Los problemas de alta complejidad, por lo general requieren de soluciones multidisciplinarias.

Que es un modelo predictivo?

Un modelo predictivo sirve para decodificar la incertidumbre, puede ser un modelo matemático pero no necesariamente sustentado en la probabilidad y estadística para predecir un comportamiento de un sistema u organización, el cual está rodeado de incertidumbre.

Proceso de análisis

Pre-procesamiento

Otra parte importante es la de preprocesamiento, en este preprocesamiento están la integración de las bases de datos que es un tema donde entran técnicas de computación de bases de ingeniería de software y otras técnicas para llegar a que el sistema sea robusto al enlace cuando llegue el momento de analizarlos y procesarlos, también vienen correcciones de errores pueden ser tanto manuales o con alguna metodología de normalización si se requiere la estandarización de los datos.

Modelación Predictiva

La modelación predictiva tiene dos enfoques principalmente, el supervisado y el no supervisado, el supervisado principalmente se da cuando tienes una variable que quieres estudiar o que quieres controlar y entenderla en función de otras, un ejemplo básico en la regresión lineal, es decir tienes un conjunto de variables con las cuales tú quieres predecir una variable en específico de la cual ya cuentas con información de un análisis previo; un análisis no supervisado es lo que los datos que arrojen y cómo se van agrupando ellos mismos entonces te pueden dar alguna guía de hacia dónde dirigir algún análisis sin anticipación.

Evaluación

La evaluación tiene que ver con el ajuste de valores, por ejemplo, cuando hay una distribución de probabilidad la validación voy a tomar un conjunto de datos con los que voy a hacer el modelo de entrenamiento el cual va a ser el modelo y otro conjunto de datos con los que voy a probarlo y analizarlas diferencias es de vital importancia reservar un conjunto considerable de datos para asegurarse de que el sistema funcione y el poder de predicción es ya el número de clasificaciones correctas que tiene ese modelo.

Recalibración

Los modelos predictivos generalmente tienen que recalibrar, se tienen que realizar un análisis con los nuevos datos y probablemente se vaya a actualizar la matriz porque existe una nueva realidad.

Consideraciones de los modelos predictivos

1. a) Enfoques analíticos según el objetivo del negocio

Modelos de caja negra

Es una metodología mediante la cual se generan modelos matemáticos para tratar de predecir el comportamiento de un sistema real. Dependiendo del tipo de modelo matemático que se formule, se requieren tipos de análisis particular.

Modelos Lineales

Los modelos lineales predicen un objetivo continúo basándose en relaciones lineales entre el objetivo y uno o más predictores. Los modelos lineales son relativamente simples y proporcionan una fórmula matemática fácil de interpretar para la puntuación.

1. b) Naturaleza del fenómeno

Tipos de datos

Muestras

Poblaciones

Parámetros

Objetivos del Negocio

1. c) Modelos parsimonicos

La Parsimonia es un principio metodológico que nos enseña cómo lo simple es lo mejor, al menos la mayoría de las veces, aunque esto no sea nada simple de entender.

1. d) Entrenamiento

El proceso de entrenamiento de un modelo de Machine Learning consiste en proporcionar datos de entrenamiento de los cuales aprender a un algoritmo. Existen de tipo Sub-ajustado, Robusto y Sobre Ajustado.

1. e) Reducción de dimensionalidad

La multicolinealidad es la relación de dependencia lineal fuerte entre más de dos variables, es la correlación alta entre más de dos variables explicativas.

Otros métodos para la toma de decisiones

Esperanza Matemática

La esperanza matemática es el valor medio de un conjunto de datos, con la finalidad de evaluar diversos escenarios hipotéticos de negocio y así tomar una decisión correcta.

Costo de Oportunidad

Es el conjunto de recursos que dejamos de percibir cuando nos decidimos por otra alternativa que puede ser mejor o peor, siempre contando con unos recursos limitados.

En la vida actual es un concepto muy importante, ya que, todas las decisiones que tomamos con respecto nuestro patrimonio siempre buscarán la máxima rentabilidad.

Si nos centramos en las decisiones que tendrán que tomar las empresas, tanto en inversión como en fuentes de financiación, buscarán optimizar los recursos disponibles de manera que maximicen el beneficio.

Por tanto, el Coste de Oportunidad a veces será objetivo y otras subjetivo, todo dependerá de quien realice el análisis, de ahí que sea muy importante tener claro cuáles son nuestros objetivos que queremos maximizar y cuál es el valor que perdemos al tomar otra alternativa.

Función de Perdida

La función de perdida nos ofrece una forma de calcular la «pérdida de calidad» que sufre un aspecto analizado con respecto al objetivo de calidad que le hayamos fijado al mismo. Esto significa, que para una característica fijada en nuestro producto o proceso, la función de pérdida nos dirá cuándo nos estamos alejando de nuestro objetivo.