Video: Análisis predictivo con BI 2025
Hay varios algoritmos estadísticos, de minería de datos y de aprendizaje automático disponibles para usar en su modelo de análisis predictivo. Está en una mejor posición para seleccionar un algoritmo después de haber definido los objetivos de su modelo y seleccionado los datos en los que trabajará.
Algunos de estos algoritmos se desarrollaron para resolver problemas empresariales específicos, mejorar los algoritmos existentes o proporcionar nuevas capacidades, lo que puede hacer que algunos de ellos sean más apropiados para sus propósitos que otros. Puede elegir entre una variedad de algoritmos para abordar problemas comerciales como los siguientes:
-
Para la segmentación del cliente y / o la detección de la comunidad en el ámbito social, por ejemplo, necesitaría algoritmos de agrupamiento.
-
Para la retención de clientes o para desarrollar un sistema de recomendación, usaría algoritmos de clasificación.
-
Para obtener puntaje de crédito o predecir el siguiente resultado de los eventos controlados por tiempo, usaría un algoritmo de regresión.
A medida que el tiempo y los recursos lo permitan, debe ejecutar tantos algoritmos del tipo apropiado como pueda. La comparación de diferentes ejecuciones de diferentes algoritmos puede traer hallazgos sorprendentes sobre los datos o la inteligencia empresarial incorporada en los datos. Si lo hace, obtendrá información más detallada sobre el problema del negocio y lo ayudará a identificar qué variables de sus datos tienen poder predictivo.
Algunos proyectos de análisis predictivo tienen mejor éxito al construir un modelo de conjunto , un grupo de modelos que operan con la misma información. Un modelo de conjunto utiliza un mecanismo predefinido para recopilar resultados de todos sus modelos de componentes y proporcionar un resultado final para el usuario.
Los modelos pueden adoptar diversas formas: una consulta, una colección de escenarios, un árbol de decisiones o un análisis matemático avanzado. Además, ciertos modelos funcionan mejor para ciertos datos y análisis. Puede (por ejemplo) usar algoritmos de clasificación que emplean reglas de decisión para decidir el resultado de un escenario o transacción dado, abordando preguntas como estas:
-
¿Es probable que este cliente responda a nuestra campaña de marketing?
-
¿Es probable que esta transferencia de dinero forme parte de un plan de lavado de dinero?
-
¿Es probable que este solicitante de préstamo incumpla el préstamo?
Puede usar algoritmos de agrupamiento no supervisados para encontrar qué relaciones existen dentro de su conjunto de datos. Puede utilizar estos algoritmos para buscar diferentes agrupaciones entre sus clientes, determinar qué servicios se pueden agrupar o decidir, por ejemplo, qué productos se pueden reubicar.
Los algoritmos de regresión se pueden usar para pronosticar datos continuos, como la predicción de la tendencia de un movimiento de stock dados sus precios anteriores.
Los objetivos de datos y negocios no son los únicos factores a considerar cuando selecciona un algoritmo. La experiencia de sus científicos de datos es de gran valor en este punto; elegir un algoritmo que haga el trabajo a menudo es una combinación difícil de ciencia y arte.
La parte artística proviene de la experiencia y la competencia en el ámbito empresarial, que también desempeña un papel fundamental en la identificación de un modelo que pueda servir con precisión a los objetivos comerciales.
