Acelere el análisis de datos para tomar mejores decisiones con la analítica predictiva.

Definición

¿Qué es la analítica predictiva?

La analítica predictiva es una ramificación de la analítica avanzada que hace predicciones sobre resultados futuros utilizando datos históricos combinados con modelos estadísticos, técnicas de minería de datos y machine learning. Las empresas utilizan la analítica predictiva con el fin de encontrar patrones en estos datos para identificar riesgos y oportunidades.

La analítica predictiva a menudo se asocia con big data y ciencia de datos. Actualmente, las empresas trabajan con grandes cantidades de datos que residen en bases de datos transaccionales, archivos de registro de equipos, imágenes, videos, sensores u otras fuentes de datos. Para obtener insights a partir de estos datos, los científicos de datos utilizan deep learning y algoritmos de machine learning para encontrar patrones y hacer predicciones sobre eventos futuros. Estos incluyen regresión lineal y no lineal, redes neuronales, máquinas vectoriales de soporte y árboles de decisión. Los aprendizajes obtenidos a través de la analítica predictiva se pueden utilizar en la analítica prescriptiva para impulsar acciones basadas en insights predictivos.

IBM ofrece un conjunto de herramientas de software para ayudarle a crear modelos predictivos escalables de forma más fácil y rápida. Estas herramientas también pueden utilizarse en IBM Cloud Pak® for Data, una plataforma contenedorizada de datos e IA que le permite crear y ejecutar modelos en cualquier nube y entorno local.

Ventajas

Una plataforma flexible para crear modelos predictivos

Escalabilidad

Automatice tareas de ciencia e ingeniería de datos. Entrene, pruebe e implemente modelos sin interrupciones en varias aplicaciones empresariales. Amplíe las funciones de ciencia de datos comunes en entornos híbridos multinube.

Velocidad

Aproveche las aplicaciones preintegradas y los modelos preentrenados. Ayude a los equipos empresariales y de ciencia de datos a colaborar y agilice la creación de modelos con el software innovador y de código abierto de IBM.

Simplicidad

Utilice una plataforma central para gestionar todo el ciclo de vida de la ciencia de datos. Estandarice procesos de desarrollo e implementación. Cree una infraestructura única para la gestión de datos y la seguridad en toda la organización.

Herramientas de analítica predictiva de IBM

Plataforma de ciencia de datos

IBM Watson® Studio ayuda a poner la IA en funcionamiento al proporcionar las herramientas para preparar datos y crear modelos en cualquier lugar utilizando código fuente abierto o modelado visual.

Software de análisis estadístico

IBM® SPSS® Statistics está diseñado para resolver problemas empresariales y de investigación utilizando análisis bajo demanda, pruebas de hipótesis, análisis geoespacial y analítica predictiva.

Herramienta de modelado visual

IBM SPSS Modeler puede ayudarle a aprovechar los activos de datos y las aplicaciones modernas con algoritmos y modelos completos listos para su uso inmediato.

Soluciones de optimización de decisiones

IBM Decision Optimization optimiza los resultados al ofrecer funciones de analítica prescriptiva para aumentar los insights predictivos que se obtienen de los modelos de machine learning.

Ejemplos de analítica predictiva

Vea casos de uso por industria

Banca

Los servicios financieros utilizan machine learning y las herramientas cuantitativas para predecir el riesgo crediticio y detectar fraudes.

Cuidado de la salud

La analítica predictiva en el cuidado de la salud se utiliza para detectar y gestionar el cuidado de pacientes con enfermedades crónicas.

Recursos humanos (RR. HH.)

Los equipos de RR. HH. utilizan la analítica predictiva para identificar y contratar empleados, determinar los mercados laborales y predecir el nivel de rendimiento de un empleado.

Marketing y ventas

La analítica predictiva se puede utilizar para campañas de marketing en todo el ciclo de vida del cliente y en estrategias de venta cruzada.

Comercio minorista

Los minoristas utilizan la analítica predictiva para identificar recomendaciones de productos, predecir ventas, analizar mercados y gestionar el inventario por temporadas.

Cadena de suministro

Las empresas utilizan la analítica predictiva para hacer que la gestión del inventario sea más eficiente, lo que ayuda a satisfacer la demanda mientras se reduce el stock.

Descubra más acerca de la analítica predictiva

Tipos de modelo y más

Tipos de modelado predictivo

Los equipos de analítica y ciencia de datos utilizan tres tipos de modelos predictivos: el modelado predictivo, el modelado descriptivo y el modelado de toma de decisiones.

Modelado predictivo
El modelado predictivo utiliza estadísticas para predecir resultados. El objetivo es estudiar la probabilidad de que una unidad similar en una muestra diferente muestre un rendimiento similar. El modelado predictivo se puede utilizar para predecir el comportamiento de un cliente, así como su riesgo crediticio.

Modelado descriptivo
El modelado descriptivo describe las relaciones dentro de un conjunto de datos determinado y se utiliza principalmente para clasificar clientes o posibles clientes en grupos para fines de segmentación. Este tipo de modelado se centra en la identificación de diferentes relaciones entre clientes y productos, por ejemplo, por preferencias de productos y grupo etario.

Modelado de toma de decisiones
El modelado de toma de decisiones describe la relación entre los elementos de una decisión, como los datos, la decisión y los resultados previstos, para predecir los resultados. Este tipo se puede utilizar para maximizar ciertos resultados mientras se minimizan otros.

Modelos populares de analítica predictiva

Los modelos de analítica predictiva están diseñados para evaluar datos históricos, descubrir patrones, observar tendencias y utilizar esa información para predecir tendencias futuras. Los modelos de analítica predictiva populares incluyen la clasificación, la agrupación, la predicción, los valores atípicos y las series temporales, que se describen en detalle a continuación.

Modelos de clasificación
Los modelos de clasificación se categorizan en modelos supervisados de machine learning. Colocan datos en categorías basadas en conclusiones obtenidas de los datos históricos. Este modelo se utiliza habitualmente para responder a preguntas con salidas binarias, por ejemplo, responder sí o no o verdadero y falso. Los tipos de modelos de clasificación incluyen regresión logística, árboles de decisión, bosque aleatorio, redes neuronales y Naïve Bayes.

Modelos de agrupación en clúster
Los modelos de agrupación en clúster se clasifican como aprendizaje no supervisado. Agrupan los datos con base en atributos similares. Por ejemplo, un sitio de comercio electrónico puede utilizar este modelo para separar a los clientes en grupos similares basándose en características comunes y desarrollar estrategias de marketing para cada grupo. Los algoritmos de agrupación en clúster comunes incluyen la agrupación con k-medias, la agrupación de desplazamiento medio, la agrupación espacial basada en densidad de aplicaciones con ruido (DBSCAN), la agrupación de maximización de expectativas (EM) utilizando Gaussian Mixture Models (GMM), y la agrupación jerárquica.

Modelos de predicción
Los modelos de predicción utilizan la predicción del valor de métrica, estimando el valor numérico para los nuevos datos basándose en las tendencias de los datos históricos. Por ejemplo, un centro de llamadas puede utilizar este modelo para pronosticar cuántas llamadas recibirá por hora. Las series temporales y los modelos econométricos serían ejemplos de modelos de predicción.

Modelos de valores atípicos
Los modelos de valores atípicos abordan entradas de datos anómalas en un conjunto de datos. Por ejemplo, las compañías de seguros pueden utilizar este tipo en la detección de fraudes para señalar datos anómalos en una lista de transacciones. Algunos métodos populares para la detección de valores atípicos incluyen análisis de valores extremos, modelado probabilístico y estadístico, regresión lineal, modelado basado en proximidad y modelado de teoría de la información.

Modelos de series temporales
Los modelos de series temporales emplean una secuencia de puntos de datos utilizando el tiempo como parámetro de entrada. Puede considerar el último año de datos, calcular una métrica numérica y utilizar esa métrica para predecir tres a seis semanas de datos. Por ejemplo, un hospital puede utilizar este modelo para predecir la capacidad de la sala de emergencias con base en el número de pacientes que se presentaron en las últimas seis semanas.

Proceso de analítica predictiva

La analítica predictiva comienza con un objetivo empresarial, como reducir pérdidas, ahorrar tiempo o disminuir costos. El proceso utiliza modelos para aprovechar grandes conjuntos de datos para generar resultados que apoyen ese objetivo.

Por ejemplo, el proceso de analítica predictiva para predecir los ingresos por ventas sigue estos pasos básicos.

  1. Importe datos de una variedad de fuentes. Estas fuentes de datos incluyen ventas de productos, presupuestos de marketing y PIB nacional.
  2. Limpie los datos eliminando los valores atípicos (es decir, picos de datos, datos que faltan) y agregando otros. Se podría utilizar una sola tabla para agregar diferentes tipos de datos, como ventas de productos, presupuestos de marketing y PIB nacional.
  3. Desarrolle un modelo predictivo que se adecúe. Por ejemplo, las redes neuronales podrían utilizarse para crear y entrenar un modelo predictivo para la predicción de ingresos.
  4. Implemente el modelo en un entorno de producción, donde se puede acceder a él a través de otras aplicaciones.

Implementación de un programa de analítica predictiva

El uso de la analítica predictiva es un hito clave en su camino hacia la analítica, un punto de confluencia en el que el análisis estadístico clásico se reúne con el nuevo mundo de la inteligencia artificial (IA). La convergencia sin precedentes de herramientas intuitivas, nuevas técnicas predictivas y modelos de implementación de nube híbrida, hacen que la analítica predictiva y la modelación sean más accesibles que nunca. Por primera vez, las organizaciones de todos los tamaños pueden tener las herramientas para incluir la analítica predictiva en sus procesos de negocio y aprovechar la IA a escala.

Cambiar a un programa de ciencia de datos empresarial puede ofrecer ventajas competitivas significativas. Los pasos comunes hacia este cambio son:

Etapa 1: Cómo empezar

Cuando una empresa comienza a desarrollar sus funcionalidades de ciencia de datos, suele empezar con proyectos bajo demanda, como crear modelos para responder preguntas específicas o el soporte de proyectos de investigación. Con soluciones como IBM Watson Studio Desktop, los científicos de datos pueden trabajar continuamente en sus propias computadoras y sincronizarse con un equipo más amplio cuando sea necesario.

Etapa 2: Aumento de la adopción

A medida que la ciencia de datos se adopta de forma más amplia en la empresa, los diferentes departamentos necesitan implementar sus modelos, conectarlos a fuentes de datos e integrarlos en aplicaciones de producción. IBM Watson Studio e IBM Watson Machine Learning facilitan la colaboración de los equipos de los departamentos de TI y ciencia de datos en el ciclo de vida completo.

Etapa 3: Adopción a escala empresarial

Una vez que la IA está integrada en procesos críticos de negocio, las organizaciones deben crear una plataforma central para gestionar y controlar los modelos y los datos. IBM Cloud Pak for Data puede proporcionar la infraestructura y las herramientas necesarias para una plataforma integral y multinube que actúe como un único punto de control.

Obtenga experiencia práctica

Patrones de código y tutoriales

Cree e implemente un modelo de puntuación para predecir las fallas en la frecuencia cardíaca

Prevea la falla de equipos utilizando datos de sensores de IoT

Analice conjuntos de datos médicos abiertos para obtener insights

Perfile y refina datos en bruto para el análisis predictivo

Cree un algoritmo de puntuación

Empiece a usar

Empiece su ruta hacia la analítica predictiva