El análisis predictivo es una forma de análisis empresarial que aplica el aprendizaje automático para generar un modelo predictivo para determinadas aplicaciones empresariales . Como tal, abarca una variedad de técnicas estadísticas de modelado predictivo y aprendizaje automático que analizan hechos actuales e históricos para hacer predicciones sobre eventos futuros o desconocidos. [1] Representa un subconjunto importante de aplicaciones de aprendizaje automático ; en algunos contextos, es sinónimo de aprendizaje automático . [2]
En los negocios, los modelos predictivos explotan patrones encontrados en datos históricos y transaccionales para identificar riesgos y oportunidades. Los modelos capturan 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 transacciones candidatas. [3]
El efecto funcional definitorio de estos enfoques técnicos es que el análisis predictivo proporciona una puntuación predictiva (probabilidad) para cada individuo (cliente, empleado, paciente de atención médica, SKU del producto, vehículo, componente, máquina u otra unidad organizativa) con el fin de determinar, informar , o influir en los procesos organizacionales que afectan a un gran número de personas, como en marketing, evaluación de riesgo crediticio, detección de fraude, fabricación, atención médica y operaciones gubernamentales, incluida la aplicación de la ley.
El análisis predictivo es un conjunto de tecnologías de inteligencia empresarial (BI) que descubre relaciones y patrones dentro de grandes volúmenes de datos que pueden usarse para predecir comportamientos y eventos. A diferencia de otras tecnologías de BI, el análisis predictivo mira hacia el futuro y utiliza eventos pasados para anticipar el futuro. [4] Las técnicas estadísticas de análisis predictivo incluyen modelado de datos , aprendizaje automático , inteligencia artificial , algoritmos de aprendizaje profundo y minería de datos . A menudo, el evento desconocido de interés ocurre en el futuro, pero el análisis predictivo se puede aplicar a cualquier tipo de evento desconocido, ya sea en el pasado, presente o futuro. Por ejemplo, identificar a sospechosos después de que se ha cometido un delito o fraude con tarjetas de crédito en el momento en que se produce. [5] El núcleo del análisis predictivo se basa en capturar las relaciones entre las variables explicativas y las variables predichas de sucesos pasados, y explotarlas para predecir el resultado desconocido. Es importante señalar, sin embargo, que la precisión y usabilidad de los resultados dependerán en gran medida del nivel de análisis de los datos y de la calidad de las suposiciones. [1]
El análisis predictivo a menudo se define como predecir a un nivel de granularidad más detallado, es decir, generar puntuaciones predictivas (probabilidades) para cada elemento organizacional individual. Esto lo distingue de la previsión . Por ejemplo, "Análisis predictivo: tecnología que aprende de la experiencia (datos) para predecir el comportamiento futuro de las personas con el fin de tomar mejores decisiones". [2] En los futuros sistemas industriales, el valor del análisis predictivo será predecir y prevenir problemas potenciales para lograr un desglose cercano a cero y integrarse aún más en el análisis prescriptivo para la optimización de decisiones. [6]
Los enfoques y técnicas utilizados para realizar análisis predictivos se pueden agrupar en términos generales en técnicas de regresión y técnicas de aprendizaje automático.
El aprendizaje automático se puede definir como la capacidad de una máquina de aprender y luego imitar el comportamiento humano que requiere inteligencia. Esto se logra mediante inteligencia artificial, algoritmos y modelos. [7]
Los modelos ARIMA son un ejemplo común de modelos de series temporales. Estos modelos utilizan autorregresión, lo que significa que el modelo puede equiparse con un software de regresión que utilizará el aprendizaje automático para realizar la mayor parte del análisis y suavizado de regresión. Se sabe que los modelos ARIMA no tienen una tendencia general, sino que tienen una variación alrededor del promedio que tiene una amplitud constante, lo que resulta en patrones de tiempo estadísticamente similares. A través de esto, se analizan variables y se filtran datos para comprender y predecir mejor los valores futuros. [8] [9]
Un ejemplo de método ARIMA son los modelos de suavizado exponencial. El suavizado exponencial tiene en cuenta la diferencia de importancia entre los conjuntos de datos más antiguos y más nuevos, ya que los datos más recientes son más precisos y valiosos para predecir valores futuros. Para lograr esto, se utilizan exponentes para dar a los conjuntos de datos más nuevos un peso mayor en los cálculos que a los conjuntos más antiguos. [10]
Los modelos de series de tiempo son un subconjunto del aprendizaje automático que utiliza series de tiempo para comprender y pronosticar datos utilizando valores pasados. Una serie de tiempo es la secuencia del valor de una variable en períodos igualmente espaciados, como años o trimestres en aplicaciones comerciales. [11] Para lograr esto, los datos deben suavizarse o la varianza aleatoria de los datos debe eliminarse para revelar tendencias en los datos. Hay varias formas de lograr esto.
Los métodos de promedio móvil único utilizan conjuntos de datos pasados numerados cada vez más pequeños para disminuir el error asociado con la toma de un promedio único, lo que lo convierte en un promedio más preciso de lo que sería tomar el promedio de todo el conjunto de datos. [12]
Los métodos de promedio móvil centrado utilizan los datos que se encuentran en los métodos de promedio móvil único tomando un promedio del conjunto de datos numerados en la mediana. Sin embargo, como el conjunto de datos con números medianos es difícil de calcular con conjuntos de datos con números pares, este método funciona mejor con conjuntos de datos con números impares que con números pares. [13]
El modelado predictivo es una técnica estadística que se utiliza para predecir el comportamiento futuro. Utiliza modelos predictivos para analizar una relación entre una unidad específica en una muestra determinada y una o más características de la unidad. El objetivo de estos modelos es evaluar la posibilidad de que una unidad de otra muestra muestre el mismo patrón. Las soluciones de modelos predictivos pueden considerarse un tipo de tecnología de minería de datos. Los modelos pueden analizar datos tanto históricos como actuales y generar un modelo para predecir posibles resultados futuros. [14]
Independientemente de la metodología utilizada, en general, el proceso de creación de modelos predictivos implica los mismos pasos. Primero, es necesario determinar los objetivos del proyecto y los resultados deseados y traducirlos en objetivos y tareas de análisis predictivo. Luego, analice los datos de origen para determinar los datos y el enfoque de construcción de modelos más apropiados (los modelos son tan útiles como los datos aplicables utilizados para construirlos). Seleccionar y transformar los datos para crear modelos. Crear y probar modelos para evaluar si son válidos y podrán cumplir con los objetivos y métricas del proyecto. Aplicar los resultados del modelo a procesos de negocio apropiados (identificar patrones en los datos no significa necesariamente que una empresa entenderá cómo aprovecharlos o capitalizarlos). Luego, administre y mantenga modelos para estandarizar y mejorar el rendimiento (aumentará la demanda de gestión de modelos para cumplir con las nuevas regulaciones de cumplimiento). [4]
Generalmente, el análisis de regresión utiliza datos estructurales junto con los valores pasados de las variables independientes y la relación entre ellos y la variable dependiente para formar predicciones. [8]
En la regresión lineal, se construye una gráfica con los valores anteriores de la variable dependiente trazada en el eje Y y la variable independiente que se está analizando trazada en el eje X. Luego, un programa estadístico construye una línea de regresión que representa la relación entre las variables independientes y dependientes, que puede usarse para predecir valores de la variable dependiente basándose únicamente en la variable independiente. Con la recta de regresión, el programa también muestra una ecuación pendiente-intersección para la recta que incluye una suma para el término de error de la regresión, donde cuanto mayor es el valor del término de error, menos preciso es el modelo de regresión. Para disminuir el valor del término de error, se introducen otras variables independientes en el modelo y se realizan análisis similares en estas variables independientes. [8] [15] Además, se puede emplear la regresión lineal múltiple (MLP) para abordar relaciones que involucran múltiples variables independientes, ofreciendo un enfoque de modelado más completo. [dieciséis]
Un aspecto importante de la auditoría incluye la revisión analítica. En la revisión analítica, se determina la razonabilidad de los saldos de cuentas informados que se investigan. Los auditores logran este proceso a través de modelos predictivos para formar predicciones llamadas expectativas condicionales de los saldos que se auditan utilizando métodos autorregresivos de promedio móvil integrado (ARIMA) y métodos de análisis de regresión general, [8] específicamente a través de los métodos de Técnica estadística para revisión analítica (STAR). [17]
El método ARIMA para la revisión analítica utiliza análisis de series de tiempo sobre saldos auditados anteriores para crear expectativas condicionales. Luego, estas expectativas condicionales se comparan con los saldos reales informados en la cuenta auditada para determinar qué tan cerca están los saldos informados de las expectativas. Si los saldos informados se acercan a las expectativas, las cuentas no se auditan más. Si los saldos informados son muy diferentes de las expectativas, existe una mayor posibilidad de que se produzca un error contable material y se realice una auditoría adicional. [17]
Los métodos de análisis de regresión se implementan de manera similar, excepto que el modelo de regresión utilizado supone la disponibilidad de una sola variable independiente. La materialidad de la variable independiente que contribuye a los saldos de las cuentas auditadas se determina utilizando los saldos de las cuentas pasadas junto con los datos estructurales presentes. [8] La materialidad es la importancia de una variable independiente en su relación con la variable dependiente. [18] En este caso, la variable dependiente es el saldo de la cuenta. A través de esto, se utiliza la variable independiente más importante para crear la expectativa condicional y, de manera similar al método ARIMA, la expectativa condicional luego se compara con el saldo de la cuenta informado y se toma una decisión basada en la cercanía de los dos saldos. [8]
Los métodos STAR funcionan mediante análisis de regresión y se dividen en dos métodos. El primero es el enfoque de saldo mensual STAR, y las expectativas condicionales formuladas y el análisis de regresión utilizado están vinculados a un mes de auditoría. El otro método es el enfoque del balance anual STAR, que se aplica a mayor escala al basar las expectativas condicionales y el análisis de regresión en un año auditado. Además de la diferencia en el tiempo de auditoría, ambos métodos funcionan de la misma manera: comparan los saldos esperados y reportados para determinar qué cuentas investigar más a fondo. [17]
Además, la incorporación de procedimientos analíticos en las normas de auditoría subraya la creciente necesidad de que los auditores modifiquen estas metodologías para adaptarlas a conjuntos de datos particulares, lo que refleja la naturaleza siempre cambiante del examen financiero. [19]
A medida que avanzamos hacia un mundo de avances tecnológicos donde cada vez se crean y almacenan más datos digitalmente, las empresas buscan formas de aprovechar esta oportunidad y utilizar esta información para ayudar a generar ganancias. El análisis predictivo se puede utilizar y es capaz de proporcionar muchos beneficios a una amplia gama de empresas, incluidas empresas de gestión de activos, compañías de seguros, empresas de comunicaciones y muchas otras empresas. Toda empresa que utiliza la gestión de proyectos para lograr sus objetivos se beneficia enormemente de las capacidades de inteligencia predictiva. En un estudio realizado por IDC Analyse the Future, Dan Vasset y Henry D. Morris explican cómo una empresa de gestión de activos utilizó análisis predictivos para desarrollar una mejor campaña de marketing. Pasaron de un enfoque de marketing masivo a un enfoque centrado en el cliente, donde en lugar de enviar la misma oferta a cada cliente, personalizaban cada oferta en función de su cliente. Se utilizó análisis predictivo para predecir la probabilidad de que un posible cliente aceptara una oferta personalizada. Gracias a la campaña de marketing y al análisis predictivo, la tasa de aceptación de la empresa se disparó, triplicando el número de personas que aceptaron sus ofertas personalizadas. [20]
Los avances tecnológicos en análisis predictivo [21] han aumentado su valor para las empresas. Un avance tecnológico son las computadoras más potentes y, con este análisis predictivo, se han podido crear pronósticos sobre grandes conjuntos de datos mucho más rápido. Con el aumento de la potencia informática también vienen más datos y aplicaciones, lo que significa una gama más amplia de entradas para utilizar con análisis predictivos. Otro avance tecnológico incluye una interfaz más fácil de usar, lo que permite una barrera de entrada más pequeña y una capacitación menos extensa requerida para que los empleados utilicen el software y las aplicaciones de manera efectiva. Debido a estos avances, muchas más corporaciones están adoptando análisis predictivos y viendo los beneficios en la eficiencia y eficacia de los empleados, así como en las ganancias. [22] El porcentaje de proyectos que fracasan es bastante alto: un enorme 70% de todos los proyectos no logran entregar lo prometido a los clientes. Sin embargo, se ha demostrado que la implementación de un proceso de gestión reduce la tasa de fracaso al 20% o menos. [23]
Los modelos univariados y multivariados de ARIMA se pueden utilizar para pronosticar los flujos de efectivo futuros de una empresa , con sus ecuaciones y cálculos basados en los valores pasados de ciertos factores que contribuyen a los flujos de efectivo. Mediante el análisis de series de tiempo, los valores de estos factores se pueden analizar y extrapolar para predecir los flujos de efectivo futuros de una empresa. Para los modelos univariados, los valores pasados de los flujos de efectivo son el único factor utilizado en la predicción. Mientras tanto, los modelos multivariados utilizan múltiples factores relacionados con datos de acumulación, como el ingreso operativo antes de la depreciación. [24]
Otro modelo utilizado para predecir los flujos de efectivo se desarrolló en 1998 y se conoce como modelo de Dechow, Kothari y Watts, o DKW (1998). DKW (1998) utiliza análisis de regresión para determinar la relación entre múltiples variables y flujos de efectivo. A través de este método, el modelo encontró que los cambios en el flujo de efectivo y las acumulaciones están relacionados negativamente, específicamente a través de las ganancias actuales, y el uso de esta relación predice los flujos de efectivo para el próximo período. El modelo DKW (1998) deriva esta relación a través de las relaciones de provisiones y flujos de efectivo con las cuentas por pagar y por cobrar, junto con el inventario. [25]
Algunas agencias de bienestar infantil han comenzado a utilizar análisis predictivos para señalar casos de alto riesgo. [26] Por ejemplo, en el condado de Hillsborough, Florida , el uso de una herramienta de modelado predictivo por parte de la agencia de bienestar infantil ha evitado muertes infantiles relacionadas con abusos en la población objetivo. [27]
La predicción del resultado de las decisiones jurídicas se puede realizar mediante programas de inteligencia artificial. Estos programas se pueden utilizar como herramientas de asistencia para las profesiones de esta industria. [28] [29]
A menudo el foco del análisis no es el consumidor sino el producto, la cartera, la empresa, la industria o incluso la economía. Por ejemplo, un minorista podría estar interesado en predecir la demanda a nivel de tienda con fines de gestión de inventario. O la Junta de la Reserva Federal podría estar interesada en predecir la tasa de desempleo para el próximo año. Este tipo de problemas se pueden abordar mediante análisis predictivos utilizando técnicas de series de tiempo (ver más abajo). También se pueden abordar mediante enfoques de aprendizaje automático que transforman la serie temporal original en un espacio vectorial de características, donde el algoritmo de aprendizaje encuentra patrones que tienen poder predictivo. [30] [31]
Muchas empresas tienen que tener en cuenta la exposición al riesgo debido a sus diferentes servicios y determinar los costos necesarios para cubrir el riesgo. El análisis predictivo puede ayudar a garantizar estas cantidades al predecir las posibilidades de enfermedad, incumplimiento , quiebra , etc. El análisis predictivo puede agilizar el proceso de adquisición de clientes al predecir el comportamiento de riesgo futuro de un cliente utilizando datos a nivel de aplicación. Los análisis predictivos en forma de puntajes crediticios han reducido la cantidad de tiempo que lleva la aprobación de préstamos, especialmente en el mercado hipotecario. Un análisis predictivo adecuado puede conducir a decisiones de fijación de precios adecuadas, lo que puede ayudar a mitigar el riesgo de incumplimiento futuro. El análisis predictivo se puede utilizar para mitigar el riesgo moral y evitar que ocurran accidentes. [32]
Las agencias policiales ahora están utilizando estrategias proactivas para la prevención del delito. El análisis predictivo, que utiliza herramientas estadísticas para pronosticar patrones delictivos, proporciona nuevas formas para que las agencias policiales movilicen recursos y reduzcan los niveles de delincuencia. [33] Con este análisis predictivo de los datos sobre delitos, la policía puede asignar mejor los recursos y la mano de obra limitados para evitar que se produzcan más delitos. Se pueden emplear patrullas dirigidas o resolución de problemas para proteger los puntos críticos de delincuencia, que exhiben densidades de delincuencia mucho más altas que el promedio de una ciudad. [34]
Han surgido varias firmas especializadas en análisis predictivo en el ámbito del deporte profesional tanto de equipos como individuales. [35] Si bien predecir el comportamiento humano crea una amplia variación debido a muchos factores que pueden cambiar después de que se hacen las predicciones, incluidas las lesiones, el arbitraje, las decisiones de los entrenadores, el clima y más, el uso de análisis predictivos para proyectar tendencias y desempeño a largo plazo es útil. . Gran parte de este campo se inició con el concepto Moneyball de Billy Beane a principios de siglo, y ahora la mayoría de los equipos deportivos profesionales emplean sus propios departamentos de análisis.
{{cite web}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )