Cómo definir y probar los prototipos de análisis predictivo
Una manera eficaz de indicar sus objetivos de negocio para el análisis predictivo es claramente como una lista con viñetas de las decisiones del usuario. A continuación, ejecute el prototipo para generar predicciones y puntuaciones para cada decisión posible. Por ejemplo, en un ejemplo de producto X, se podría hacer una lista de sus objetivos como una gama de posibles decisiones de negocio a ser evaluada:
Aumentar el volumen de ventas del Producto X
Video: Grafeno: Características y Aplicaciones | El material del futuro
Terminar fabricación del Producto X
Cambiar la estrategia de marketing detrás de Producto X
Aumentar los anuncios de una ubicación geográfica específica
Aumentar anuncios para clientes específicos
El modelo de predicción evaluará estas decisiones de acuerdo con su probabilidad futura de la rentabilidad éxito. La salida podría indicar, por ejemplo, que la empresa tiene una probabilidad del 80 por ciento de aumento de los beneficios mediante el aumento del volumen de ventas del producto X.
¿Cómo encontrar los datos de predicción correcta
Después de haber declarado claramente el objetivo de negocio y el problema que está dispuesto a abordar, el siguiente paso es recoger los datos que utilizará el modelo predictivo. En esta fase, usted tiene que identificar su fuente (s) de datos.
Por ejemplo, si está desarrollando un prototipo para predecir la decisión correcta en un producto específico, entonces usted necesita para recoger datos tanto internos como externos para ese producto. No se debe restringir el tipo o la fuente de los datos, siempre que sea relevante para el objetivo de negocio.
Si (por ejemplo) a su compañía está considerando la introducción de un nuevo coche deportivo híbrido, puede ponerse en contacto con el departamento de ventas y reunir información sobre los datos de las ventas generadas por productos similares. Puede ponerse en contacto con el departamento de ingeniería para averiguar hasta qué punto el costo de los componentes (¿qué hay de esas baterías más duraderos?), Así como los recursos y el tiempo necesarios para producir el producto (cualquier reorganización necesaria?).
También puede ser que incluya datos sobre las decisiones previas realizadas sobre un producto similar (por ejemplo, un convertible subyugado introducido hace algunos años), y sus resultados (condiciones del mercado y los precios del combustible deprimido las ventas).
Es posible que desee considerar el uso de grandes volúmenes de datos relacionados con el producto en cuestión. Por ejemplo, descargar comentarios de los clientes sobre los productos de la compañía, mensajes de twitter o mensajes de Facebook en el que se mencionan los productos. Una forma de hacerlo es utilizar las interfaces de programación de aplicaciones (API) proporcionados por dichas empresas.
Por ejemplo, si desea recopilar los tweets que contengan una palabra específica, Twitter proporciona un conjunto de API que puede utilizar para descargar este tipo de tweets. Hay un límite a la cantidad de datos que puede capturar sin cargo- en algunos casos, es posible que tenga que pagar para mantener la descarga de los datos necesarios de Twitter.
Cuando se haya determinado los datos más relevantes y la fuente más útil desde la cual consigue, empezar a almacenar los datos que va a utilizar para su modelo predictivo. Los datos pueden necesitar someterse a algún procesamiento previo.
Cómo diseñar su modelo predictivo
Para un prototipo, la entrada podría ser una matriz de datos que representa factores conocidos derivados de los datos históricos.
Tal matriz de datos, cuando se analiza, se puede producir una salida que es como la siguiente:
57,6 por ciento de los clientes declaró estar satisfecho con el producto.
El producto requiere tres horas en promedio de producir.
sentimiento positivo en el producto es del 80 por ciento.
Las entradas al modelo de prototipo podrían incluir datos históricos acerca de los productos similares, las correspondientes decisiones hechas acerca de ellos, y el impacto de esas decisiones en sus procesos de negocio. La salida del prototipo sería predicciones y sus correspondientes puntuaciones como posibles acciones hacia la consecución de los objetivos que se ha fijado.
Para obtener un prototipo utilizables, tiene que emplear una mezcla de técnicas para construir el modelo. Por ejemplo, se puede utilizar el algoritmo K-means como una de la agrupación algoritmos- se podría utilizar para construir grupos como estos:
Los productos que fueron terminados - y el impacto de esa decisión en el beneficio
Productos que se incrementaron en volumen y del impacto de esa decisión en el beneficio
Productos cuya estrategia de marketing fue cambiado y ganancias impacto de esa decisión
Posteriormente, se podría utilizar algoritmos de clasificación, como un árbol de decisión o Naïve Bayes que clasificar o predecir los valores (como el valor de ganancia en la operación) para el producto en cuestión (Producto X) que faltan.
Video: Deus Ex Retrospective - Part 1 - Easy Allies
Cómo identificar los datos de prueba
Para evaluar el modelo de análisis predictivo, lo que tiene que ejecutar el modelo sobre algunos datos de prueba que no ha visto todavía. Se podía correr el modelo largo de varios conjuntos de datos históricos como entrada y registrar cuántas de las predicciones del modelo resulte correcta.
Cómo ejecutar el modelo de datos de prueba
La evaluación de su modelo predictivo es un proceso iterativo - esencialmente ensayo y error. modelos eficaces rara vez son el resultado de un mero primera prueba. Si su modelo predictivo produce 100 por ciento de precisión, tenga en cuenta ese resultado demasiado bueno para ser cierto-algo sospechoso mal con sus datos o sus algoritmos.
Por ejemplo, si el primer algoritmo que se utiliza para construir su prototipo es el clasificador Naïve Bayes y usted no está satisfecho con las predicciones que le da al ejecutar los datos de prueba, pruebe con otro algoritmo como el clasificador del vecino más próximo. Seguir funcionando otros algoritmos hasta que encuentre el que es más consistente y fiable de predicción.
Durante las pruebas, es posible averiguar que es necesario revisar los datos iniciales que utilizó para construir el modelo de prototipo. Puede que sea necesario para encontrar los datos más relevantes para su análisis.
Como medida de precaución, siempre verifique que los pasos involucrados en la construcción del modelo son correctas. Además, la comparación de la salida del modelo en el conjunto de datos de prueba para los resultados reales le ayudará a evaluar la exactitud de su modelo.
Cuanto mayor sea la confianza en los resultados de su modelo predictivo, más fácil es para los grupos de interés para la aprobación de su despliegue.
Para asegurarse de que su modelo es exacta, es necesario evaluar si el modelo cumple con sus objetivos de negocio. Los expertos del dominio pueden ayudar a interpretar los resultados de su modelo.