El análisis predictivo: saber cuándo actualizar su modelo

Como todo lo que no le guste, su trabajo de análisis predictivo no se acaba cuando su modelo va en vivo. La implementación exitosa del modelo en la producción hay tiempo para relajarse. Tendrá que seguir de cerca su precisión y rendimiento con el tiempo. Un modelo tiende a degradarse con el tiempo (algunos más rápido que otros) - y se requiere una nueva infusión de energía de vez en cuando para mantener ese modelo en funcionamiento. Para mantener el éxito, el modelo debe ser revisado y re-evaluado a la luz de los nuevos datos y circunstancias cambiantes.

Si las condiciones cambian por lo que ya no se ajustan a la formación original del modelo, entonces usted tendrá que volver a entrenar el modelo para cumplir con las nuevas condiciones. Tales exigentes nuevas condiciones incluyen

• Un cambio general en el objetivo de negocio
• La adopción de - y la migración a - tecnología nueva y más potente
• La aparición de nuevas tendencias en el mercado
• La evidencia de que la competición se pone al día

El plan estratégico debe incluir permanecer alerta para cualquier necesidad emergente para actualizar su modelo y llevarlo al siguiente nivel, pero la actualización de su modelo debe ser un proceso continuo de todos modos. Usted mantendrá en entradas y salidas ajustar, la incorporación de nuevos flujos de datos, la readaptación del modelo para las nuevas condiciones y perfeccionar continuamente sus salidas. Mantener estos objetivos en mente:

• Manténgase en la parte superior de las cambiantes condiciones de reciclaje y probar el modelo regularly- mejorar siempre que sea necesario.
• Supervisar la precisión de su modelo para atrapar cualquier degradación en su rendimiento con el tiempo.
• Automatizar el seguimiento de su modelo mediante el desarrollo de aplicaciones personalizadas que informe y seguimiento de rendimiento del modelo.

Video: Análisis de relación entre dos variables cuantitativas: Coeficiente de regresión. Módulo 3

Automatización de procesos de supervisión, o que tienen otros miembros del equipo involucrados, sería aliviar cualquier preocupación un científico de datos puede tener sobre el rendimiento del modelo y pueden mejorar el uso del tiempo de todos.

monitoreo automatizado ahorra tiempo y ayuda a evitar errores en el seguimiento del rendimiento del modelo.