La analítica predictiva usa datos históricos, estadística y aprendizaje automático para estimar acontecimientos futuros probables. Responde a preguntas como: ¿qué clientes van a darse de baja? ¿Cuánto stock necesitarás el mes que viene? ¿Cuándo es probable que falle una máquina? Los resultados son probabilidades, no certezas. Su valor depende mucho de la calidad de los datos y de que las predicciones se usen de verdad en decisiones y procesos.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoEl modelado predictivo es el núcleo técnico de la analítica predictiva: con datos de ejemplo cuyo resultado se conoce se construye un modelo que predice un valor o una clase para casos nuevos. Métodos habituales son la regresión, los árboles de decisión, los bosques aleatorios y las redes neuronales. Un modelo puede, por ejemplo, estimar el precio de una vivienda a partir de la superficie, la ubicación y el año de construcción. Antes de usarlo se prueba con datos reservados para detectar el sobreajuste.
El aprendizaje automático (machine learning) es una rama de la inteligencia artificial en la que los ordenadores deducen patrones de los datos en vez de recibir cada regla programada. Según la tarea, los modelos aprenden de ejemplos etiquetados (supervisado), de datos sin etiquetar (no supervisado) o mediante recompensas (por refuerzo). Las aplicaciones van desde filtros de spam y previsiones de demanda hasta recomendaciones de productos. La calidad depende mucho de la cantidad y la calidad de los datos de entrenamiento.
La minería de datos (data mining) es la búsqueda sistemática de patrones, relaciones y anomalías en grandes volúmenes de datos. Se apoya en métodos estadísticos y de aprendizaje automático como el clustering, la clasificación o el análisis de asociaciones. Un ejemplo clásico es el análisis de la cesta de la compra en el comercio, que muestra qué productos se compran juntos a menudo: una base para el surtido, la colocación y las recomendaciones.
El análisis exploratorio de datos (EDA) es la primera mirada abierta a un conjunto de datos: calculas indicadores, revisas distribuciones y gráficos y buscas patrones, valores atípicos y datos que faltan, todavía sin una hipótesis fija. Sirve para valorar la calidad de los datos y encontrar preguntas útiles para análisis o modelos posteriores. Ejemplo: antes de una previsión de ventas, el EDA revela que un mes se registró de forma incompleta por un cambio de sistema.
