Cómo utilizar supuestos apropiadamente en el análisis predictivo

A pesar de todo lo que te han dicho sobre los supuestos que causan problemas, algunas suposiciones se mantienen en el centro de cualquier modelo de análisis predictivo. Esos supuestos aparecen en las variables seleccionadas y consideradas en el análisis - y esas variables afectan directamente a la precisión de la producción del modelo final.

Tanto, su precaución sabia desde el principio, es identificar qué supuestos importa más a su modelo - y para mantenerlos a un mínimo absoluto.

Creación de un modelo predictivo que funciona bien en el mundo real requiere un profundo conocimiento del negocio. Su modelo comienza sabiendo sólo los datos de la muestra - en términos prácticos, casi nada. Así que empezar poco a poco y seguir mejorando el modelo según sea necesario.

Sondeo de posibles preguntas y escenarios puede conducir a descubrimientos clave y / o puede arrojar más luz sobre los factores en juego en el mundo real. Este proceso puede identificar las variables fundamentales que podrían afectar al resultado del análisis.

En un enfoque sistemático para el análisis predictivo, esta fase - la exploración " what-if " escenarios - es especialmente interesante y útil. Aquí es donde se cambian los datos del modelo para medir los efectos de una variable u otra en la salida del modelo- lo que realmente está probando es su capacidad de previsión.

La mejora de los supuestos del modelo - analizando cómo afectan a la producción del modelo, sondeando para ver lo sensible que el modelo es para ellos, y pelado abajo al mínimo - ayudará a guiar el modelo hacia una capacidad de predicción más fiable. Antes de que pueda optimizar su modelo, usted tiene que saber la variables predictoras - características que tienen un impacto directo en su salida.

Puede derivar esas variables de decisión mediante la ejecución de múltiples simulaciones de su modelo - al cambiar algunos parámetros con cada carrera - y el registro de los resultados, especialmente la precisión de las predicciones del modelo. Por lo general, se puede rastrear las variaciones en la exactitud de nuevo a los parámetros específicos que haya modificado.

En este punto, el siglo XXI puede dar vuelta a la decimocuarta ayuda. Guillermo de Ockham, un fraile franciscano y filósofo Inglés escolástica que vivió en el año 1300, desarrolló el principio de la investigación conocida como la navaja de Occam: Usted debe cortar supuestos innecesarios hasta que su teoría tiene como algunos de ellos como sea posible. Entonces es más probable para ser verdad.

Demasiados supuestos pesan las previsiones de su modelo de incertidumbres e imprecisiones. La eliminación de las variables innecesarias conduce a un modelo más robusto, pero no es fácil decidir qué variables a incluir en el análisis - y esas decisiones afectan directamente el rendimiento del modelo.

Pero aquí es donde el analista puede ejecutar en un dilema: Incluyendo factores innecesarios puede sesgar o distorsionar la salida del modelo, pero excluyendo una variable relevante deja el modelo incompleto.

Así que cuando llega el momento de seleccionar las variables de decisión de suma importancia, llamar a sus expertos de dominio de conocimiento. Cuando usted tiene un conjunto precisa, basada en la realidad de las variables de decisión, usted no tiene que hacer demasiadas suposiciones - y el resultado puede ser menos errores en el modelo predictivo.