El análisis predictivo puede recurrir a algoritmos de clasificación.
El análisis predictivo es el procedimiento que consiste en examinar datos para reconocer patrones mediante algoritmos y estadísticas y luego generar predicciones acerca de un suceso, fenómeno o comportamiento. El concepto suele asociarse al big data y a la inteligencia artificial.
Puede decirse que la idea de análisis predictivo refiere al conjunto de técnicas que, partiendo de datos históricos o actuales, permiten pronosticar acontecimientos o hechos. Esta metodología identifica vínculos entre múltiples factores y realiza una valoración de probabilidades partiendo de una serie de condiciones.
Temas
ResumenCaracterísticas del análisis predictivo
El análisis predictivo es un recurso que sirve para anticipar tendencias o revelar cuestiones hasta entonces desconocidas o inadvertidas. Por eso no solo es útil para predecir (anunciar qué va a suceder), sino también para develar algo que no se conocía del presente o incluso del pasado.
A esta clase de análisis se la enmarca en la minería de datos. Así se denomina al área de las ciencias de la computación y la estadística orientada a la descubrimiento de patrones en conjuntos muy grandes de datos. El análisis predictivo recurre al aprendizaje automático (machine learning), especialmente al aprendizaje supervisado, para obtener información de interés entre los grandes volúmenes de datos y dotarla de una estructura que hace posible su posterior utilización.
Lo que se hace es trabajar con modelos estadísticos que pueden emplearse para hacer predicciones. Estos modelos pueden ser paramétricos (analizan una cantidad finita de parámetros que integran una familia de distribuciones), no paramétricos (examinan variables cuya distribución no es paramétrica) o semiparamétricos.
Los modelos paramétricos demandan supuestos concretos. Pueden recurrir al análisis de varianza (ANOVA), la regresión lineal u otras técnicas. Los modelos no paramétricos, en cambio, no realizan suposiciones específicas, empleando métodos como las redes neuronales, los bosques aleatorios y los árboles de decisión.
El reconocimiento de patrones es clave en el análisis predictivo.
Su implementación
El análisis predictivo puede implementarse a través de diferentes modelos, que se clasifican como paramétricos, no paramétricos o semiparamétricos como ya indicamos:
- Modelos de regresión: Buscan una relación lineal entre las variables independientes (o variables predictoras) y las variables dependientes (variables de respuesta).
- Modelos de agrupación: También denominados clustering, reúnen datos similares en clusters sin que haya un conocimiento precedente de sus etiquetas o categorías.
- Modelos de clasificación: Distinguen patrones para luego clasificar categorías, datos o instancias que habían sido registrados con anterioridad.
- Modelos de series temporales: Identifican patrones o tendencias en series de datos que se encuentran ordenadas en el tiempo, usando intervalos específicos.
- Modelos de pronóstico: Clasifican las instancias en categorías ya definidas para reconocer patrones en los datos históricos y finalmente predecir qué ocurrirá.
- Modelos de detección de anomalías o de valores atípicos: Se basan en la búsqueda de cuestiones inusuales en los conjuntos de datos.
Desarrollo de un análisis predictivo
El análisis predictivo se desarrolla en una serie de etapas:
- Determinación del problema: Se debe establecer qué es lo que se pretende responder, descubrir o resolver. En este punto se plantea el objetivo del proyecto y se determinan las fuentes de información.
- Recolección de los datos: Es una fase clave ya que la precisión de modelo depende de la cantidad y la calidad de los datos.
- Análisis de los datos: La revisión, la comprobación, el procesamiento y la clasificación de todos los datos recolectados.
- Validación de datos y del modelo estadístico: Se realiza la comprobación de las conclusiones y su contraste con las hipótesis del inicio del proceso.
- Modelización: Implica crear el modelo predictivo que se usará para los pronósticos.
- Aplicación del modelo predictivo: Esta es la etapa donde se generan los resultados (las predicciones).
- Control y actualización: Consiste en comprobar si existen errores en el modelo en virtud de los resultados.
El análisis predictivo puede trabajar con datos no estructurados y estructurados.
Sus aplicaciones
La aplicación del análisis predictivo puede darse en múltiples sectores. En el terreno de las finanzas, por mencionar un caso, ayuda a determinar el riesgo crediticio, anticipando el posible comportamiento del cliente en función de sus antecedentes y de casos similares.
Para el marketing, el análisis predictivo es una herramienta útil para identificar qué producto o servicio promocionar, de qué modo y dirigiendo a quién la campaña. Esto se debe a que se puede anticipar, según la estadística, la respuesta. Algo similar ocurre con los sistemas de recomendación: partiendo de decisiones y comportamientos previos de los usuarios, un modelo predictivo anticipa qué sugerencia generará nuevamente una acción positiva.
El análisis predictivo en las aseguradoras, por otro lado, contribuye a la detección de fraudes. Los vehículos autónomos, asimismo, usan el análisis predictivo en los sistemas de asistencia al conductor.
Ejemplos de análisis productivos
Podemos encontrar ejemplos de análisis predictivo en deportes como el básquetbol y el fútbol. Tomemos el caso del básquet: un modelo predictivo puede anticipar que, cuando un cierto jugador cruza la mitad del campo de juego con el balón en sus manos y avanzando de izquierda a derecha, termina lanzando de tres puntos. A partir de esta predicción, el rival que debe defenderlo puede anticipar esa situación y bloquear el lanzamiento. En el fútbol, el análisis predictivo puede ayudar a saber cómo suele patear los tiros de esquina un jugador en determinados contextos (según el resultado parcial, el momento del partido, etc.).
Los modelos predictivos en salud constituyen otro ejemplo de este tipo de instrumentos. La tecnología y la estadística ayudan a hacer un análisis de riesgo del desarrollo de ciertos trastornos y enfermedades, como asma o diabetes. La epidemiología predictiva, por otro lado, puede pronosticar el avance de una epidemia o pandemia.
La predicción meteorológica también es un ejemplo de esta clase de análisis. Examinando múltiples variables se puede pronosticar cuándo lloverá, si nevará o qué temperatura se alcanzará en los próximos días.
Un ejemplo de análisis predictivo concreto y del mundo real lo encontramos en Netflix. La plataforma de streaming no solo realiza recomendaciones en función de los datos recolectados a partir de los hábitos del usuario, sino que incluso produce y genera sus propios contenidos estudiando los comentarios y las valoraciones.
Publicado por 
