El análisis predictivo hace exactamente lo que parece: analiza datos para averiguar qué podría suceder en el futuro. Como ocurre con la mayoría de las predicciones, nunca es 100 % precisa, pero los grandes datos y la inteligencia artificial la hacen mucho más precisa.
Aunque alguna vez fue una rama relativamente especializada de las matemáticas y la informática, la nueva tecnología predictiva es más accesible y fácil de aplicar: las empresas la usan con los clientes, los investigadores la usan con las enfermedades, las agencias de publicidad la usan para dirigirse a los consumidores, los bancos la usan para prevenir el fraude, Y la lista continúa. Entonces, ¿cómo funciona realmente el análisis predictivo, qué predice y qué tan confiables son sus pronósticos?
¿Como funciona?
El análisis predictivo tiene algunos pasos generales:
Averigua lo que quieres predecir: ¿cuánto tiempo te llevará conducir del punto A al punto B? Recopilar datos históricos/actuales: experiencias previas suyas/otras en esta ruta/condiciones actuales. Identifique factores importantes: día de la semana, hora del día, clima, frecuencia de retrasos, etc. Cree y “entrene” un modelo: trate de averiguar cómo cada factor ha afectado históricamente el tiempo de conducción. Conecte su información actual y obtenga el resultado: un lunes caluroso a las 17:30, su viaje en automóvil le lleva treinta minutos.
Es un ejemplo simple, pero si alguna vez ha mirado los pronósticos de tráfico de Google Maps, ha usado algo como esto. Su precisión depende de la calidad de los datos históricos y de los datos en tiempo real disponibles, pero casi siempre puede hacer una suposición bastante cercana, que es de lo que se trata el análisis predictivo.
¿Qué predice?
El análisis predictivo se utiliza de manera productiva en la investigación médica, la economía, la fabricación, las cadenas de suministro y en otros lugares, pero una de las aplicaciones más rentables de esta tecnología es analizar y predecir el comportamiento del cliente. Si alguna vez se ha preguntado por qué sus datos son un bien tan valioso, esta es una de las principales razones. Con acceso a grandes cantidades de datos históricos de usuarios, es mucho más fácil para las empresas descubrir cómo pueden presionar los botones de los consumidores.
En salud y medicina, el análisis predictivo se usa principalmente para optimizar tratamientos y encontrar nuevas formas de combatir enfermedades. Al analizar los datos históricos de los pacientes, los hospitales pueden reducir la cantidad de pacientes que deben regresar, crear planes de tratamiento más personalizados y obtener evaluaciones de riesgo más precisas. Los modelos de análisis predictivo también son importantes para la investigación de enfermedades y utilizan datos generados por pacientes y poblaciones para identificar factores de riesgo, resultados de tratamientos y más.
.u915f57961c1c21719f6987d39b877d90, .u915f57961c1c21719f6987d39b877d90 .postImageUrl, .u915f57961c1c21719f6987d39b877d90 .mined-text-area {x posición: relativa; } .u915f57961c1c21719f6987d39b877d90, .u915f57961c1c21719f6987d39b877d90: hover, .u915f57961c1c21719f6987d39b877d90: visitado, .u915b5719 } .u915f57961c1c21719f6987d39b877d90 .clearfix: después de {contenido: “”; pantalla: mesa; Limpia los dos; } .u915f57961c1c21719f6987d39b877d90 {pantalla: bloque; transición: color de fondo 250ms; transición de webkit: color de fondo 250ms; ancho: 100%; opacidad: 0,95; transición: opacidad 250ms; webkit-transition: opacidad 250ms; color de fondo: # 9B59B6; sombra de caja: 0 1px 2px rgba (0, 0, 0, 0.17); -moz-box-shadow: 0 1px 2px rgba (0, 0, 0, 0.17); -o-caja-sombra: 0 1px 2px rgba (0, 0, 0, 0.17); -webkit-caja-sombra: 0 1px 2px rgba (0, 0, 0, 0.17); } .u915f57961c1c21719f6987d39b877d90: activo, .u915f57961c1c21719f6987d39b877d90: hover {opacidad: 1; transición: opacidad 250ms; webkit-transition: opacidad 250ms; color de fondo: # 8E44AD; } .u915f57961c1c21719f6987d39b877d90 .centered-text-area {ancho: 100%; posición: relativa; } .u915f57961c1c21719f6987d39b877d90 .ctaText {borde inferior: 0 sólido #fff; color: #FFFFFF; tamaño de fuente: 16px; fuente-peso: negrita; margen: 0; relleno: 0; decoración de texto: subrayado; } .u915f57961c1c21719f6987d39b877d90 .postTitle {color: #FFFFFF; tamaño de fuente: 16px; peso de fuente: 600; margen: 0; relleno: 0; ancho: 100%; } .u915f57961c1c21719f6987d39b877d90 .ctaButton {color de fondo: # 8E44AD! importante; color: #FFFFFF; borde: ninguno; borde-radio: 3px; sombra de caja: ninguna; tamaño de fuente: 14px; fuente-peso: negrita; altura de línea: 26px; moz-border-radio: 3px; alineación de texto: centro; texto-decoración: ninguno; sombra de texto: ninguno; ancho: 80px; altura mínima: 80px; fondo: url (https://se.moyens.net/wp-content/plugins/intelly-related-posts/assets/images/simple-arrow.png) sin repetición; posición: absoluta; derecha: 0; superior: 0; } .u915f57961c1c21719f6987d39b877d90: hover .ctaButton {color de fondo: # 9B59B6! importante; } .u915f57961c1c21719f6987d39b877d90 .centered-text {pantalla: tabla; altura: 80px; relleno-izquierda: 18px; superior: 0; } .u915f57961c1c21719f6987d39b877d90 .u915f57961c1c21719f6987d39b877d90-content {display: table-cell; margen: 0; relleno: 0; relleno derecho: 108px; posición: relativa; alineación vertical: medio; ancho: 100%; } .u915f57961c1c21719f6987d39b877d90: después de {contenido: “”; bloqueo de pantalla; Limpia los dos; }
Las aplicaciones financieras se centran de manera similar en el riesgo: específicamente, ¿quién es una tarjeta segura para un préstamo o una cuenta? La aplicación de análisis predictivos puede ayudar a las instituciones financieras a identificar a las personas con alto riesgo de quiebra y señalar las actividades fraudulentas de manera más eficaz.
Pero ninguna industria está tan entusiasmada con el análisis predictivo como el comercio minorista y la publicidad. Imagínese si pudiera ver cada movimiento de su cliente, ingresarlo en una enorme base de datos y analizarlo por patrón. Puede averiguar quién es más probable que deje de usar su servicio, qué hace que las personas continúen usando su producto, quién es más probable que responda a ciertos anuncios, a quién debe orientar sus campañas, todo con datos que se pueden actualizar y analizar. en tiempo real.
¿Qué tan precisas son estas predicciones?
No hay una respuesta única a esta pregunta, ya que cada modelo es diferente. La calidad de los datos, los métodos utilizados para analizarlos y una serie de otros factores juegan un papel importante en la precisión de las predicciones. El análisis predictivo no lo hace bien todo el tiempo, pero gracias a los avances en big data e inteligencia artificial, lo hacen bien Más de tiempo.
Lo que hace que los grandes datos sean “grandes” no es necesariamente la cantidad que hay, sino la eficiencia con la que se pueden procesar grandes cantidades. Históricamente, gran parte de las estadísticas se han basado en hacer conjeturas sobre poblaciones basadas en muestras de estas poblaciones, lo que agrega una capa de incertidumbre.
Sin embargo, las herramientas de macrodatos permiten utilizar muchos más datos disponibles para hacer predicciones, lo que hace que sea mucho más probable que sean precisas. El análisis predictivo ya está haciendo un buen trabajo al mostrar los anuncios de las personas y calcular los tiempos de viaje, y eso será más efectivo en el futuro.
Datos grandes (¿malos?)
¿Cómo tomas buenas decisiones? Durante la mayor parte de la historia humana, hemos utilizado nuestros cerebros para procesar todas las entradas disponibles y actuar en consecuencia. Nuestras decisiones siempre han estado plagadas de falta de información precisa, capacidad limitada para identificar patrones y una serie de prejuicios.
Sin embargo, un algoritmo bien hecho con una gran cantidad de datos no tiene ese problema, y la capacidad de transferir gran parte de nuestro trabajo mental a las máquinas es un gran paso adelante para la humanidad. Por supuesto, los algoritmos pueden estar sesgados, ya sea intencionalmente o no, los conjuntos de datos pueden dañarse y las predicciones de comportamiento se pueden usar para el control social tan fácilmente como se pueden usar para optimizar las experiencias minoristas. Garantizar que nuestros sistemas se desarrollen para que sean transparentes y, en general, beneficiosos tendrá un impacto real en cómo la tecnología da forma (y predice) el futuro.
.u20f34bce820ce34ae5c41cd507c8ac13, .u20f34bce820ce34ae5c41cd507c8ac13 .postImageUrl, .u20f34bce820ce34ae5c41cd507c8ac13 .centered-text-area {min-height: 80px; posición: relativa; activo; } .u20f34bce820ce34ae5c41cd507c8ac13 .clearfix: después de {contenido: “”; pantalla: mesa; Limpia los dos; } .u20f34bce820ce34ae5c41cd507c8ac13 {pantalla: bloque; transición: color de fondo 250ms; transición de webkit: color de fondo 250ms; ancho: 100%; opacidad: 0,95; transición: opacidad 250ms; webkit-transition: opacidad 250ms; color de fondo: # 9B59B6; sombra de caja: 0 1px 2px rgba (0, 0, 0, 0.17); -moz-box-shadow: 0 1px 2px rgba (0, 0, 0, 0.17); -o-caja-sombra: 0 1px 2px rgba (0, 0, 0, 0.17); -webkit-caja-sombra: 0 1px 2px rgba (0, 0, 0, 0.17); } .u20f34bce820ce34ae5c41cd507c8ac13: activo, .u20f34bce820ce34ae5c41cd507c8ac13: hover {opacidad: 1; transición: opacidad 250ms; webkit-transition: opacidad 250ms; color de fondo: # 8E44AD; } .u20f34bce820ce34ae5c41cd507c8ac13 .centered-text-area {ancho: 100%; posición: relativa; } .u20f34bce820ce34ae5c41cd507c8ac13 .ctaText {borde inferior: 0 sólido #fff; color: #FFFFFF; tamaño de fuente: 16px; fuente-peso: negrita; margen: 0; relleno: 0; decoración de texto: subrayado; } .u20f34bce820ce34ae5c41cd507c8ac13 .postTitle {color: #FFFFFF; tamaño de fuente: 16px; peso de fuente: 600; margen: 0; relleno: 0; ancho: 100%; } .u20f34bce820ce34ae5c41cd507c8ac13 .ctaButton {color de fondo: # 8E44AD! importante; color: #FFFFFF; borde: ninguno; borde-radio: 3px; sombra de caja: ninguna; tamaño de fuente: 14px; fuente-peso: negrita; altura de línea: 26px; moz-border-radio: 3px; alineación de texto: centro; texto-decoración: ninguno; sombra de texto: ninguno; ancho: 80px; altura mínima: 80px; fondo: url (https://se.moyens.net/wp-content/plugins/intelly-related-posts/assets/images/simple-arrow.png) sin repetición; posición: absoluta; derecha: 0; superior: 0; } .u20f34bce820ce34ae5c41cd507c8ac13: hover .ctaButton {color de fondo: # 9B59B6! importante; } .u20f34bce820ce34ae5c41cd507c8ac13 .centered-text {pantalla: tabla; altura: 80px; relleno-izquierda: 18px; superior: 0; } .u20f34bce820ce34ae5c41cd507c8ac13 .u20f34bce820ce34ae5c41cd507c8ac13-content {display: table-cell; margen: 0; relleno: 0; relleno derecho: 108px; posición: relativa; alineación vertical: medio; ancho: 100%; } .u20f34bce820ce34ae5c41cd507c8ac13: después de {contenido: “”; bloqueo de pantalla; Limpia los dos; }
Créditos de imagen: representación visual de eventos que constituyen el análisis de comportamiento, proceso de análisis predictivo
