¿Cuál es la diferencia entre la exploración de datos y el análisis predictivo?

Gracias por la A2A

Aunque parezcan similares, estos son dos conceptos muy diferentes que tienen propósitos muy diferentes.

La exploración de datos es esencialmente el primer paso en cualquier análisis de datos. Implica resumir la característica principal de cualquier base de datos o conjunto de datos. Se realiza principalmente en software estadístico que varía en niveles de avance, dependiendo de la complejidad del conjunto de datos. También se puede realizar utilizando herramientas de análisis visual; Esto es más preferido, ya que permite a los usuarios tener una visión rápida y simplificada de las características y variables más importantes del conjunto de datos. Ayuda al usuario a determinar rápidamente si las variables en pantalla son lo suficientemente buenas para un análisis posterior.

El análisis predictivo se incluye en análisis avanzados y se utiliza para hacer predicciones sobre eventos desconocidos que podrían desarrollarse en el futuro. De la manera más simple posible, el análisis predictivo utiliza una gran cantidad de software diferente, combinándolos con muchas técnicas que van desde la inteligencia artificial (IA) y el aprendizaje automático, para analizar datos ya existentes y hacer predicciones sobre su curso en el futuro.

La diferencia, aunque no es obvia de inmediato, es bastante grande. La Exploración de datos descubre las complejas, complejas y muchas veces invisibles relaciones entre variables medibles. El análisis predictivo, por otro lado, ofrece resultados y posibilidades en el futuro de las variables, a partir de las variables.

Gracias por el A2A.

La exploración de datos puede sostenerse por sí misma, pero también es algo que se hace de forma habitual antes de la construcción del modelo en ‘análisis predictivo’. Esto se debe a que necesitamos comprender la naturaleza y los límites de los datos antes de poder estructurar efectivamente un problema como, por ejemplo, un problema de aprendizaje automático supervisado frente a un problema de pronóstico de series de tiempo estadísticas.

¿Cuál es el tamaño y la estructura del conjunto de datos? ¿Faltan valores? ¿Hay grupos obvios? ¿Cómo es la calidad de los datos? – Estas son todas las preguntas a responder dentro de la exploración de datos.

Una vez hecho esto, se construye el modelo predictivo, generalmente con una variable ‘objetivo’ para predecir. Esto es generalmente como un problema de clasificación para una variable categórica (por ejemplo, género, clic versus no clic, etc.) o un problema de regresión para una variable continua (por ejemplo, longitud, tiempo dedicado, etc.)

La Exploración de datos ayuda a encontrar información valiosa o tendencias presentes dentro de los datos, mientras que el análisis predictivo utiliza estos hallazgos o tendencias dentro de los datos para predecir un resultado. Además, la exploración de datos es parte del paso de preprocesamiento para el análisis predictivo.

La exploración de datos es un requisito previo para el análisis predictivo.

En la fase de exploración de datos, revisa el conjunto de datos en cuestión y comprende los diferentes tipos de variables, trata de identificar cualquier tendencia o sesgo en los datos, comprende los valores perdidos y atípicos, comprende la distribución de los datos, etc. La clasificación puede durante la fase de exploración de datos, sin embargo, sería muy rudimentaria. Debe usar los valores de cada variable de forma independiente y los agrupan para clasificar los puntos de datos.

Por ejemplo, supongamos que tiene un conjunto de datos de todos los clientes que acudieron a una franquicia particular de McDonald’s para el año 2015 y las compras que realizaron junto con su información demográfica. Puede utilizar los datos para comprender cuál es el valor de compra promedio para todos los clientes, comprender el pedido de compra mínimo y máximo para el año, clasificar a los clientes según el tipo de comida que solicitan, etc. en la fase de exploración de datos.

El análisis predictivo, por otro lado, se utiliza para predecir el comportamiento futuro de los sujetos en función de los valores actuales de sus variables independientes. Esto se usa en casos en los que tiene que comprender quiénes serán los clientes potenciales de su nuevo producto, cuál será el efecto de un programa promocional particular en sus clientes, cuáles de sus prestatarios o clientes de tarjetas de crédito probablemente no pagarán pagos, etc.

Por ejemplo, supongamos que en el mismo ejemplo de McDonald’s, ahora desea averiguar cuál de los clientes que llegaron allí en los últimos 4 a 5 años estarán interesados ​​en probar un nuevo producto que está lanzando. Y supongamos que desea darles a estos clientes un 10% de descuento en los cupones para que puedan obtener un descuento cuando prueben el producto. Para esto, solo un análisis exploratorio no será suficiente, ya que solo verá quién compra qué y no quién comprará el nuevo producto. Para eso, tendrá que hacer un análisis de regresión después de considerar todos los factores importantes que afectan la decisión de si un cliente probará un nuevo producto. Considerarás su edad, etnia, grupo de ingresos, tamaño de la canasta, preferencias culinarias, etc.

Sin embargo, se requiere un análisis exploratorio incluso antes de realizar el modelado predictivo para comprender qué variables están disponibles y sus características para poder identificar las relevantes.

Espero que esto ayude.

Con respecto al análisis predictivo, le digo, se refiere al análisis de datos históricos cuando escribe exploración de datos.

En esto, la diferencia es obvia, lo histórico se refiere a lo que se ha estado haciendo hasta el presente: análisis de diagnóstico.

El predictivo tiene como objetivo mirar en el futuro con base en el análisis histórico o en ciertos supuestos: análisis predictivo / estimativo

Esta es una buena pregunta, pero debes ir más allá.

¿Por qué necesitas exploración de datos? … y como lo haces, ¿cuál es el propósito de la analítica predictiva?

Cuando lo piensa, todo conduce a una sola respuesta: analiza los datos para aprender algo sobre la realidad y desea que ese conocimiento tenga una mayor confianza en su capacidad para tomar decisiones sobre el futuro.

Todos los análisis son sobre predicción, pero algunos no requieren ningún modelo estadístico.

En pocas palabras, describiría el análisis de datos en 3 categorías amplias: análisis descriptivo (visualización y exploración), análisis predictivo (pronóstico y predicción) y análisis prescriptivo (análisis de decisión). Estas 3 amplias categorías tienen una cierta interacción entre ellas. Medita sobre esto y creo que obtendrás un pensamiento más sólido sobre esto. La respuesta de John Erickson a How is MS in Data Analytics de George Mason University?