ETFFIN Finance >> Curso de Finanzas Personales >  >> Gestión Financiera >> Finanzas

Modelado Predictivo: Guía Completa sobre Tipos, Beneficios y Algoritmos

Modelado Predictivo: Guía Completa sobre Tipos, Beneficios y Algoritmos

El modelado predictivo es un método para predecir resultados futuros mediante la modelización de datos. Es una de las mejores maneras que tiene una empresa de vislumbrar su camino a seguir y planificar en consecuencia. Aunque no es infalible, este método tiende a presentar tasas de precisión elevadas, motivo por el cual se utiliza con tanta frecuencia.

¿Qué es el modelado predictivo?

En pocas palabras, el modelado predictivo es una técnica estadística que emplea aprendizaje automático y minería de datos para prever probables resultados futuros con ayuda de datos históricos y actuales. Funciona analizando datos presentes e históricos y proyectando lo que aprende sobre un modelo generado para pronosticar resultados probables. El modelado predictivo puede usarse para predecir casi cualquier cosa, desde los índices de audiencia de televisión y la próxima compra de un cliente hasta los riesgos crediticios y los beneficios corporativos.

Un modelo predictivo no es fijo: se valida o revisa periódicamente para incorporar los cambios en los datos subyacentes. Dicho de otro modo, no es una predicción que se hace una sola vez y se olvida. Los modelos predictivos formulan suposiciones basadas en lo que ha ocurrido en el pasado y en lo que está sucediendo ahora. Si los nuevos datos entrantes muestran cambios en lo que ocurre en el presente, el impacto sobre el resultado futuro probable también debe recalcularse. Por ejemplo, una empresa de software podría modelar datos históricos de ventas frente a los gastos de marketing de varias regiones para crear un modelo de ingresos futuros basado en el impacto de la inversión publicitaria.

La mayoría de los modelos predictivos funcionan con rapidez y a menudo completan sus cálculos en tiempo real. Por eso los bancos y los comercios pueden, por ejemplo, calcular el riesgo de una solicitud de hipoteca o tarjeta de crédito en línea y aceptar o rechazar la petición casi al instante en función de esa predicción.

Algunos modelos predictivos son más complejos, como los que se usan en biología computacional y computación cuántica; los resultados tardan más en calcularse que una solicitud de tarjeta de crédito, pero se obtienen mucho más rápido que antes gracias a los avances tecnológicos, incluida la potencia de cálculo.

Los 5 principales tipos de modelos predictivos

Por fortuna, los modelos predictivos no tienen que crearse desde cero para cada aplicación. Las herramientas de análisis predictivo utilizan una variedad de modelos y algoritmos ya probados que pueden aplicarse a un amplio abanico de casos de uso.

Las técnicas de modelado predictivo se han perfeccionado con el tiempo. A medida que incorporamos más datos, mayor potencia de cálculo, inteligencia artificial y aprendizaje automático, y observamos avances generales en la analítica, somos capaces de hacer más con estos modelos.

Los cinco principales modelos de análisis predictivo son:

  1. Modelo de clasificación: Considerado el más sencillo, categoriza los datos para dar respuestas simples y directas a consultas. Un caso de uso sería responder a la pregunta "¿Es esta una transacción fraudulenta?".
  2. Modelo de agrupamiento (clustering): Este modelo agrupa los datos según atributos comunes. Funciona reuniendo cosas o personas con características o comportamientos compartidos y traza estrategias para cada grupo a mayor escala. Un ejemplo es determinar el riesgo crediticio de un solicitante de préstamo en función de lo que hicieron en el pasado otras personas en una situación igual o similar.
  3. Modelo de previsión (forecast): Es un modelo muy popular y funciona con cualquier dato que tenga un valor numérico, aprendiendo de datos históricos. Por ejemplo, para responder a cuánta lechuga debería pedir un restaurante la próxima semana o cuántas llamadas debería poder atender un agente de atención al cliente al día o a la semana, el sistema recurre a datos históricos.
  4. Modelo de valores atípicos (outliers): Este modelo funciona analizando puntos de datos anómalos o atípicos. Por ejemplo, un banco podría usar un modelo de valores atípicos para detectar fraudes preguntándose si una transacción se sale de los hábitos de compra habituales del cliente o si un gasto de cierta categoría es normal o no. Por ejemplo, un cargo de 1.000 $ en una tarjeta de crédito por una lavadora y una secadora en la tienda favorita del titular no resultaría alarmante, pero 1.000 $ gastados en ropa de diseñador en un lugar donde el cliente nunca ha cargado otros artículos podrían indicar una cuenta comprometida.
  5. Modelo de series temporales: Este modelo evalúa una secuencia de puntos de datos a lo largo del tiempo. Por ejemplo, el número de pacientes con ictus ingresados en el hospital en los últimos cuatro meses se utiliza para predecir cuántos pacientes podría esperar ingresar el hospital la próxima semana, el próximo mes o el resto del año. Así, una única métrica medida y comparada a lo largo del tiempo resulta más significativa que un simple promedio.

Algoritmos predictivos comunes

Los algoritmos predictivos usan una de dos cosas: aprendizaje automático o aprendizaje profundo. Ambos son subconjuntos de la inteligencia artificial (IA). El aprendizaje automático (ML) trabaja con datos estructurados, como hojas de cálculo o datos de máquinas. El aprendizaje profundo (DL) se ocupa de datos no estructurados como vídeo, audio, texto, publicaciones en redes sociales e imágenes; en esencia, todo aquello con lo que se comunican los humanos y que no son números ni lecturas de métricas.

Algunos de los algoritmos predictivos más comunes son:

  1. Random Forest (bosque aleatorio): Este algoritmo se deriva de una combinación de árboles de decisión, ninguno de ellos relacionado, y puede usar tanto clasificación como regresión para clasificar enormes cantidades de datos.
  2. Modelo lineal generalizado (GLM) para dos valores: Este algoritmo reduce la lista de variables para encontrar el "mejor ajuste". Puede determinar puntos de inflexión y captación de cambios en los datos, además de otras influencias como predictores categóricos, para dar con el resultado de "mejor ajuste", superando así las limitaciones de otros modelos, como la regresión lineal simple.
  3. Gradient Boosted Model (modelo de gradiente potenciado): Este algoritmo también emplea varios árboles de decisión combinados, pero, a diferencia de Random Forest, los árboles están relacionados. Construye un árbol cada vez, lo que permite que el siguiente árbol corrija los defectos del anterior. Se utiliza a menudo en clasificaciones, como los resultados de los motores de búsqueda.
  4. K-Means: Un algoritmo popular y rápido, K-Means agrupa puntos de datos por similitudes, por lo que se usa con frecuencia en el modelo de agrupamiento. Puede generar rápidamente cosas como ofertas minoristas personalizadas para individuos dentro de un grupo enorme, como un millón o más de clientes con gustos similares por los abrigos de lana rojos con forro.
  5. Prophet: Este algoritmo se utiliza en modelos de series temporales o de previsión para la planificación de capacidad, como las necesidades de inventario, los objetivos de ventas y la asignación de recursos. Es muy flexible y puede acomodar fácilmente heurísticas y una variedad de suposiciones útiles.

El modelado predictivo y la analítica de datos

El modelado predictivo también se conoce como analítica predictiva. En general, el término "modelado predictivo" se prefiere en entornos académicos, mientras que "analítica predictiva" es el término preferido para las aplicaciones comerciales del modelado predictivo.

El uso exitoso de la analítica predictiva depende en gran medida de tener acceso sin restricciones a un volumen suficiente de datos precisos, limpios y relevantes. Si bien los modelos predictivos pueden ser extraordinariamente complejos, como los que usan árboles de decisión y agrupamiento k-means, la parte más compleja es siempre la red neuronal; es decir, el modelo mediante el cual se entrena a los ordenadores para predecir resultados. El aprendizaje automático utiliza una red neuronal para encontrar correlaciones en conjuntos de datos excepcionalmente grandes y "aprender" e identificar patrones dentro de los datos.

Beneficios del modelado predictivo

En pocas palabras, la analítica predictiva reduce el tiempo, el esfuerzo y los costes de prever los resultados del negocio. Variables como los factores ambientales, la inteligencia competitiva, los cambios normativos y las condiciones del mercado pueden incorporarse al cálculo matemático para ofrecer visiones más completas a un coste relativamente bajo.

Algunos ejemplos de tipos concretos de previsión que pueden beneficiar a las empresas son la previsión de la demanda, la planificación de plantilla, el análisis de abandono de clientes, los factores externos, el análisis competitivo, el mantenimiento de flotas y equipos informáticos, y los riesgos financieros.

Retos del modelado predictivo

Es esencial mantener la analítica predictiva centrada en producir información útil para el negocio, porque no todo lo que esta tecnología desentierra resulta provechoso. Parte de la información obtenida solo tiene valor para satisfacer una mente curiosa y apenas tiene implicaciones empresariales, o ninguna. Distraerse es un lujo que pocas empresas pueden permitirse.

Además, poder usar más datos en el modelado predictivo es una ventaja solo hasta cierto punto. Demasiados datos pueden sesgar el cálculo y llevar a un resultado sin sentido o erróneo. Por ejemplo, se venden más abrigos a medida que baja la temperatura exterior. Pero solo hasta cierto punto. La gente no compra más abrigos cuando hace -20 grados Fahrenheit que cuando están a -5 grados bajo cero. Llega un momento en que el frío es suficiente para incentivar la compra de abrigos y las temperaturas aún más gélidas ya no cambian apreciablemente ese patrón.

Y con los enormes volúmenes de datos que implica el modelado predictivo, mantener la seguridad y la privacidad también será un reto. Otros desafíos residen en las limitaciones del aprendizaje automático.

Limitaciones del modelado predictivo

Según un informe de McKinsey, las limitaciones comunes y sus "mejores soluciones" incluyen:

  1. Errores en el etiquetado de datos: Pueden superarse con aprendizaje por refuerzo o redes generativas antagónicas (GAN).
  2. Escasez de los enormes conjuntos de datos necesarios para entrenar el aprendizaje automático: Una posible solución es el "aprendizaje con un solo intento" (one-shot learning), en el que una máquina aprende a partir de un pequeño número de demostraciones en lugar de un conjunto de datos masivo.
  3. La incapacidad de la máquina para explicar qué hizo y por qué lo hizo: Las máquinas no "piensan" ni "aprenden" como los humanos. Del mismo modo, sus cálculos pueden ser tan excepcionalmente complejos que a los humanos les cuesta encontrar la lógica, y no digamos seguirla. Todo esto hace que a una máquina le resulte difícil explicar su trabajo, o que los humanos lo hagan por ella. Sin embargo, la transparencia del modelo es necesaria por varias razones, siendo la seguridad humana la principal. Soluciones prometedoras: explicaciones agnósticas al modelo e interpretables localmente (LIME) y técnicas de atención.
  4. La generalización del aprendizaje, o más bien su ausencia: A diferencia de los humanos, a las máquinas les cuesta trasladar lo que han aprendido. En otras palabras, tienen dificultades para aplicar lo aprendido a un nuevo conjunto de circunstancias. Lo que han aprendido es aplicable a un único caso de uso. Esta es en gran medida la razón por la que no debemos preocuparnos por el auge de los "superseñores" de la IA en un futuro próximo. Para que el modelado predictivo mediante aprendizaje automático sea reutilizable —es decir, útil en más de un caso de uso— una posible solución es el aprendizaje por transferencia.
  5. El sesgo en los datos y los algoritmos: La falta de representación puede sesgar los resultados y llevar a un trato injusto de grandes grupos de personas. Además, los sesgos incorporados son difíciles de encontrar y eliminar después. Dicho de otro modo, los sesgos tienden a perpetuarse a sí mismos. Es un objetivo en movimiento y aún no se ha identificado una solución clara.

El futuro del modelado predictivo

El modelado predictivo, también conocido como analítica predictiva, y el aprendizaje automático son tecnologías todavía jóvenes y en desarrollo, lo que significa que queda mucho por venir. A medida que mejoren las técnicas, los métodos, las herramientas y las tecnologías, también lo harán los beneficios para las empresas y las sociedades.

Sin embargo, no son tecnologías que las empresas puedan permitirse adoptar más tarde, una vez que la tecnología alcance la madurez y se hayan resuelto todos los problemas. Las ventajas a corto plazo son simplemente demasiado sólidas como para que un adoptante tardío las supere y siga siendo competitivo.

Nuestro consejo: comprende e implanta la tecnología ahora y luego haz crecer los beneficios para el negocio a la par que los avances posteriores de las tecnologías.

El modelado predictivo en las plataformas

Para todas las empresas salvo las más grandes, cosechar los beneficios de la analítica predictiva se logra más fácilmente utilizando sistemas ERP que llevan la tecnología integrada y contienen aprendizaje automático preentrenado. Por ejemplo, las funciones de planificación, previsión y presupuestación pueden proporcionar un motor de modelos estadísticos para modelar rápidamente múltiples escenarios que aborden las cambiantes condiciones del mercado.

Otro ejemplo: una función de planificación de suministros o de capacidad de suministro puede prever de forma similar entregas potencialmente tardías, órdenes de compra o venta y otros riesgos o impactos. También pueden representarse proveedores alternativos en el panel de control para que las empresas puedan reorientarse y cumplir los requisitos de fabricación o distribución.

La modelización financiera, la planificación y la presupuestación son áreas clave para cosechar los numerosos beneficios de estas tecnologías avanzadas sin desbordar a tu equipo.