Análisis predictivo, descriptivo y prescriptivo

June 22, 2017

El objetivo del Análisis de Datos (Data Analytics), en conjuntos de datos tanto grandes como pequeños, es obtener información que resulte de utilidad para la una toma de decisiones más inteligente y obtenga los resultados empresariales deseados. Claramente, la forma de obtener los datos, así como las herramientas de análisis pueden variar, la técnica para realizar hallazgos varía en muy poco.

 

Es fundamental diseñar y construir una arquitectura de Almacén de Datos (Data Warehouse) / Inteligencia de Negocios (BI) que proporcione un ecosistema analítico flexible y multifacético, optimizado para la ingestión y análisis eficientes de conjuntos de datos grandes y diversos.

 

Existen tres tipos de análisis de datos:

 

  • Predictivo (pronóstico)

  • Descriptivo (inteligencia empresarial y minería de datos)

  • Prescriptivo (optimización y simulación)

 

Análisis predictivo

 

El análisis predictivo convierte los datos en información útil y valiosa. El análisis predictivo utiliza datos para determinar el resultado futuro probable de un evento o la probabilidad de que se produzca una situación.

 

El análisis predictivo abarca una variedad de técnicas estadísticas de modelado, aprendizaje de máquina (Machine Learning), minería de datos y teoría de juegos que analizan los hechos actuales e históricos para hacer predicciones sobre eventos futuros.

 

En los negocios, los modelos predictivos explotan patrones encontrados en datos históricos y transaccionales para identificar riesgos y oportunidades. Los modelos captan las relaciones entre muchos factores para permitir la evaluación del riesgo o potencial asociado con un conjunto particular de condiciones, guiando la toma de decisiones para las transacciones candidatas.

 

Tres piedras angulares básicas del análisis predictivo son:

 

  • Modelado predictivo

  • Análisis y optimización de decisiones

  • Perfil de transacciones

 

Un ejemplo de uso de análisis predictivo es la optimización de los sistemas de gestión de relaciones con los clientes. Pueden ayudar a permitir que una organización analice todos los datos de los clientes, exponiendo así los patrones que predicen el comportamiento del cliente.

 

Otro ejemplo es para una organización que ofrece múltiples productos, la analítica predictiva puede ayudar a analizar el gasto, el uso y otros comportamientos de los clientes, lo que conduce a ventas cruzadas eficaces o vende productos adicionales a los clientes actuales. Esto conduce directamente a una mayor rentabilidad por cliente ya relaciones más fuertes con los clientes.

 

Una organización debe invertir en un equipo de expertos (científicos de datos) y crear algoritmos estadísticos para encontrar y acceder a los datos pertinentes. El equipo de análisis de datos trabaja con líderes empresariales para diseñar una estrategia para el uso de información predictiva.

 

 

 

Análisis descriptivo

 

La analítica descriptiva examina los datos y analiza los acontecimientos pasados ​​para saber cómo abordar el futuro. La analítica descriptiva examina el rendimiento pasado y entiende ese rendimiento al extraer datos históricos para buscar las razones detrás del éxito o el fracaso del pasado. Casi todos los informes de gestión, tales como ventas, marketing, operaciones y finanzas, utilizan este tipo de análisis post-mortem.

 

Los modelos descriptivos cuantifican las relaciones en los datos de una manera que se utiliza a menudo para clasificar a clientes o prospectos en grupos. A diferencia de los modelos predictivos que se centran en predecir un solo comportamiento del cliente (como el riesgo de crédito), los modelos descriptivos identifican muchas relaciones diferentes entre clientes o productos. Los modelos descriptivos no clasifican a los clientes por su probabilidad de tomar una acción en particular de la misma manera que los modelos predictivos.

 

Los modelos descriptivos pueden usarse, por ejemplo, para clasificar a los clientes según sus preferencias de producto y su etapa de vida. Las herramientas de modelado descriptivo pueden ser utilizadas para desarrollar modelos adicionales que puedan simular un gran número de agentes individualizados y hacer predicciones.

 

Por ejemplo, la analítica descriptiva examina los datos históricos de uso de la electricidad para ayudar a planificar las necesidades de energía y permitir a las compañías eléctricas establecer precios óptimos.

Análisis prescriptivo

 

 

 

 

Análisis Prescriptivo

 

El análisis prescriptivo sintetiza automáticamente grandes datos, ciencias matemáticas, reglas de negocio y aprendizaje automático para hacer predicciones y luego sugiere opciones de decisión para aprovechar las predicciones.

 

La analítica prescriptiva va más allá de predecir los resultados futuros al sugerir también acciones para beneficiarse de las predicciones y mostrar al tomador de decisiones las implicaciones de cada opción de decisión. La analítica prescriptiva no sólo anticipa lo que sucederá y cuándo ocurrirá, sino también por qué sucederá.

 

Además, la analítica prescriptiva puede sugerir opciones de decisión sobre cómo aprovechar una oportunidad futura o mitigar un riesgo futuro e ilustrar la implicación de cada opción de decisión. En la práctica, la analítica prescriptiva puede procesar continuamente y automáticamente nuevos datos para mejorar la precisión de la predicción y proporcionar mejores opciones de decisión.

 

El análisis prescriptivo combina sinérgicamente datos, reglas de negocio y modelos matemáticos. Las entradas de datos a la analítica prescriptiva pueden provenir de múltiples fuentes, internas (dentro de la organización) y externas (medios sociales, et al.). Los datos también pueden estar estructurados, lo que incluye datos numéricos y categóricos, así como datos no estructurados, como texto, imágenes, audio y datos de video, incluyendo datos grandes. Las reglas de negocio definen el proceso empresarial e incluyen restricciones, preferencias, políticas, prácticas recomendadas y límites. Los modelos matemáticos son técnicas derivadas de ciencias matemáticas y disciplinas relacionadas incluyendo estadísticas aplicadas, aprendizaje de máquinas, investigación de operaciones y procesamiento del lenguaje natural.

 

Por ejemplo, la analítica prescriptiva puede beneficiar la planificación estratégica del cuidado de la salud mediante el uso de análisis para aprovechar los datos operacionales y de uso combinados con datos de factores externos tales como datos económicos, tendencias demográficas de población y tendencias de salud de la población para planificar con más precisión futuras inversiones de capital, Y la utilización del equipo, así como comprender las compensaciones entre la adición de camas adicionales y la ampliación de una instalación existente frente a la construcción de una nueva.

 

Otro ejemplo es la energía y los servicios públicos. Los precios del gas natural fluctúan dramáticamente dependiendo de la oferta, la demanda, la econometría, la geopolítica y las condiciones climáticas. Los productores de gas, las compañías de transmisión (gasoductos) y las empresas de servicios públicos tienen un gran interés en predecir con mayor precisión los precios del gas para que puedan bloquear en términos favorables mientras se cubren los riesgos a la baja. La analítica prescriptiva puede predecir con exactitud los precios mediante el modelado de variables internas y externas simultáneamente y también proporciona opciones de decisión y muestra el impacto de cada opción de decisión.

 

 

 

Artículo original:http://bit.ly/MSZjFn

 

 

Tags:Análisis Científico de Datos

Please reload

.

 

Featured Posts

Gobierno de Datos (Inventario de Datos)

March 14, 2017

1/10
Please reload

Recent Posts

October 22, 2016

September 14, 2016

Please reload

Búsqueda por Tags
Síguenos
  • Wix Facebook page
  • Twitter Classic
  • Google Classic
  • LinkedIn App Icon