Esta pregunta surge con frecuencia, generalmente en el contexto de ‘¿cómo puede predecir el futuro! ¡nadie puede predecirlo! ‘.
Dado que su pregunta no es específica, en primer lugar debe comprender que el análisis predictivo no es una bola de cristal, es simplemente una extensión del antiguo edicto “lo que suceda volverá a suceder”. Esto ahora está alcanzando cada vez más importancia, ya que ahora estamos combinando la confluencia de una gran potencia de servidor basada en la nube barata, grandes cantidades de datos recopilados y un gran software disponible libremente, los 3 de los cuales han llegado a un punto en el que ahora son asequibles incluso por pequeños -medio empresas para ejecutar ejercicios y construir sus configuraciones.
Configuraciones analíticas predictivas: comenzar con el almacenamiento de datos de una manera que pueda ser rápidamente digerida por algoritmos predictivos ejecutados por software predictivo, la limpieza y precisión y el tamaño de la muestra, y el tipo de modelo predictivo utilizado, si se planificó correctamente, le dará una respuesta en forma de “una tendencia y una probabilidad de repetición”. Por experiencia, esto no solo es exacto, sino que tiende a ser más preciso de lo que predecirán los gerentes más experimentados de la empresa .
- ¿Cuánto tiempo durará la exageración de la ciencia de datos antes de que se sature? ¿Y cuál podría ser la próxima tendencia?
- ¿Qué es el análisis de sentimientos de Twitter?
- ¿Cuáles son los casos de uso típicos para diferentes algoritmos de aprendizaje automático? Por ejemplo, ¿en qué condiciones típicas uno preferiría usar uno sobre el otro sin haber probado la precisión del aprendizaje?
- ¿Por qué debería usar PIG en Big Data?
- Si necesito aprender ciencia de datos, ¿qué puedo aprender en el primer paso o de la A a la Z?
En las empresas para las que trabajé, esto no es ciencia ficción: es tanto el día a día y la precisión comprobada y dada por sentado que los resultados de los modelos predictivos, cuando los ejecutamos a principios de año, formarán el punto de referencia contra que la empresa juzgará su negocio a medida que avance el año.
Para darle ejemplos prácticos, el modelado predictivo se usa para estimar, por ejemplo, la cantidad de sms que se enviarán en un festival en particular, para asegurarse de que se configuren suficientes torres repetidoras para que la red no se obstruya. Los modelos están diseñados para predecir la probabilidad de que un comprador sea un estafador, o incluso para calcular el tiempo estimado de recuperación para el negocio normal cuando, por ejemplo, ocurre una huelga que detiene un centro de distribución, y así sucesivamente.
Los modelos predictivos, especialmente en compañías tecnológicas pesadas, se usan en todas partes y todo el tiempo, como una herramienta para ayudar a los analistas y gerentes a dar el siguiente paso correcto y también como ‘el punto de referencia’ para ver cómo va la compañía.
Por último, la industria misma se está moviendo a sistemas automatizados cada vez más avanzados, generalmente bajo el paraguas de ‘Machine Learning’, donde los datos que ingresan y las respuestas que fluyen se introducen en un sistema que mejora a medida que se ingresan más datos, y Cuantas más variables se agreguen a la ecuación, una constante agitación de los datos para encontrar nuevas conexiones y probabilidades, que una persona no sería físicamente capaz de deducir con solo mirar los números solos.
Por lo tanto, las configuraciones que se usan del modelado predictivo también se usan en otros tipos de modelado de datos, lo que lo convierte en una herramienta extremadamente poderosa para encontrar complejidades en el negocio que las personas no habrían pensado. Por ejemplo, una configuración de Machine Learning (ML) podría determinar que un área particular de una ciudad es más propensa a problemas con paquetes perdidos, pero solo durante los días de semana y solo, por ejemplo, artículos pequeños; esto a su vez señaló a un cartero deshonesto en el área. Dada la gran cantidad de entregas, esto no habría sido atrapado solo con un ojo humano, y tenga en cuenta que esto se hace comparando un área con otra, para un país entero de una vez, y así sucesivamente.
Esperaba que esto te ayudara más a comprender la practicidad de la analítica predictiva.
Gracias
Simon
