Business Analytics
Business Analytics
El análisis y data science representan un campo interdisciplinario de procesos y sistemas, capaz de extraer insights y conocimientos de diferentes formatos de datos.
Esta extracción de insights de datos es cada vez más importante para complementar el análisis descriptivo, representado por los proyectos tradicionales de Business Intelligence.
A través de los insights ocultos en los datos, podemos predecir eventos y, en consecuencia, actuar de manera oportuna.
¿Qué patrones se ocultan en los datos de mi organización?
¿Cómo agrupan mis clientes?
¿Qué tipo de perfiles tienen mis clientes?
¿Cómo puedo clasificar nuevos datos y ejemplos según los ya clasificados en el pasado?
¿Cuál es el nivel de riesgo de un nuevo cliente?
¿Qué puedo hacer para aumentar el uso de mis datos?
¿Qué conocimiento puedo extraer de mis datos?
Knowledge Discovery
Predictive Analytics
Predictive Modeling
Classificadores
Regressão
Ensemble
Ferramentas
Soluciones Business Analytics
Capacidad para identificar patrones ocultos en los datos.
Normalmente agrupando los datos o a través de asociaciones, podemos descubrir comportamientos en los datos que nos permiten caracterizarlos.
Algunos enfoques típicos son:
- Clustering
- Association rules
- Visualization
- Text mining
Predictive Analytics cubre un conjunto variado de técnicas estadísticas de modelado predictivo, machine learning e data mining, que analizan hechos históricos y, de acuerdo con ellos, pueden predecir situaciones futuras.
Utilizando el modelado predictivo podemos aprender de acuerdo con los criterios de decisión, lo que nos permite clasificar nuevos ejemplos que hasta entonces eran desconocidos.
En el campo del modelado predictivo tenemos esencialmente dos tipos de enfoque predictivo:
– si lo que queremos predecir se caracteriza de una manera continua tenemos un problema de Estimación (regresión).
– si lo que queremos predecir es categórico, tenemos un problema de Classification (clasificación).
La forma de operar es proporcionar al modelo un conjunto de datos de ejemplo, previamente clasificados con sus respuestas, para poder crear un clasificador.
Una vez desarrollado este componente, podemos decir que nuestro modelo está “entrenado” y por lo tanto podemos darle como input, nuevos ejemplos no clasificados, para que intente clasificarlos correctamente.
Para clasificar correctamente los datos de input, es necesario elegir un clasificador adaptado al problema y a los datos disponibles.
Para ello hay un conjunto relativamente amplio de clasificadores, algunos más académicos que otros, que deben combinarse para obtener el mejor resultado posible:
- Naïve Bayes
- Instance Based
- Decision Trees
- Neural Networks
En muchas situaciones es necesario que el outcome que estamos tratando de lograr se exprese de una manera básica y no categórica, como un precio, un valor o una edad.
Para estos casos no podemos utilizar clasificadores que solo operan en clases de valor y necesitamos usar diferentes enfoques como:
- Linear Regression
- Support Vector Machines
Con el fin de lograr una buena prestación de los clasificadores, hay un conjunto de enfoques capaces de utilizar diferentes clasificadores, permitiendo la creación de un sistema de votación con el fin de obtener un mejor rendimiento.
Algunos de los métodos utilizados son:
- MajorityVoting
- Bagging
- RandomForests
- Stacking
Para poder utilizar la capacidad de estos algoritmos, existen herramientas que permiten aplicarlos sobre los datos y generar resultados en consecuencia.
Es frecuente el uso de lenguajes de programación como Python y R que, a través de sus API, proporcionan la posibilidad de utilizar estos algoritmos y aplicarlos sobre los datos, con optimos resultados de performance.
