Análisis

Abra nuevas posibilidades con la analítica de previsión

single-image


Blog

La acumulación de datos no necesariamente agrega valor a su negocio; el valor real proviene de lo que hace una empresa con esa información. Uno de los usos más importantes de los datos es predecir el futuro. Sin embargo, esta puede ser una tarea hercúlea para muchas organizaciones, especialmente dada la gran cantidad de incógnitas que todas las industrias y nuestro caótico mundo conllevan. Aquí, el análisis del pronóstico puede cambiar el proceso de toma de decisiones de manera decisiva.

En un seminario web reciente, hablé sobre cómo uno de nuestros clientes, propietario de un teatro de espectáculos, utiliza el análisis predictivo. Organizar una actuación es una gran inversión: no solo existen costos operativos de alquiler, servicios públicos y salarios de los actores / equipos, sino también el costo de oportunidad de producir un fracaso comercial. En este caso de uso, existe una necesidad masiva de análisis de pronóstico. ¿Cómo utiliza un teatro los datos para tomar decisiones?

Decisiones de pronóstico basadas en datos

Para un teatro establecido con un registro histórico de espectáculos anteriores, el equipo de producción puede utilizar estos datos para tomar una decisión sobre el próximo espectáculo. ¿Cómo fue la participación en los espectáculos anteriores? ¿Cuándo va la gente a los espectáculos toda la semana? ¿Existe alguna estacionalidad en la participación? ¿Cuántas entradas se vendieron con descuento? Necesita toda esta información para comprender el comportamiento anterior y luego predecir lo que depara el futuro.

Sin embargo, a veces es abrumador para un humano interpretar la información (puede ser un gran conjunto de datos lleno de un montón de variables, los datos pueden cambiar constantemente, etc.). Esto hace que los datos sean un candidato perfecto para análisis predictivos impulsados ​​por una enorme potencia informática. Aquí es donde el uso del aprendizaje automático como parte de un programa de análisis predictivo puede ser muy efectivo.

Mejora del análisis de pronóstico con modelos de la competencia

Hay muchos modelos de pronóstico que se pueden usar para hacer predicciones. Cada uno de ellos se comporta de manera diferente; de ​​hecho, cada modelo de pronóstico puede comportarse de manera diferente para diferentes tipos de datos. Por lo tanto, cuando realiza una predicción, existe la mejor opción que puede brindar al usuario predicciones óptimas.

Comprender los matices de los modelos de pronóstico es un trabajo muy técnico. En lugar de que un usuario seleccione uno de los modelos manualmente, un sistema correctamente diseñado puede reunirlos a todos y crear lo que se conoce como un «conjunto». Esto crea un modelo de aprendizaje automático predictivo en el que los algoritmos predictivos se basan en datos históricos y comparan sus resultados con los reales. pasó a ver lo buenos que eran. Cada modelo de pronóstico recibe una evaluación. Luego, el sistema decide cuál de estos funciona mejor y en qué se debe basar el pronóstico en cuestión.

Con el modelo de aprendizaje automático predictivo, estamos Enseñe a nuestro algoritmo cómo predecir mejor. Y es increíblemente rápido: una máquina puede elegir cuatro modelos diferentes, ver su rendimiento y seleccionar el mejor en un milisegundo. Al mismo tiempo, los resultados de este proceso informan a la máquina sobre lo que funcionó y lo que no para que pueda optimizar las previsiones futuras para que la máquina pueda mejorar continuamente su fiabilidad.

Pronóstico con datos incompletos

Pero, ¿qué sucede si no tiene suficientes datos para crear un pronóstico inteligente basado en datos? Como dice el viejo refrán, «Dos puntos de datos no marcan una tendencia». Aquí debe recurrir a métodos cualitativos.

Volviendo a nuestro ejemplo de teatro, la falta de datos suficientes para tomar una decisión podría deberse a que un nuevo espectáculo o producción es completamente diferente a cualquier otro realizado anteriormente en el lugar, algo de Shakespeare. Si es así, es posible que deba confiar en las experiencias, perspectivas y opiniones de su equipo para tomar una decisión.

Si bien cualquiera de estas propiedades puede ser útil para hacer una predicción, tratar de limitar el sesgo de confirmación y el «pensamiento grupal» es de suma importancia. Una forma de hacerlo es implementar el Método Delphi, un proceso iterativo que recopila opiniones de expertos, anonimiza los resultados y solicita al panel que revise sus pensamientos en función de la información de la ronda anterior. El Método Delphi espera aprovechar la sabiduría de las masas y llegar a una solución óptima de una manera estructurada e iterativa.

¿Ha eliminado el aprendizaje automático de modelos predictivos escuchar su instinto?

En un pasado no muy lejano, muchas decisiones comerciales se tomaban por instinto. Un tomador de decisiones puede elegir la dirección del negocio, los productos que se lanzarán o los servicios ofrecidos basándose únicamente en la intuición. La revolución de los datos comenzó a cambiar eso al ayudar a proporcionar información procesable basada en datos históricos.

Un rápido estudio de la industria del transporte muestra este cambio. Antes de la llegada de las aplicaciones de tormenta de granizo, los taxistas tenían que confiar en su experiencia para decidir en qué parte de la ciudad buscar su próxima tarifa. Esta no fue una decisión basada en datos fuera de la experiencia personal del conductor. La ola de aplicaciones lo cambió todo, ya que los viajes compartidos históricos guiaron proactivamente a los conductores a las partes correctas de una ciudad en anticipación a la demanda.

Entonces, ¿debería confiar solo en los datos e ignorar por completo su instinto? ¿O tu intuición debería jugar un papel? En mi opinión, los mejores analistas no solo usan datos, sino que también conocen sus productos / industrias / clientes de adentro hacia afuera y pueden usar este contexto juntos. Estos analistas suelen tener una idea de cómo las diferentes variables se afectan entre sí y pueden usar los datos para confirmar sus suposiciones.

Sin embargo, es importante reconocer nuestros límites: las personas son parciales y tienen la tendencia a descartar o ser ciegas a la información que contradice nuestras creencias profundamente arraigadas o lo que ya hemos decidido. Aquí es importante que el analista confiado sea capaz de encontrar esta información contradictoria, mirarla y decir que su instinto estaba equivocado.

¿Por qué-los-datos-conducirán-la-revolución-del-automóvil-autónomo /

Inbar Shaham es Senior Product Manager en Sisense. Tiene 11 años de experiencia en gestión de productos y ha trabajado para Clarizen, Takadu e ICQ, entre otros.

Palabras clave: análisis avanzado | Caso de uso de análisis integrados

También te gustará