los elementos de una decisión: los datos conocidos (incluidos los resultados de los modelos predictivos), los decisión y los resultados de predicción de la decisión: predecir los resultados de decisiones con muchas variables. Estos modelos se pueden utilizar para la optimización para maximizar ciertos resultados y minimizar otros. Los modelos de decisión generalmente se utilizan para desarrollar una lógica de toma de decisiones o un conjunto de reglas de negocio que generen la acción deseada para cada cliente o circunstancia. Debido a la gran complejidad de los problemas de decisión del mundo real, generalmente existe la necesidad de simplificar el modelo. Una forma de simplificar esto es no tener en cuenta todas las características consideradas posibles para los datos relevantes para la decisión en el modelo.

Source link