¿Cómo definir y probar prototipos de análisis predictivo

Una manera eficaz de indicar sus objetivos de negocio para el análisis predictivo claramente es como una lista con viñetas de las decisiones de los usuarios. A continuación, ejecute el prototipo para generar predicciones y puntuaciones para cada decisión posible. Por ejemplo, en un ejemplo de producto X, podría enumerar sus objetivos como una gama de posibles decisiones de negocios a evaluar:

• Aumentar el volumen de ventas de productos X

• Terminar fabricación de productos X

• Cambie la estrategia de marketing detrás de Producto X

• Aumentar anuncios en una ubicación geográfica específica

• Aumentar anuncios para clientes específicos

El modelo predictivo evaluará estas decisiones de acuerdo a su probabilidad futura de la rentabilidad éxito. La salida puede indicar, por ejemplo, que la empresa tiene una probabilidad del 80 por ciento de aumento de beneficios al aumentar el volumen de ventas de X. Producto

¿Cómo encontrar los datos de predicción correcta

Después de haber declarado claramente el objetivo de negocio y el problema que está dispuesto a enfrentar, el siguiente paso es recoger los datos que el modelo predictivo utilizará. En esta fase, usted tiene que identificar su fuente (s) de datos.

Por ejemplo, si está desarrollando un prototipo para predecir la decisión correcta en un producto específico, entonces usted necesita para reunir datos internos y externos para ese producto. Usted no debe restringir el tipo o la fuente de los datos, siempre y cuando sea relevante para el objetivo de negocio.

Si (por ejemplo) a su compañía está considerando la introducción de un nuevo coche deportivo híbrido, puede ponerse en contacto con el departamento de ventas y recopilar información sobre los datos de las ventas generadas por productos similares. Puede ponerse en contacto con el departamento de ingeniería para averiguar hasta qué punto el costo de los componentes (¿qué hay de aquellos más duraderos baterías?), Así como los recursos y el tiempo necesario para producir el producto (cualquier reorganización necesaria?).

También puede incluir datos sobre decisiones previas realizadas sobre un producto similar (por ejemplo, un Overpowered convertible introducido hace unos años) y sus resultados (las condiciones del mercado y los precios de los combustibles deprimido las ventas).

Es posible que desee considerar el uso de grandes datos relacionados con el producto en cuestión. Por ejemplo, descargar comentarios de los clientes acerca de los productos de la compañía, mensajes de twitter o mensajes de Facebook en el que se mencionan los productos. Una forma de hacerlo es utilizar las interfaces de programación de aplicaciones (API) aportados por esas empresas.

Por ejemplo, si desea obtener los tweets que contengan una palabra específica, Twitter ofrece un conjunto de API que puede utilizar para descargar esos tweets. Hay un límite a la cantidad de datos que puede capturar sin cargo-, en algunos casos, puede que tenga que pagar para mantener la descarga de los datos necesarios de Twitter.

Cuando haya determinado los datos más relevantes y la fuente más útil desde el que lo consigue, empezar a almacenar los datos que va a utilizar para su modelo predictivo. Los datos pueden necesitar someterse a algún procesamiento previo.

Cómo diseñar su modelo predictivo

Para un prototipo, la entrada podría ser una matriz de datos que representa factores conocidos derivados de los datos históricos.

Tal matriz de datos, cuando se analiza, se puede producir una salida que se ve algo como esto:

57,6 por ciento de los clientes declararon que no estaban contentos con el producto.El producto requiere de tres horas en promedio para producir.Sentimiento positivo en el producto es del 80 por ciento.

Entradas en el modelo prototipo podrían incluir datos históricos acerca de los productos similares, las correspondientes decisiones hechas acerca de ellos, y el impacto de esas decisiones en sus procesos de negocio. La salida del prototipo sería predicciones y sus correspondientes partituras como posibles acciones hacia el logro de los objetivos que ha establecido.

Para conseguir un prototipo utilizable, usted tiene que emplear una mezcla de técnicas para construir el modelo. Por ejemplo, podría utilizar el algoritmo K-means como una de la agrupación algoritmos- usted podría utilizar para construir grupos como estos:

• Los productos que fueron despedidos - y el impacto de esa decisión en el beneficio

• Productos que se incrementaron en volumen y del impacto de esa decisión en el beneficio

• Productos cuya estrategia de marketing fue cambiado y ganancias impacto de esa decisión

A continuación, puede utilizar algoritmos de clasificación, como un árbol de decisión o Na # 239-ve Bayes que clasificar o predecir los valores (como la rentabilidad de ventas) para el producto en cuestión (Producto X) que falta.

Cómo identificar los datos de prueba

Para evaluar el modelo de análisis predictivo, lo que tienes que correr el modelo sobre algunos datos de prueba que no ha visto todavía. Usted podría correr el modelo largo de varios conjuntos de datos históricos como entrada y registrar cuántas de las predicciones del modelo resultar correcta.

Cómo ejecutar el modelo de datos de prueba

La evaluación de su modelo predictivo es un proceso iterativo - esencialmente ensayo y error. Modelos eficaces rara vez son el resultado de una mera primera prueba. Si su modelo predictivo produce 100 por ciento de precisión, tenga en cuenta ese resultado demasiado bueno para ser algo sospechoso cierto- mal con sus datos o sus algoritmos.

Por ejemplo, si el primer algoritmo que se utiliza para construir su prototipo es el Na # 239-ve Bayes clasificador y usted no está satisfecho con las predicciones que le da al ejecutar los datos de prueba, pruebe con otro algoritmo como el clasificador vecino más cercano . Sigue corriendo otros algoritmos hasta encontrar el que sea más consistente y fiable de predicción.

Durante las pruebas, es posible descubrir que necesita volver a examinar los datos iniciales que utilizó para construir el modelo de prototipo. Puede que sea necesario para encontrar los datos más relevantes para su análisis.

Como medida de precaución, siempre verifique que los pasos a seguir en la construcción del modelo son correctas. Además, la comparación de la salida del modelo en el conjunto de datos de prueba para los resultados reales le ayudará a evaluar la exactitud de su modelo.

Cuanto mayor sea la confianza en los resultados de su modelo predictivo, más fácil es para los grupos de interés para la aprobación de su despliegue.

Para asegurarse de que su modelo es exacta, es necesario evaluar si el modelo cumple con sus objetivos de negocio. Expertos de dominio pueden ayudarle a interpretar los resultados de su modelo.