7 pasos para construir un Modelo Analítico Predictivo

El éxito de la construcción de un Modelo Analítico radica en su diseño, al igual que la construcción de cualquier proyecto tecnológico, el objetivo del diseño es evitar otro Proyecto “El Columpio” que se muestra en el siguiente gráfico.



El despliegue de recursos y esfuerzos tiene que estar enfocado y alineado entre todos los actores que participan del Proyecto en función de un objetivo único.


Trabajar en base a los siguientes 7 puntos permitirá que el Modelo Analítico pueda cumplir los estándares de ordenamiento y discriminación, y de esta manera garantizar los resultados en la gestión del Negocio.


  1. Definición del Problema

Esta es la parte más crítica de los procesos de Modelamiento y tiene que ver con la capacidad de traducir el problema de negocio a un lenguaje analítico. Estadísticamente es la definición de la variable dependiente (a explicar) a partir de las variables independientes (explicativas). Por ejemplo: Si el negocio requiere vender más autos de gama baja, la solución propuesta será un Modelo Analítico que indique la propensión de que los clientes acepten comprar un auto de gama baja en los siguientes 30 días después de hacerle una oferta.

  1. Selección de la Metodología

La metodología analítica depende de cómo se ha definido la variable dependiente (problema de negocio) y de la información disponible para el proceso de modelamiento, la mayoría de los Modelos de Propensión futura son definidos como una variable de respuesta éxito/fracaso. Por ejemplo las propensiones de aceptación de un producto, incumplimiento de un crédito, asistir a un establecimiento comercial, hacer un fraude, tener un siniestro, adquirir una enfermedad, pagar un crédito, etc. Este tipo de problemas usualmente son resueltos utilizando los Modelos de Regresión Lineal Generalizados (Regresión Logística).

  1. Muestreo y datos requeridos

La técnica de muestreo busca tener representatividad de la información disponible de manera que los resultados tengan un nivel confianza máximo y un margen de error mínimo con el tamaño de muestra óptimo. Por ejemplo: Si lo que interesa es evaluar la propensión de un cliente a aceptar un producto, la muestra debe considerar posibles estacionalidades de demanda de producto, así como también representatividad del target de población a quien estará dirigida la campaña de venta.

  1. Análisis descriptivo

Todo proceso de modelamiento arranca con el análisis descriptivo de la información y tiene que ver con la exploración de los datos utilizando metodologías numéricas y gráficas, las cuales dependen del tipo de variables disponibles. En esta fase se garantiza que la data cumpla con estándares de completitud y exactitud antes de iniciar cualquier proceso de modelamiento. Podemos también encontrar las primeras correlaciones entre la variable dependiente y las independientes, así como la correlación entre variables independientes.

  1. Análisis predictivo

La búsqueda de asociación entre la variable dependiente y las independientes en un proceso iterativo de selección de las mejores variables para predecir o explicar el problema de negocio, este proceso es conocido como modelamiento estadístico, usualmente se lo realiza con software especializado, en el mercado existe software licenciado (con costo) y software libre (sin costo) dentro de esta segunda categoría se está dando impulso al uso del software estadístico R que mediante sentencias sencillas permite modelar analíticamente data estructurada y también procesar data no estructurada.

  1. Pruebas e Implementación

El proceso de implementación tecnológica permite que el Modelo Analítico pueda generar los resultados a demanda de las áreas de Negocio, durante esta fase es importante probar el Modelo con poblaciones no tradicionales (pruebas de estrés) a fin de garantizar la performance aún en situaciones extremas, además de auditar los resultados implementados versus los generados en el proceso de modelamiento. Si el uso de los Modelos va a ser transaccional, se recomienda un proceso de marcha blanca para estabilizar el modelo antes de ponerlo a producción para su uso masivo.

  1. Entrenamiento/Aprendizaje

En la medida que pasa el tiempo los modelos predictivos son sensibles al cambio de condiciones del mercado y a la generación de nueva información, por esta razón se recomienda probar el rendimiento de los modelos al menos dos veces por año y si es necesario calibrarlos para que recojan de menor manera los patrones, sea de la nueva población o de la nueva información existente.

El éxito de la aplicación de Modelos Analíticos Predictivos en el Negocio depende del involucramiento de todas las Areas a las cuales va a afectar la introducción de estas nuevas tecnologías de manera directa, dado que normalmente se ven afectados los procesos, por lo tanto la gestión depende de que tan bien se integren estas soluciones a dichos procesos.

Si desea más información sobre 7 Pasos para construir un Modelo Analítico Predictivo comuníquese con info@bisciences.com

#DiseñoAnalítico #AnálisisPredictivo #ModeloAnalíticoPredictivo #Negocios

Entradas destacadas
Entradas recientes
Archivo
Buscar por tags
No hay tags aún.
Síguenos
  • LinkedIn Social Icon
  • Facebook Basic Square
  • Twitter Basic Square

 

CONTÁCTANOS:

 

Calle Las Flores 234 -238 San Isidro - Lima 27, Perú

info@bisciences.com

T1: 51 1 442-4710     T2: 51 1 442-0820    C: 51 993-567-249

Copyright © 2016 por BI Sciences S.A.C.

Bi Sciences Logo