¿Cuáles son algunos ejemplos del mundo real de análisis predictivo?

Las grandes empresas de comercio electrónico están absolutamente repletas de análisis predictivos. Vuelva a abrir Amazon y eche un vistazo al sitio. Un gran, gran porcentaje del espacio de la pantalla está dedicado a productos “recomendados”, y cada área de recomendación es un algoritmo predictivo ligeramente diferente basado en datos diferentes.

Por ejemplo, el banner superior de la página de inicio está claramente dirigido a mí como hombre.

Inmediatamente debajo de eso, verá “Más elementos a tener en cuenta” e “Inspirado por sus tendencias de compra”. Ambos son predictivos basados ​​en:

1. Hice clic en un enlace a un punto de acceso wifi / combo de almacenamiento hace unos días … así que me muestran todas esas opciones en la primera sección.
2. Compré seis libros ayer … ¡así que me venderán más libros en la segunda sección!

Pero eso solo está rascando la superficie. Echa un vistazo a estas capturas de pantalla y mira el número de recomendaciones predictivas basadas en mi comportamiento de compra anterior (ni siquiera estoy saliendo de la página de inicio de Amazon, solo desplazándome hacia abajo).

Lo sigue y sigue. El análisis predictivo de Amazon aquí realmente debe estar imprimiendo dinero para ellos, porque este es un espacio de pantalla increíblemente valioso …

Moneyball, un enfoque para la toma de decisiones

Todo entusiasta de Analytics debería ver la película Moneyball (2011) . Esta película es de hecho una de las mejores películas que he visto durante mucho tiempo y muestra la aplicación de análisis y estadísticas. Aquí hay algo sobre el resumen de la trama que IMDB tiene que decir sobre Moneyball.
“El gerente general de Oakland A, Billy Beane, es discapacitado con la restricción salarial más baja en el béisbol. Si alguna vez quiere ganar la Serie Mundial, Billy debe encontrar una ventaja competitiva. Billy está a punto de volverse loco cuando usa datos estadísticos para analizar y valorar a los jugadores que elige para el equipo “.
Lo que sucede después es la historia. Los A de Oakland recordarían 2002, por haber establecido un récord de la Liga Americana de ganar 20 juegos consecutivos entre el 13 de agosto y el 4 de septiembre de 2002. La película termina con Bill Beane pasando la oportunidad de convertirse en el gerente general de los Medias Rojas de Boston, a pesar de una oferta de $ 12.5 M, lo que lo habría convertido en el gerente general mejor pagado de la historia del béisbol. Lo que es notable es que los Medias Rojas ganaron la Serie Mundial en 2004, utilizando las mismas teorías que Beane fue pionera. Moneyball seguramente ha tenido un gran impacto en el béisbol ya que el término en sí mismo ha entrado en el léxico del béisbol.

Una publicación bastante reciente en http://www.b-eye-network.com también publicita el uso de análisis en el mundo de la NFL. La más famosa de esas historias es la historia de los Patriots y su uso de análisis en la redacción de su equipo y hacer jugadas ganadoras en el campo, en función de quién es su oponente, dónde juegan y cuáles son las condiciones en un día en particular. Todos los deportes usan análisis de una forma u otra para obtener una ventaja competitiva sobre sus oponentes. Uno ya no puede confiar solo en la habilidad, el espíritu y el instinto para ganar juegos en estos días, cada entrenador y gerente necesita más que eso para hacer jugadas ganadoras.
Esto me hizo pensar en las áreas en las que Moneyball se puede utilizar mejor para evaluar los recursos que uno tiene y crear un equipo ganador, no solo confiando en la reputación, la experiencia y la intuición, sino utilizando el análisis para respaldar su decisión.

Moneyball en reclutamiento

Pregunte a cualquier agencia de reclutamiento bien calificada, cuáles serían sus próximos pasos, si tuvieran que construir un equipo desde cero para entregar un proyecto gigantesco de alto riesgo. Uno no se sorprendería por el enfoque que podrían adoptar aquí, incluso en el mundo de hoy. Todavía seguirían verificando cuáles son los requisitos (Roles, Responsabilidades y Nivel de experiencia) y buscarán personas en el mercado abierto para satisfacer esas necesidades.
Todavía no he visto un enfoque de Moneyball implementado en el mundo del reclutamiento, donde la agencia consideraría todos los diferentes factores necesarios para que el proyecto sea un éxito (objetivo final) y salga con un equipo, que es el más adecuado para entregar el proyecto. . Algunos podrían argumentar que usar el principio de Moneyball simplemente no es posible aquí. Los datos disponibles en el mundo de los deportes son mucho más refinados, auténticos y confiables que los datos disponibles en el mundo del reclutamiento. Cada juego se registra y los resultados están prácticamente disponibles para que todos los entrenadores los analicen. Las fortalezas y debilidades de cada jugador están disponibles al alcance de cada gerente de equipo. Perfiles de usuario, sus registros de rendimiento actuales e históricos, y en la mayoría de los casos, incluso su información personal está fácilmente disponible.
¿Es lo mismo cierto en el mundo de la contratación de TI? Los currículums son como la web 2.0, con contenido completamente generado por el usuario y no tiene más opción que confiar en él. ¿Hay alguna forma de validar estos datos para su autenticidad? Las referencias, las verificaciones de antecedentes y las entrevistas solo evalúan las fortalezas técnicas / interpersonales. ¿Cuán útiles son sus resultados para obtener una respuesta como “Este consultor funcionará bien en un equipo y se desempeñará excepcionalmente bien en un proyecto estresante de alto riesgo para que sea un gran éxito?
¿Los datos disponibles públicamente, combinados con factores internos y externos arrojan un rayo de esperanza aquí? ¡Sí podría! Vea una visión de alto nivel, uno de los casos de uso en los que estamos trabajando internamente actualmente:

¿Hay alguna forma en que un motor consuma toda la información disponible en el mundo de las redes sociales, los resultados de las entrevistas, las verificaciones de antecedentes y la información del currículum? ¿Procesa la salida con los factores de éxito necesarios para un compromiso exitoso y las diferentes dinámicas del cliente para salir con un equipo ganador (MONEYBALL)?

Moneyball en Ciencias de la Vida

Las áreas de aplicación aquí son inmensas. Permítanme citar un ejemplo de uno de un caso de uso reciente sobre el sistema de identificación del líder de opinión clave. Los líderes de opinión clave (KOL) son los médicos más influyentes que son los objetivos principales de muchas compañías farmacéuticas. Dichas compañías invitan a los KOL a conferencias y eventos de oratoria para establecer contactos con otros KOL y discutir sobre sus medicamentos. El mayor desafío aquí es identificar los KOL más influyentes en función de una serie de parámetros internos / externos, el rendimiento y su mapa de influencia general en el mundo farmacéutico. Se obtienen datos extensos sobre estos KOL tanto de sistemas internos como de proveedores de datos externos. Se implementan amplias soluciones de informes utilizando estos datos para generar listas de KOL que satisfacen las necesidades muy específicas que tiene un evento o conferencia.
El proceso utilizado por tales compañías farmacéuticas para preseleccionar los KOL seguramente puede usar los algoritmos subyacentes o el proceso de análisis estadístico que utiliza el enfoque de Moneyball. Muchas empresas todavía consideran esto como un problema de BI y tratan de resolverlo utilizando técnicas de BI tradicionales. Esto seguramente es mucho más que otro problema de BI.

¿Qué podemos aprender aquí?

Hay mucho que aprender de los ejemplos anteriores. Toda organización o empresa que quiera obtener una ventaja competitiva significativa debe aprovechar al máximo el potencial de la analítica. Para obtener una ventaja sobre su competencia en cualquier campo, uno no debe confiar solo en los parámetros como la experiencia y el instinto. Uno necesita usar análisis para evaluar los recursos disponibles y las mejores formas de implementar estrategias para una gran victoria. ¿Lo anterior garantiza una victoria? No, pero seguramente aumenta la probabilidad de una victoria.
Por último, para aquellos que aún no han visto el Moneyball, ve a verlo. Si eres nuevo en Business Intelligence and Analytics, esta película seguramente puede influir en ti.

cortesía: @Page en saama.com

Emerald Logic. Predijimos la aparición de la enfermedad de Alzheimer en sujetos de prueba, con mucha antelación, con una precisión superior al 90%, utilizando marcadores sanguíneos. Vea un proyecto relacionado en el artículo de noticias

El equipo del proyecto EMBERS que trabaja en Virginia Tech ha tenido éxito en pronosticar disturbios civiles en América Latina durante los últimos dos años, con un tiempo de entrega promedio de alrededor de 7 días. Utiliza big data y análisis de texto para hacer su pronóstico. Es fascinante cómo todo se une. Lea la historia aquí: http://www.basistech.com/predict …

Los eventos clave pronosticados por EMBERS desde el inicio del proyecto incluyen protestas después de la destitución del presidente de Paraguay (mayo de 2012), la “Primavera brasileña” (junio de 2013), brotes de hantavirus en Argentina y Chile (2013), protestas violentas lideradas por estudiantes venezolanos (febrero de 2014 ) y elecciones presidenciales en Panamá y Colombia (2014).

De hecho, hay una lista completa de aplicaciones de modelado predictivo en la vida real. Algunos de ellos son

Decisiones de crédito: los bancos han estado utilizando modelos predictivos o cuadros de mando para aprobar / rechazar tarjetas de crédito, préstamos personales, hipotecas, etc.

Modelo de venta cruzada / venta adicional: ¿A quién se le debe enviar un correo directo o solicitar una venta cruzada de un producto?

Retención / Desgaste de clientes: ¿Quién tiene mayores posibilidades de reducir el gasto / saldo en la cuenta bancaria? para que puedan ser contactados para el programa de retención. Aplicaciones similares para clientes de telecomunicaciones o minoristas.

Lea los Blogs de ciencia de datos e información: DnI Institute construye datos y experiencia en la ciencia de decisiones

Una compañía con la que trabajé había usado PA para determinar de manera efectiva qué clientes se saltearían su contrato de servicios de entretenimiento mensuales.

Lo que más me sorprende son los extraños descubrimientos que la AP puede producir. Curiosamente, la determinación anterior se correlacionó (en parte) con qué paquete ordenó la persona. Ciertos paquetes simplemente fallaron mucho más a menudo con poca rima o razón.

Aquí hay otros descubrimientos extraños:

• Los automóviles de color naranja están mejor cuidados que los automóviles de otros colores.
• La forma en que una persona escribe puede determinar su riesgo de crédito
• Es más probable que realice ventas durante una luna nueva
• Llame cuando esté nevando, haga frío o esté húmedo y es más probable que obtenga una respuesta
• Las personas que ordenan comidas vegetarianas tienen menos probabilidades de perder sus vuelos
• Las películas que terminan en un número tienen calificaciones más bajas que las que no

Estos son extraños, pero los modelos predictivos no mienten.
Escribí más sobre esto y el impacto en las ventas en mi reciente publicación de blog:
Descubrimientos extraños = más ventas

• El análisis predictivo reúne capacidades analíticas avanzadas que abarcan análisis estadístico ad-hoc, modelado predictivo, minería de datos, análisis de texto, análisis de entidades, optimización, puntuación en tiempo real y aprendizaje automático.
• Estas herramientas ayudan a las organizaciones a descubrir patrones y tendencias en datos estructurados y no estructurados para que puedan ir más allá de saber lo que sucedió y anticipar lo que probablemente sucederá después.
• Las organizaciones empresariales, gubernamentales, de atención médica, académicas y sin fines de lucro pueden usar información predictiva para encontrar nuevas oportunidades, reducir riesgos y aumentar los ingresos.

Un ejemplo de uso de Predictive Analytics es:

Sistemas de recomendación para productos de viaje (por ejemplo, hoteles, vuelos, servicios auxiliares)

• Hay miles de combinaciones posibles de vuelos que conectan Los Ángeles y Nueva York, por ejemplo, y esta cifra rompe el techo al combinar posibles servicios.
• Pero, ¿qué soluciones y servicios de viaje son relevantes para un pasajero dado? ¿Qué hotel es el más adecuado para una pareja joven que acaba de reservar sus vuelos para las próximas vacaciones de verano?
• Los sistemas de recomendación proporcionan un valor beneficioso tanto para los usuarios como para los proveedores de viajes al proponer las opciones más valiosas y relevantes para los usuarios, al tiempo que maximizan los ingresos de los proveedores de viajes.
• El análisis predictivo ayuda a comprender mejor las necesidades de los usuarios y relaciona este conocimiento con los posibles productos y servicios.

En la escuela GreyAtom, alineamos la educación con la realidad . GreyAtom se enfoca en crear ingenieros de ciencia de datos de Full Stack y le brinda todas las herramientas, técnicas y conceptos básicos necesarios para lograr un impacto. En solo 14 semanas, aplicará la resolución de problemas y el pensamiento creativo a conjuntos de datos del mundo real, ganando experiencia en toda la pila de ciencia de datos.

Tendrá un historial de contribuciones de código abierto y ayudará a la comunidad más amplia de ingeniería de software (a través de Github, StackOverflow, un blog o similar).

Puede consultar los detalles del curso haciendo clic en este enlace Full Stack Data Science Engineering | Greyatom

Los datos realmente impulsan todo lo que hacemos. Si le apasiona la ciencia de datos y quiere redefinir su carrera, visítenos en los programas in situ de GreyAtom: ciencia de datos, aprendizaje automático, Big Data

Creemos en “Datos reales – Industria real – Socios de reclutamiento reales – Real Office (Classroom)”

Descargo de responsabilidad: Soy el académico [protegido por correo electrónico] y mi pasión es ayudar a las personas a encontrar carreras sostenibles en Data Science.

Reducción del clima, motores de recomendación, calificación crediticia / aprobación de préstamos, propagación de enfermedades, filtrado de spam, detección de fraude

La redacción de la pregunta me intriga un poco. No se realizan análisis (predictivos) para un escenario hipotético. Todo el tiempo y los costos asignados para crear modelos de análisis predictivos tienen usos en el mundo real. Supongo que te referías a los usos cotidianos de la analítica predictiva. Estos son algunos de los ejemplos:

1. Clima: todo tipo de pronósticos meteorológicos: desde el día siguiente hasta el semanal o estacional se basa en un modelo de predicción complejo
2. Seguro: los valores de las primas de las pólizas de seguro de vida se basan en proyecciones de esperanza de vida, que se basan en modelos de supervivencia
3. Comercio: el comercio basado en algoritmos es una aplicación relativamente nueva de análisis predictivo en el que el científico de datos trata de predecir el aumento o la caída futuros del precio de las acciones para generar ingresos.
4. Atención médica: predecir las posibilidades de que una persona con una enfermedad conocida (por ejemplo, asma) termine en la UCI debido a cambios en las condiciones ambientales
5. Venta minorista: casi todas las organizaciones, grandes o pequeñas, utilizan el pronóstico de ventas para ajustar su producción y suministros para maximizar los ingresos.
6. Energía: en países donde los precios dinámicos están permitidos, las compañías de energía usan pronósticos del clima y estimaciones de demanda para administrar los precios de carga pico
7. Comercio electrónico: el espacio de comercio en línea utiliza algoritmos para predecir la probabilidad de compra de un artículo en función del comportamiento de navegación del usuario y la información demográfica
8. Correos electrónicos: los proveedores de correo electrónico utilizan algoritmos sofisticados para predecir la probabilidad de que un correo electrónico sea spam en función del uso de palabras específicas.
9. Elecciones estatales: los partidos políticos contratan agencias para predecir el porcentaje de votos en cada grupo de población y luego diseñan su campaña para aumentar su porcentaje de votos.

Se pueden pensar en muchos más ejemplos …

Aprovechar al máximo cualquier recurso se está volviendo fundamental para todas las estrategias comerciales. El análisis predictivo asegura que aproveches al máximo los datos y, por lo tanto, sabes lo que seguramente será lo mejor a pesar de ser ‘predictivo’. La predicción en sí tiene un nuevo significado ahora. Están surgiendo varios modelos estadísticos como series de tiempo, asociación, agrupación, correlación y regresión que deben ser entendidos por los empresarios para garantizar que sus decisiones tengan un impacto real. Excel se está convirtiendo rápidamente en una herramienta útil en este proceso, ya que sus características y complementos básicos le permiten realizar funciones estadísticas básicas que ayudan enormemente durante el análisis predictivo.

Si bien este análisis le brinda mucha información y presciencia, no es suficiente ya que tales ideas deben transformarse en acciones y decisiones de inmediato. Varios campos de marketing como el pronóstico de ventas, la retención de clientes y la segmentación de negocios seguramente pueden sufrir cambios de paradigma con análisis predictivos al frente de affa

Aquí hay algunos ejemplos, junto con qué hacer con la predicción:

• Predecir la falla de los activos para intervenir con el mantenimiento preventivo
• Predecir los niveles de pedido para determinar los números óptimos de reposición de existencias
• Predecir el uso de energía para informar las decisiones de planificación de capacidad
• Predecir la rotación de clientes para diseñar intervenciones para reducir el desgaste
• Predecir las preferencias del cliente en función de los datos demográficos o el comportamiento en línea para mostrar anuncios orientados

En Retail, el análisis predictivo ayuda a identificar a los clientes más rentables. Nos ayudará a identificar qué productos, las ofertas promocionales mejorarán las ventas y, por lo tanto, atraerán más a los clientes.

En la industria financiera, queremos minimizar el riesgo. El modelado predictivo se utiliza para la calificación crediticia, lo que ayuda a aumentar la rentabilidad del cliente.

En la personalización del sitio web, los motores de recomendación de contenido predicen con qué contenido se involucrarían más los visitantes.

La publicidad dirigida a la empresa utiliza análisis de contenido y aprendizaje automático para unir a los usuarios con los anuncios más relevantes para su industria, empresa u organización.

Pocos ejemplos son la detección y gestión de fallas en automóviles y aviación; todas las grandes empresas lo están utilizando. Las cadenas alimentarias como McDonald están utilizando para mejorar la experiencia del cliente. Todas las principales compañías web como Google, Facebook, Amazon, Ebay, etc., lo están utilizando para obtener información de los clientes sobre sus productos.

He encontrado algunos en este artículo. Puede ser interesante y aportar algo útil a esta transmisión: página en linkedin.com

Demanda de medios. Predecimos el tráfico en Google y lo escalamos al sitio web n. ° 15 en los EE. UU. Anterior a Panda, y todavía # 49 posterior a Panda. Primera salida a bolsa de $ 1B desde Google.

La analítica predictiva cambia las reglas del juego. Puede ayudar a evaluar la acción futura del cliente en función de los datos históricos. Algunos ejemplos incluyen una empresa de comercio electrónico que predice qué producto querría comprar un cliente en función de su comportamiento de compra en el sitio web.

Aquí hay un ejemplo de cómo Agile CRM permite que las empresas de comercio electrónico utilicen análisis predictivos para impulsar la automatización del marketing:

El análisis predictivo se puede utilizar en una amplia gama de campos. Un sitio web de viajes puede usar análisis predictivos para enviar campañas de correo electrónico a ofertas de hoteles e información de viajes en ubicaciones similares a las visitadas por el cliente. Un hotel puede ofrecer promociones y descuentos a un cliente en función de las preferencias de su habitación. Un servicio de alquiler de taxi puede crear campañas móviles basadas en las rutas preferidas de un cliente.

El análisis predictivo se utiliza para comprender la segmentación del cliente y la creación de perfiles de clientes. Esto permitirá un mejor perfil del producto y ayudará a apuntar a los clientes en compromisos específicos. Venturesity está llevando a cabo un taller de dos días sobre análisis que será muy útil para las personas que intentan comprender su base de clientes y su comportamiento.

Los ejemplos están en todas partes. Lo que pasa es que no nos damos cuenta. Usted nombra un escenario, y listo, hay un ejemplo de PA detrás de él.

a. Salud: predicción de epidemias, determinación de problemas de salud pública. por ejemplo, la probabilidad de que una persona sufra la misma dolencia nuevamente y la aprox. línea de tiempo

si. Seguridad y delincuencia: utilizando datos recopilados durante años por agencias de seguridad y utilizando algoritmos para predecir la propensión del próximo delito. Por ejemplo, la policía determina los puntos fuertes de la policía en eventos, lugares, etc.

do. Educación: utilizando los datos existentes sobre docentes y estudiantes, para predecir la capacidad de enseñanza, así como la afinidad de los estudiantes, las expectativas de rendimiento en el futuro.

re. Fabricación: predicción del tiempo medio entre fallas, pedidos de servicios y reparaciones antes de que ocurra el evento. Por ejemplo, motores de aeronaves y programas de mantenimiento.

mi. Social: Determinación de la compatibilidad de los individuos para la amistad, relación en ciertos parámetros. Facebook ha hecho algunas predicciones sorprendentes, por ejemplo, cuando dos amigos pasan de ser amigos a una relación.

F. Clima: Predicción de lluvias y pronósticos basados ​​en factores de viento, temperatura, latitud, día del año.

sol. Venta minorista: recomendaciones de compras por comercio electrónico y tarjetas de fidelización de grandes tiendas. Sucede todo el tiempo cuando visitamos los portales de comercio electrónico como Amazon, eBay, Macys, etc.

h. Entretenimiento: recomendaciones de YouTube, Netflix sobre qué ver a continuación.

yo. Literatura: Amazon sugiere títulos para comprar una vez que termine de leer un libro electrónico. Basado en los hábitos de lectura y navegación en la tienda Kindle.

j. Deportes: determinar la probabilidad de éxito de un atleta / equipo basándose en varios factores de correlación y causa-efecto

k. Tecnología de la información: analizar los patrones de uso de los usuarios de Internet y luego publicar los anuncios relevantes. por ejemplo, la Red de Display de Google que le ofrece anuncios en sus artículos buscados recientemente.