Curso
Introducción al análisis predictivo en Python
4 h
22.8K
La analítica predictiva es el motor que necesita una organización para mejorar la toma de decisiones, sea cual sea su función o sector. Además, implantar analítica predictiva ofrece una ventaja competitiva difícil de encontrar por otras vías.
En este artículo, explicamos qué es la analítica predictiva, vemos algunos ejemplos de uso y revisamos cómo funciona.
¿Qué es la analítica predictiva?
La analítica predictiva es un término paraguas que engloba distintas técnicas estadísticas y de análisis de datos, como el data mining, el modelado predictivo y el aprendizaje automático. Su objetivo principal es hacer predicciones sobre resultados, tendencias o eventos a partir de patrones e insights extraídos de datos históricos.
La analítica predictiva es la segunda de cuatro etapas de madurez analítica en una organización. Estas cuatro etapas, en orden, son:
- Analítica descriptiva: identificar qué ocurrió en el pasado
- Analítica diagnóstica: entender por qué ocurrió
- Analítica predictiva: predecir qué ocurrirá después
- Analítica prescriptiva: optimizar y experimentar cómo lograr el mejor resultado
Las organizaciones deben avanzar por estas etapas en este orden, ya que solo es posible predecir el futuro de forma eficaz entendiendo primero el pasado. Así, pasan de comprender qué pasó y por qué, a anticipar qué pasará. Una etapa adicional final implica sistemas analíticos plenamente optimizados y autónomos que aprenden de forma continua y llegan a ser, en la práctica, «inteligentes».
El modelado predictivo utiliza dos tipos de algoritmos de aprendizaje automático: supervisados y no supervisados. Los algoritmos supervisados se emplean para predecir un resultado objetivo y son la herramienta principal de la analítica predictiva.
Si quieres un paso a paso sobre cómo usar machine learning en analítica predictiva, echa un vistazo a nuestro tutorial de análisis de letras.
Hay dos tipos principales de algoritmos supervisados:
- Modelos de clasificación: se usan para predecir si las observaciones caerán en una categoría o clase concreta. Por ejemplo, predecir si un cliente hará churn o no. Entre las técnicas más comunes están los árboles de decisión y la regresión logística.
- Modelos de regresión: se usan para predecir un valor. Por ejemplo, estimar el CTR de un anuncio. Métodos habituales para este tipo de predicción son la regresión lineal y la regresión polinómica.
Por su parte, los algoritmos no supervisados no predicen resultados; buscan patrones en los datos para etiquetar o agrupar puntos de datos similares. Un ejemplo muy popular es el clustering k-means, donde puntos de datos similares, como clientes, se agrupan en clústeres.
La analítica predictiva también puede incluir otras técnicas estadísticas y de data mining para identificar tendencias actuales, hacer previsiones y anticipar resultados. Más adelante veremos ejemplos concretos de cómo pueden usarla las organizaciones.
Analítica prescriptiva vs. analítica predictiva
La analítica prescriptiva es la tercera etapa de madurez analítica y se construye sobre los modelos predictivos creados en la etapa anterior.
Mientras que la analítica predictiva nos dice por qué está ocurriendo algo y qué podría pasar después, en la analítica prescriptiva el foco está en optimizar y experimentar con los modelos ya construidos. Responde a tus preguntas de «qué pasaría si» y te permite avanzar con el mejor escenario posible, a partir de lo que aprendes al ejecutar experimentos y simulaciones.
Jeff Bezos, CEO de Amazon, dijo célebremente: «Nuestro éxito en Amazon es función de cuántos experimentos hacemos al año, al mes, a la semana, al día».
Experimentar en todas las fases de los procesos y proyectos analíticos es un requisito clave para que la analítica prescriptiva tenga éxito.
Ejemplos de analítica predictiva
La analítica predictiva convierte los datos en insights valiosos que pueden guiar e impulsar muchas áreas de una organización.
Aquí tienes solo algunos ejemplos de cómo aprovecharla:
Previsión de KPIs financieros
Prever métricas clave como ingresos, gastos e inventario permite tomar decisiones más eficaces e informadas basadas en hechos y datos, y no solo en la intuición.
Detección y reducción del fraude en banca
Una de las situaciones más costosas y dañinas para un banco es el fraude. La analítica predictiva ayuda a detectar anomalías y vulnerabilidades que pueden indicar actividades fraudulentas, para que la entidad actúe con rapidez.
Predecir si un cliente incumplirá un préstamo
Conceder préstamos conlleva riesgo para aseguradoras e instituciones financieras. Usar modelos predictivos para anticipar si un cliente tiene probabilidad de incumplir un préstamo es la mejor forma de reducir significativamente ese riesgo.
Predecir la rotación de empleados
La analítica predictiva puede mejorar la gestión de personas en tu organización al anticipar la rotación. Esto permite prever necesidades de contratación y acertar con el momento adecuado para incentivar al equipo.
Entender el comportamiento de compra del cliente
Las empresas pueden aumentar las ventas y las tasas de conversión al descubrir patrones detrás de las compras y entender los motivos de esos comportamientos. Puedes usar customer analytics y A/B testing en Python para analizar estos comportamientos.
Dirigir las campañas de marketing al público adecuado
Orientar los mensajes a los clientes correctos en el momento oportuno aumenta el CTR de los anuncios y las conversiones de las campañas en general. Para profundizar en la aplicación de la analítica predictiva al marketing, consulta el curso de DataCamp sobre predicción de churn de clientes en Python.
Reducir el desperdicio en fabricación
La analítica predictiva ayuda a entender los factores que influyen en el desperdicio en los procesos de fabricación para actuar donde más impacto tiene. Modelar estos factores puede traducirse en importantes ahorros de costes.
¿Cómo funciona la analítica predictiva?
Existen muchas herramientas de analítica predictiva. La elección depende del propósito del análisis: desde herramientas de inteligencia de negocio y visualización como Tableau y Power BI hasta lenguajes de programación como R y Python.
Para una introducción a la analítica predictiva en Python, consulta nuestro curso Introduction to Predictive Analytics in Python. Si ya dominas Python o tienes base en analítica predictiva, puedes pasar al curso Intermediate Predictive Analytics in Python.
La mayoría de proyectos de analítica predictiva siguen flujos y procesos similares. En esta sección repasamos los pasos más habituales.
Objetivo
Todo proyecto debe arrancar entendiendo el objetivo, identificando el problema y eligiendo la mejor solución.
Estos proyectos buscan ayudar a la organización a cumplir sus objetivos estratégicos. Cuando el objetivo del proyecto se alinea con una prioridad clave, es más probable conseguir apoyo a todos los niveles implicados. Así te aseguras de que el proyecto sea valioso y tenga éxito.
Una vez definido el objetivo, surge de forma natural el problema a resolver y, con ello, la solución necesaria para alcanzarlo.
Datos
Los datos pueden venir de múltiples fuentes: archivos CSV, bases de datos, data warehouses y aplicaciones de terceros. Si no lo has hecho ya, conviene consolidarlos y gestionarlos en un repositorio central antes de usarlos para analítica y modelado predictivo. Así garantizas seguridad, calidad y buen gobierno del dato.
Como dice el dicho en analítica de datos: «basura que entra, basura que sale». Evita almacenar todos tus datos en hojas de cálculo. Aunque son flexibles, se editan y comparten con facilidad, sin control sobre la calidad ni la seguridad de la información.
Además, valora el volumen de datos que tienes o quieres generar a futuro. Sin sistemas y procesos adecuados para manejar grandes volúmenes, construir modelos predictivos puede volverse innecesariamente lento e ineficaz para los problemas que deben resolver.
Transformación
La fase de transformación consiste en limpiar, explorar y preparar los datos para el análisis o el modelo que vendrá después.
Al limpiar, busca valores ausentes y outliers o valores sospechosos que no tengan sentido en el contexto del problema. Este paso va de la mano de la exploración, ya que al explorar entiendes mejor los datos y las anomalías saltan a la vista.
Por último, hay que preparar los datos para el siguiente paso. El proceso exacto depende del algoritmo y del tipo de análisis a realizar.
Por ejemplo, si vas a ajustar un modelo de regresión lineal para predecir el CTR de una campaña, debes considerar los supuestos de la regresión lineal y comprobar si los datos los cumplen. También tendrás que convertir variables categóricas en variables ficticias, lo que se conoce como one-hot encoding.
Antes de construir el modelo, asegúrate de dividir los datos en conjuntos de entrenamiento, validación y prueba. Ajustas el modelo con el conjunto de entrenamiento, donde aprende los patrones para predecir. Además, necesitas un conjunto de validación para iterar y mejorar el modelo y, por último, obtener una estimación final e imparcial de su precisión con el conjunto de prueba.
Análisis
Si construyes un modelo con un algoritmo supervisado relativamente sencillo, como la regresión logística, este paso consistirá en ajustar el modelo y evaluar los resultados. En cambio, algunos algoritmos complejos, como las redes neuronales, requieren una afinación y ajustes cuidadosos para lograr predicciones precisas.
Ten presente que muchos modelos predictivos necesitan grandes volúmenes de datos para generalizar bien al mundo real. Si aún no cuentas con esos volúmenes, valora otras técnicas que te permitan hacer previsiones o predicciones a menor escala. Dependerá también de tu objetivo y del problema de negocio que estás resolviendo, e incluye técnicas de data mining y métodos estadísticos diversos.
Despliegue
El último paso es el despliegue. Es el resultado final del proyecto y el canal por el que el modelo aportará valor a tu organización. Según el caso y la solución elegida, puede ir desde un informe o dashboard sencillo hasta integraciones complejas en plataformas existentes.
Valora si tu organización tiene el talento necesario para despliegues más complejos y así asegurar un proceso fluido y eficiente. Por ejemplo, contar al menos con 1 data engineer puede marcar la diferencia para llevar los modelos a producción con éxito.
Conclusión
La analítica, y la analítica predictiva en particular, ya no es patrimonio exclusivo de gigantes tecnológicos, grandes corporaciones o de un pequeño grupo dentro de una empresa. Hoy, organizaciones de todos los tamaños usan analítica, aplicable prácticamente a cualquier sector. Además, la analítica predictiva es una función distribuida y gestionada por equipos a lo largo de toda la organización.
La analítica predictiva puede ofrecer una ventaja competitiva enorme a casi cualquier organización. Eso sí, es fundamental entender bien los elementos que hacen que un proyecto de este tipo tenga éxito. Este artículo te ha guiado por la analítica predictiva, sus aplicaciones a problemas de negocio y el proceso que hay detrás de su funcionamiento.
