A lo largo de los años, las grandes empresas minoristas han recopilado grandes conjuntos de datos de clientes a través de sus sitios web, aplicaciones móviles, terminales de punto de venta y otras fuentes.
Hoy, muchas de estas compañías están utilizando sus activos de Big Data para adaptar las experiencias en la tienda para impulsar más tácticas de generación de ingresos y otras ventas cruzadas.
Con estos datos, sus minoristas implementan tácticas que podrían impulsar compras impulsivas e identificar bienes de temporada. Les permite emplear cambios que no solo aumentan las ventas, sino que también reducen los costos y las cancelaciones hundidas.
Los minoristas también están utilizando sus datos de comercio electrónico para mejorar las tasas de conversión de ventas, reducir la rotación de clientes y reducir los costos de adquisición de clientes.
Lo hacen mejorando su comprensión del comportamiento en línea de sus clientes, especialmente en términos de compra de patrones y motivos. Además de los datos de sus sitios web de comercio electrónico, los minoristas también utilizarán datos de las redes sociales, el correo electrónico y otras plataformas.
- Mensajería dirigida
- Publicidad dirigida
- Ofertas promocionales específicas
Los grandes minoristas de comercio electrónico también utilizarán modelos predictivos para determinar qué productos incluir en ventas, qué productos presentar en la página principal, etc.
En la industria de los servicios financieros, la inteligencia artificial juega un papel importante en la construcción de modelos predictivos que buscan riesgos en los clientes y las transacciones.
Por ejemplo, los bancos están utilizando modelos de calificación crediticia para evaluar la capacidad de un cliente potencial para pagar sus préstamos. Del mismo modo, el puntaje de crédito FICO utiliza un modelo estadístico para predecir si es probable que pierda un pago en los próximos 90 días.
¿Cuáles son los modelos predictivos?
El modelado predictivo es una técnica estadística en la que una organización hace referencia a resultados conocidos y datos históricos para desarrollar predicciones para eventos futuros. Los modelos predictivos analizan los patrones y observan tendencias en condiciones específicas para determinar el resultado más probable. Por ejemplo, las organizaciones financieras pueden usar el modelado predictivo para recopilar el historial de crédito de un cliente y otros datos del cliente. Luego podrían usar esta información para determinar el puntaje de crédito de un individuo y la probabilidad de que envíen pagos de crédito a tiempo. Otro nombre para esta técnica es el análisis predictivo, que también incluye aprendizaje automático y minería de datos para recopilar y evaluar los datos.
Varias empresas e industrias utilizan modelado y análisis predictivos para administrar sus servicios y clientes de manera efectiva. La industria del cuidado de la salud a menudo utiliza modelos predictivos para mejorar las prácticas de diagnóstico y tratar adecuadamente a los pacientes terminales o con enfermedades crónicas, mientras que los bancos pueden usar estos modelos para detectar fraude. Los departamentos y empresas de recursos humanos pueden usarlos para contratar empleados.
Hay dos categorías de modelos predictivos: paramétricos y no paramétricos. Un modelo que utiliza un conjunto específico de parámetros, como números discretos, es paramétrico. Los modelos no paramétricos consideran datos que no provienen de un conjunto específico de parámetros o factores. Cada tipo de modelo tiene un uso específico y emplea un tipo particular de datos para lograr su propósito. También emplean diferentes técnicas, como análisis descriptivos, diagnósticos, predictivos y prescriptivos. Aquí hay una lista de 10 tipos de modelado predictivo comunes y breves explicaciones sobre cómo y por qué las organizaciones los usan:
Este tipo de modelado predictivo es uno de los modelos más básicos y comúnmente utilizados porque produce respuestas simples a preguntas que producen respuestas sí o no. Un modelo de clasificación utiliza datos históricos para producir un análisis amplio de una consulta. Las empresas minoristas y financieras a menudo usan esto porque se reúne rápidamente y clasifica la información para responder preguntas como: «¿Es probable que este solicitante no logre?» Otras organizaciones también usan ampliamente este modelo porque pueden adaptarlo para incluir datos nuevos o modificados al producir una respuesta.
¿Cuáles son los algoritmos predictivos?
Los algoritmos ampliamente utilizados en el análisis predictivo son:
- Regresión lineal
- Regresión logística
- Red neuronal
- Árboles de decisión
- Bayes ingenuos
La regresión lineal se encuentra en la categoría de aprendizaje supervisado en el que la variable que debe predecirse se conoce como la variable dependiente y la variable a través de la cual predicemos que la variable dependiente se conoce como la variable independiente.
Los datos que hemos recopilado a través del proceso de minería de datos contendrán en un archivo CSV que se cargan en el cuaderno Jupyter en el que realizaremos un análisis predictivo, luego utilizando los algoritmos ML, realizaremos acciones en nuestros datos. El primer paso incluye leer los datos y realizar algunos análisis de datos exploratorios básicos y luego capacitaremos el conjunto de datos para futuras predicciones.
La regresión logística se utiliza para predecir una variable dependiente analizando la relación entre una o más variables independientes existentes. Este modelo puede tener en cuenta muchos criterios de entrada. Según los resultados anteriores de la variable dependiente, predeciremos los resultados futuros de la variable independiente utilizando la probabilidad de caer en la categoría de resultados particular. La principal diferencia entre las regresiones logísticas y lineales es la regresión logística se usa cuando la variable de respuesta es categórica como sí/no, verdadera/falsa, mientras que la regresión lineal se usa cuando la variable de respuesta es continua, como horas, altura y peso.
¿Qué es la investigación predictiva ejemplos?
El análisis predictivo se aplica dependiendo del sector y la industria. Lo que funciona para una industria no será necesariamente útil para otra. Aquí hay algunos ejemplos de la vida real de análisis predictivo.
- Salud
Las tendencias de la gripe de Google (GFT) fueron un intento temprano de predecir patrones de gripe en la población. Sin embargo, los datos recopilados no eran ideales y, por lo tanto, las predicciones también fueron incorrectas. Ahora estamos viendo que PA se usa para predecir epidemias, cuando un paciente necesita atención médica conductual y por qué los pacientes deben ser readmitidos.
- Salud
Uno de los ejemplos más interesantes de empresas que utilizan análisis predictivo es Bing Predice que es un sistema de Microsoft. Se ha calificado constantemente en el alto porcentaje de los 90 de predicción de las carreras de la Cámara y el Senado de EE. UU., Se encuentra en el ídolo estadounidense del percentil 80 y fue 100% preciso en las predicciones de la Copa Mundial 2014. Bing predice utiliza estadísticas y sentimientos de redes sociales al hacer sus predicciones.
Una de las solicitudes más comunes de A en Finanzas es su uso en las calificaciones crediticias para determinar si se debe aprobar un préstamo. Un buen modelo automatizado podrá predecir si un préstamo es de alto riesgo o no en cuestión de unos minutos. PA también se aplica en la optimización de la estrategia comercial, la generación de ingresos, la optimización de recursos y la generación de ventas.
- Salud
PA se usa más ampliamente en la industria minorista. Uno de los mejores ejemplos de análisis predictivo en los negocios es la lista de recomendaciones en el sitio web de Amazon. Utiliza los datos del comportamiento del cliente y las transacciones pasadas para determinar qué productos probablemente darán como resultado una venta.
¿Qué es una investigación predictiva?
El Sistema de Inteligencia de Investigación Predective (PRIS) es nuestra próxima generación de servicios por
que aprovechamos la inteligencia artificial y el aprendizaje automático junto con los indicadores
y datos anónimos de nuestras líneas directas de denunciante.
Selección del plan de investigación más apropiado para el correspondiente
caso.
Mejores alternativas para resolver un caso con los máximos beneficios para nuestros clientes.
Tipos de entrevistas y preguntas correspondientes para las partes involucradas según
a las características del caso.
¿Cuál sería el plan de investigación ideal para un caso de fraude financiero?
¿Qué tipo de preguntas se deben hacer en un caso de extorsión?
¿Qué tipo de evidencia se debe buscar en casos de acoso femenino en un
organización de una industria específica?
Ho podría ser testigo en un caso de abuso de autoridad y qué preguntas
¿Debe preguntarse durante la investigación?
Cómo investigar el robo o sabotaje de un activo específico en cierto
región o departamento?
Qué tipo de sanción es más conveniente según la gravedad y el tipo de
¿ofensa?
PRIS es un servicio separado al sistema de informes de ética que extrae diariamente
Información no sensible de los casos y los almacena en su base de datos para que nuestros clientes, a través de una éticaglobal
Ejecutivo, puede consultar informes con sugerencias para la evaluación de riesgos.
Puede solicitar sugerencias a nuestros oficiales de ética sobre cómo evaluar el riesgo de un
caso particular y se le proporcionará una evaluación básica de riesgos, referencias sobre acciones y resoluciones
de otros casos similares almacenados en nuestras bases de datos sin comprometer ningún dato confidencial o privado
información sobre cualquier informe que recibamos.
¿Qué es un método predictivo?
Si no tiene un plan o las herramientas adecuadas para ejecutar su plan, ¡su objetivo es solo un deseo!
No importa cuán bueno sea su equipo o cuán eficiente sea la definición de su proceso, si no está administrando el proceso con la metodología y las herramientas correctas, se están preparando para una aventura y eventual falla en el cumplimiento de sus objetivos de proceso. Uno de los errores más comunes que cometen los gerentes de proyectos es tratar de seguir una sola estrategia de gestión de proyectos, independientemente de los requisitos del proyecto y el alcance.
En un informe de ClearCode, el 49% de los gerentes que desarrollaron proyectos con la metodología adaptativa fueron desafiados a mediados del proyecto, mientras que el 57% de los gerentes fueron desafiados al seguir la metodología predictiva.
Post the Dot Com Boom, Metodologías ágiles (adaptativas) han visto a muchos adoptantes en comparación con la metodología de cascada convencional (predictiva).
Sin embargo, no existe una metodología única que se ajuste en cada proyecto, y en algunos casos, también puede requerir una combinación de ambos para su finalización exitosa. Los gerentes de proyectos deben saber cómo estrategias de estrategias dependiendo del plazo, el presupuesto, los requisitos del cliente y las especificaciones. Trabajar continuamente con una sola estrategia mejorará la capacidad de los gerentes de proyecto y los equipos para implementar la estrategia de manera eficiente y también improvisar todo el ciclo de desarrollo. Sin embargo, varios gerentes de proyectos han informado que no existe una solución única en el mundo de la gestión de proyectos.
¿Cómo crear un modelo predictivo?
Si planea utilizar análisis predictivos para admisiones, inscripción, éxito de los estudiantes o cualquier otra iniciativa institucional, es probable que haya encontrado largas listas de lo que necesita hacer para prepararse. Pero rara vez le dan crédito por lo que ya está haciendo con sus datos. Por lo tanto, puede ser una buena noticia que si usa datos en absoluto, extractos de su SIS o LMS, informes internos o externos, o incluso solicitudes de datos ad hoc, ya está preparándose «accidentalmente» para construir un modelo.
Si su institución quiere construir modelos predictivos, solo necesita agregar algunos pasos adicionales a lo que ya está haciendo. Considere estos pasos comunes requeridos para el modelado predictivo:
En mi experiencia directa en docenas de instituciones, cualquier institución incluso con un uso básico de datos ya está logrando al menos los dos primeros pasos. Además, muchas instituciones están haciendo la mayor parte del tercer paso (datos de limpieza) y el cuarto (creando nuevas variables). La mayoría de los recién llegados al modelado predictivo solo necesitan abordar los pasos 5 y 6, que son más fáciles de lograr de lo que podría pensar.
En el mundo de hoy, casi no puede evitar tener datos sobre su tema de interés. ¿Patrones de inscripción de estudiantes? La colección ocurre cuando el estudiante se registra. ¿Datos de la aplicación? Es en el sistema que usa Admisiones durante la temporada de admisiones. Incluso cuando se considera datos marginales o sistemas de datos recientemente introducidos (como aplicaciones móviles y plataformas de registro de eventos), está recopilando datos. Podría continuar, pero el punto es que no tienes que «hacerlo», sucede.
¿Qué describe el modelo predictivo?
El modelado predictivo, una herramienta utilizada en análisis predictivo, se refiere al proceso de uso de métodos matemáticos y computacionales para desarrollar modelos predictivos que examinen conjuntos de datos actuales e históricos para los patrones subyacentes y calculen la probabilidad de un resultado. El proceso de modelado predictivo comienza con la recopilación de datos, luego se formula un modelo estadístico, se realizan predicciones y el modelo se revisa a medida que están disponibles nuevos datos.
El modelado predictivo generalmente se clasifica como modelos paramétricos o no paramétricos. Dentro de estos dos campamentos hay varias variedades diferentes de modelos de análisis predictivos, incluidos mínimos cuadrados ordinarios, modelos lineales generalizados, regresión logística, bosques aleatorios, árboles de decisión, redes neuronales y estremles de regresión de adaptación multivariada.
Dr. Max Kuhn, Director de Estadísticas no clínicas en Pfizer Global R&D, y el Dr. Kjell Johnson, cofundador de Arbor Analytics y ex director de estadísticas en Pfizer Global R&D, publicaron un texto popular y extenso sobre la práctica de los datos predictivos Modelado en su libro de 2013 aplicado modelado predictivo. Kuhn y Johnson proporcionan explicaciones intuitivas sobre el proceso de construcción, visualización, prueba y comparación del modelado predictivo en R, un lenguaje de programación y un entorno de software libre para la computación estadística, gráficos y ciencia de datos.
¿Que se requiere para analizar y construir modelos?
Construcción del modelo de análisis, desarrollo de la metodología
Se compone de modelos y conceptos e hipótesis estrechamente articuladas
Para formar un marco de análisis coherente y unificado. Es la forma más efectiva sin
Sacrificar el espíritu de descubrimiento y curiosidad. Se basa en un reflejo
Conocimiento preparatorio teórico del fenómeno estudiado. Esto es lo que da el hilo
conductor.
Luego debe probar las hipótesis confrontarlas con datos
observación.
Una hipótesis es una respuesta provisional a un problema inicial.
A. Construcción de conceptos
Necesitamos indicadores conceptuales. Estos conceptos pueden tener varios
dimensiones.
B. Construcción de hipótesis
Es una forma de anticipar las relaciones entre hechos.
La hipótesis requiere ser verificada. El propósito de la metodología es
Esta verificación, que es necesaria para desarrollar teorías.
La hipótesis debe ser consistente, plausible y formulada para que
puede ser contactado o confirmado.
Nunca demostraremos la veracidad total de una hipótesis porque corre el riesgo temprano en
tarde para ser informado en su totalidad o en parte.
Resumen:
El modelo de análisis constituye la extensión natural del problema en
articular en forma operativa los modelos y pistas que se conservarán
Preside el trabajo de observación y análisis. Está compuesto de conceptos y
hipótesis estrechamente articuladas. Esta conceptualización constituye una construcción
Resumen que tiene como objetivo dar cuenta de lo real. No conserva todos los aspectos del
Realidad preocupada pero solo lo que expresa lo esencial. Esto consiste en
Designar las dimensiones que lo constituyen y especificar sus indicadores gracias
a lo que se pueden medir estas dimensiones.
Distinguimos conceptos operativos aislados, construidos empíricamente (a partir de
observación o experiencia), y conceptos sistémicos, creados por
Razonamiento abstracto y caracterizado por un grado más marcado de ruptura.
La hipótesis relaciona hechos, conceptos, fenómenos. Ella
Solicitud para ser verificada enfrentada con datos de observación.
La hipótesis debe ser falsificable (debe ser probada indefinidamente y, por lo tanto, debe
tener una generalidad de general y debe aceptar declaraciones contrarias que son
teóricamente probable que sea verificado).
Artículos Relacionados:
- Los mejores ejemplos de modelos probabilísticos
- 10 ejemplos de predicciones que se hicieron y resultaron ser correctas
- Ejemplos de análisis predictivo: cómo la inteligencia artificial puede mejorar tu negocio
- Ejemplo de análisis predictivo: cómo el machine learning puede mejorar el rendimiento empresarial
