Analisis Predictivo
Análisis predictivo, una manera de adelantarse al futuro de la mano de las nuevas tecnologías
El análisis predictivo utiliza técnicas estadísticas de modelización, big data y machine learning para extraer datos históricos y realizar predicciones. En el mundo empresarial es una técnica muy cotizada por los beneficios que puede reportar a la hora de, por ejemplo, identificar riesgos y oportunidades. Su aplicación va desde el comercio electrónico a la energía, las finanzas o los seguros, entre otros.
Un día estás pensando en comprarte unas nuevas botas de esquí de cara a tu próxima escapada a la montaña y al momento recibes un email con una oferta. Cuando algo así ocurre, seguro que en más de una ocasión te has preguntado: ¿me leen el pensamiento? De alguna manera podría decirse que sí, porque acontecimientos de este tipo no suceden por casualidad, detrás se encuentra el análisis predictivo.
QUÉ ES EL ANÁLISIS PREDICTIVO
Según la consultora Gartner, el análisis predictivo es una forma de análisis avanzado que examina datos o contenidos para responder a la pregunta: ¿qué es probable que ocurra en el futuro? Gracias al big data, los datos obtenidos a través de todos los sistemas conectados pueden interpretarse para obtener predicciones sobre cómo se va a comportar una persona o un grupo de población, algo también aplicable a negocios o procesos.
Hay diferencias entre el análisis descriptivo, el diagnóstico, el predictivo y el prescriptivo, pero ahora nos centraremos en estos dos últimos. Mientras el análisis predictivo utiliza los datos recopilados para realizar predicciones sobre un supuesto, el análisis prescriptivo toma esos datos y profundiza en ellos hasta hallar la manera de lograr que ese supuesto ocurra. Respecto a los dos primeros, el análisis descriptivo examina el hecho en sí, mientras que el análisis diagnóstico atiende a las causas.
Modelos predictivos
¿Qué es un modelo predictivo? Básicamente es un modelo estadístico que se puede utilizar con fines predictivos. Existen dos clases, paramétricos y no paramétricos, y una tercera, los semiparamétricos, que se sitúa entre ambos. Los modelos paramétricos hacen suposiciones respecto a un número finito de parámetros analizados dentro de una familia de distribuciones. Por el contrario, los no paramétricos estudian las pruebas cuya distribución no se ajusta a criterios paramétricos.
CÓMO HACER UN ANÁLISIS PREDICTIVO
El proceso de análisis predictivo parte de un conjunto de datos y requiere los siguientes pasos:
1. Definición del proyecto
Identificar el objetivo del proyecto y los entregables para alcanzar un resultado.
2. Recogida de datos
Recopilar datos de múltiples fuentes para obtener la imagen más completa posible.
3. Análisis de datos
Los datos se inspeccionan, se criban y se modelan para extraer conclusiones.
4. Elaboración de estadísticas
El objetivo es validar si las conclusiones, los supuestos y las hipótesis son consistentes.
5. Creación del modelo predictivo
Un modelo predictivo que permita modificar parámetros para modular los resultados.
6. Despliegue del modelo predictivo
Utilizar los resultados para generar informes y métricas, y tomar decisiones basadas en ellos.
7. Seguimiento de los resultados
A posteriori, comprobar si los resultados concuerdan con las predicciones obtenidas.
BENEFICIOS DEL ANÁLISIS PREDICTIVO
El principal beneficio del análisis predictivo es que permite a las empresas y organizaciones aprender de su experiencia pasada a partir de sus datos y tomar medidas para aplicar lo aprendido en el futuro y obtener mejores resultados. Adicionalmente, repasamos otras de sus ventajas:
La aplicación de la inteligencia artificial, y de técnicas derivadas como el machine learning, elimina la carga del análisis manual de datos y minimiza los errores.
Genera una ventaja competitiva en el mercado al identificar mejor y más rápido tendencias, oportunidades y desafíos, aumentando las ventas y la optimización de recursos.
Al identificar las variables que influyen más en el comportamiento de las personas y qué les impulsa a comprar, mejora de la satisfacción de los clientes.
Aumentan las probabilidades de éxito en el lanzamiento de productos, ya que se posee un gran conocimiento sobre las necesidades e intereses de los clientes.
TÉCNICAS DE ANÁLISIS PREDICTIVO
Las técnicas de análisis predictivo usadas para crear modelos se basan, sobre todo, en técnicas de regresión. Mencionamos a continuación algunas de ellas: regresión lineal, elección discreta, series temporales, análisis de supervivencia o de duración, árboles de clasificación y regresión, etc. También existen una serie de métodos estadísticos avanzados para la regresión y la clasificación que usan técnicas de machine learning. Estos son algunos de los más conocidos:
- Gradient boosting: técnica de aprendizaje automático usada para el análisis de la regresión y para problemas de clasificación estadística que produce un modelo en forma de árboles de decisión.
- Análisis bayesiano: se basa en la probabilidad subjetiva y trabaja considerando los conocimientos previos a una investigación más la evidencia obtenida con esta.
- Redes neuronales artificiales: imita el funcionamiento del cerebro humano y su capacidad de aprender o adaptarse, de organizar o de generalizar los datos.
- Random forest: permite construir un conjunto de árboles de decisión con la idea de que una combinación de modelos de aprendizaje mejore el resultado global.
- Data mining: esta técnica computacional consiste en explorar, analizar y relacionar grandes bloques de información para obtener patrones y tendencias significativas.
Herramientas de análisis predictivo
Las soluciones de software de inteligencia de negocio incorporan herramientas de análisis predictivo. A continuación, enumeramos las más comunes en el mercado: SAP Analytics Cloud (parte del entorno SAP), RapidMiner (cuenta con opciones gratuitas), Alteryx (para equipos), IBM SPSS (para investigación), H2O.ai (basado en open source), TIBCO (ofrece una versión de prueba gratuita), MathWorks (parte del entorno MathLab), DASH Analytics (para salud).
APLICACIONES DEL ANÁLISIS PREDICTIVO
El análisis predictivo se emplea con éxito en multitud de sectores. En las siguientes líneas, repasamos algunos de ellos y citamos algunos ejemplos:
Automoción
Se aplica a las tecnologías de asistencia al conductor y a los nuevos vehículos autónomos.
Aeronáutica
Se aplica a la supervisión del estado y el rendimiento de los motores de los aviones.
Energía
Tiene en cuenta disponibilidad, tendencias o clima a la hora de prever la demanda y los precios.
Finanzas
Se aplica, por ejemplo, a los modelos de riesgo crediticio teniendo en cuenta diversas variables.
Industria
Los modelos predicen fallos en la maquinaria o reducen el tiempo de inactividad, entre otros.
Salud
Los modelos se encargan de detectar patrones para predecir brotes de asma o crisis de diabetes.