¿Cómo hacer frente a los problemas en el análisis predictivo
El modelo predictivo está ganando popularidad como una herramienta para la gestión de muchos aspectos del negocio. Asegurar que el análisis de los datos se realiza derecha, se reforzará la confianza en los modelos empleados - el cual, a su vez, pueden generar el buy-in necesario para el análisis predictivo para convertirse en parte de las herramientas estándar de su organización.
Quizás esta creciente popularidad viene de las formas en que un proyecto de análisis predictivo puede apoyar la toma de decisiones mediante la creación de modelos que describen conjuntos de datos, descubren posibles nuevos patrones y tendencias (como lo indican los datos), y predecir los resultados con mayor fiabilidad.
Para lograr este objetivo, un proyecto de análisis predictivo debe entregar un modelo que mejor se ajusta a los datos mediante la selección de las variables de decisión correcta y eficiente. Algunas preguntas vitales deben ser contestadas en ruta hacia ese objetivo:
¿Cuáles son los supuestos mínimos y variables de decisión que permiten el modelo que mejor se ajuste a los datos?
¿Cómo funciona el modelo en construcción en comparación con otros modelos aplicables?
¿Qué criterios son los mejores para la evaluación y anotar este modelo?
Una vez más, se puede llamar a la voz de la experiencia al rescate: expertos de conocimiento de dominio pueden discutir estas preguntas, interpretar los resultados que muestran patrones ocultos en los datos, y ayudar a verificar y validar el resultado del modelo.
¿Cómo describir las limitaciones del modelo de análisis predictivo
Cualquier modelo de análisis predictivo tiene ciertas limitaciones sobre la base de los algoritmos que emplea y el conjunto de datos que se ejecuta. Usted debe ser consciente de estas limitaciones y hacer que funcionen a su ventaja- los relacionados con los algoritmos incluyen
Video: Mantenimiento preventivo: ver los problemas antes de que ocurran
Si los datos tienen patrones no lineales (no forma una línea)
Cómo altamente correlacionado las variables son (relaciones estadísticas entre características)
Si las variables son independientes (no hay relaciones entre las características)
Si el alcance de los datos de muestra hace que el modelo propensos a overfitting
Para superar las limitaciones de su modelo, el uso de sonido validación cruzada técnicas para poner a prueba sus modelos. Comience por dividir sus datos en conjuntos de datos de entrenamiento y prueba, y ejecutar el modelo frente a cada uno de esos conjuntos de datos por separado para evaluar y calificar las predicciones del modelo.
Cómo probar y evaluar su modelo de análisis predictivo
Ningún modelo puede producir el 100 por ciento exacta forecasts- cualquier modelo tiene el potencial de producir resultados inexactos. Estar en la búsqueda de cualquier variación significativa entre las previsiones de su modelo y produce los datos observados - especialmente si las salidas del modelo contradicen el sentido común. Si parece demasiado bueno, malo o extrema para ser verdad, entonces probablemente no es cierto (a la realidad, de todos modos).
Video: La policía utiliza el análisis predictivo para reducir el crimen
En el proceso de evaluación, examinar a fondo las salidas de los modelos que se prueba y compararlas con las variables de entrada. capacidad de pronóstico de su modelo debe responder a todos los objetivos de negocio establecidos que impulsaron su creación en el primer lugar.
Si los errores o sesgos surgen en la producción de su modelo, intente volver a calcándolos
La validez, fiabilidad, y la estacionalidad relativa de los datos
Supuestos utilizados en el modelo
Las variables que se incluirse o excluirse en el análisis
Trabaja con los usuarios de negocios para evaluar cada paso del proceso- de su modelo de asegurarse de que los resultados de los modelos pueden ser fácilmente interpretados y utilizados en una situación de negocios en el mundo real. Equilibrar la precisión y la fiabilidad del modelo con la facilidad con que las salidas del modelo se pueden interpretar y poner en práctica.
¿Cómo evitar los modelos de análisis predictivo no escalables
Cuando usted está construyendo un modelo, siempre tener en cuenta la escalabilidad. Siempre comprobar el rendimiento, la precisión y la fiabilidad del modelo en varias escalas. Su modelo debe ser capaz de cambiar su escala - y ampliar la escala tan grande como sea necesario - sin desmoronarse o la salida de malas predicciones.
Escalabilidad era todo un reto en el pasado. Los modelos predictivos tomó mucho tiempo para construir y para funcionar. Los conjuntos de datos de los modelos se ejecutaban en eran pequeños, y los datos eran caros para recoger, almacenar y búsqueda. Pero eso fue todo en los “datos de pre-grandes” época.
Hoy en día los grandes datos es barato, abundante, y sigue creciendo. De hecho, otro problema potencial se avecina: El volumen de datos disponibles en la actualidad formidable puede afectar negativamente el modelo y degradar su rendimiento, outdating el modelo en un período relativamente corto de tiempo. Si se implementa correctamente, la escalabilidad puede ayudar “a prueba de futuro” su modelo.
El futuro no es la única amenaza. Incluso en la época actual en línea, se transmiten los datos pueden abrumar a un modelo - especialmente si las corrientes de incremento de datos a una inundación.
Volumen de datos por sí solo puede causar que las variables de decisión y los factores predictores de crecer a los números gigantes que requieren una actualización continua para el modelo. Así que sí, el modelo mejor que sea escalable - rápidamente escalable.