Un exitoso proyecto de análisis predictivo se ejecuta paso a paso. Al sumergirse en los detalles del proyecto, esté atento a estos hitos principales:
Definición de objetivos de negocio
El proyecto comienza con el uso de un objetivo de negocio bien definido. El modelo se supone que debe abordar una cuestión de negocios. Claramente indica que el objetivo le permitirá definir el alcance de su proyecto, y le proporcionará la prueba exacta de medir su éxito.
Datos Preparación
Vamos a usar los datos históricos para entrenar a su modelo. Los datos son generalmente dispersa a través de múltiples fuentes y puede requerir la limpieza y preparación. Los datos pueden contener registros duplicados y outliers- dependiendo del análisis y el objetivo de negocio, usted decide si desea mantener o eliminarlos. Además, los datos podrían tener valores perdidos, puede que tenga que someterse a una transformación, y puede ser utilizado para generar atributos derivados que tienen mayor poder predictivo para su objetivo. En general, la calidad de los datos indica la calidad del modelo.
El muestreo de los datos
Usted tendrá que dividir los datos en dos conjuntos: formación y la prueba conjuntos de datos. Usted construye el modelo utilizando el conjunto de datos de entrenamiento. Utiliza los datos de prueba establecidos para verificar la exactitud de la producción del modelo. Si lo hace, es absolutamente crucial. De lo contrario se corre el riesgo de sobreajuste su modelo - entrenar el modelo con un conjunto de datos limitado, hasta el punto que recoge todas las características (tanto de la señal y el ruido) que sólo son verdaderas para ese conjunto de datos en particular. Un modelo que está overfitted para un conjunto de datos específico realizará miserablemente cuando se ejecuta en otros conjuntos de datos. Un conjunto de datos de prueba se asegura de una forma válida de medir con precisión el rendimiento de su modelo.
Construyendo el Modelo
A veces, los datos o los objetivos de negocio se prestan a un algoritmo o modelo específico. Otras veces el mejor enfoque no es tan clara. Al explorar los datos, ejecutar como muchos algoritmos como CAN comparar sus salidas. Base su elección del modelo final sobre los resultados generales. A veces es mejor la ejecución de un conjunto de modelos de forma simultánea en los datos y elegir un modelo final mediante la comparación de sus resultados.
Implementación del Modelo
Después de construir el modelo, hay que desplegarlo con el fin de aprovechar sus beneficios. Ese proceso puede requerir la coordinación con otros departamentos. Apunta a la construcción de un modelo de despliegue. También asegúrese de saber cómo presentar sus resultados a los accionistas de la empresa de una manera comprensible y convincente para que adopten su modelo. Después se implementa el modelo, tendrá que vigilar su desempeño y continuar mejorándolo. La mayoría de los modelos de descomposición después de un cierto período de tiempo. Mantenga su modelo al día actualizando con nuevos datos disponibles.
Fuentes de datos para análisis predictivo Proyectos
Los datos de un proyecto de análisis predictivo pueden provenir de muchas fuentes diferentes. Algunas de las fuentes más comunes son dentro de sus propias fuentes comunes organización- incluyen datos adquiridos de proveedores externos.
Fuentes de datos internas incluyen
Los datos transaccionales, tales como compras de los clientes
Perfiles de clientes, como la información introducida por el usuario de los formularios de inscripción
Historias de la campaña, incluyendo si los clientes respondieron a los anuncios
Datos de navegación, incluyendo los patrones de clics web de los clientes
Interacciones con los clientes, tales como los de e-mails, chats, encuestas y llamadas de servicio al cliente
Datos de máquina-generada, como el de la telemática, sensores y medidores inteligentes
Fuentes de datos externos incluyen
Las redes sociales como Facebook, Twitter y LinkedIn
Los servicios de suscripción como Bloomberg, Thompson Reuters, Esri y Westlaw
Al combinar los datos de varias fuentes de datos dispares en sus modelos de predicción, puede obtener una mejor visión general de su cliente, por lo tanto un modelo más preciso.
Asegurar el éxito al utilizar análisis predictivo
Piense en el análisis predictivo como una bombilla brillante impulsado por los datos. La luz (visión) de análisis predictivo puede potenciar su estrategia, optimizar sus operaciones y mejorar su cuenta de resultados. Los siguientes cuatro recomendaciones pueden ayudarle a garantizar el éxito de sus iniciativas de análisis predictivo.
Fomentar una cultura de cambio
El análisis predictivo deben adoptarse en toda la organización en su conjunto. La organización debería aceptar el cambio. Las partes interesadas de negocios deben estar preparados para incorporar las recomendaciones y adoptar las conclusiones derivadas de los proyectos de análisis predictivo. Los resultados de unos proyectos de análisis predictivo sólo son valiosos si los líderes empresariales están dispuestos a actuar sobre ellos.
Crear un equipo de datos en la ciencia
Contratar a un equipo de los datos en la ciencia cuyo único trabajo es establecer y apoyar sus soluciones de análisis predictivo. Este equipo de talento que comprenden profesionales- analistas de negocios, científicos de datos y tecnólogos de la información - está mejor equipado para trabajar en el proyecto a tiempo completo. La inclusión de una serie de antecedentes profesionales puede aportar información valiosa para el equipo de otros dominios. Selección de los miembros del equipo de diferentes departamentos en su organización puede ayudar a asegurar una amplia aceptación.
Utilice herramientas de visualización efectiva
La visualización es una poderosa manera de transmitir ideas complejas de manera eficiente. Usando la visualización efectiva puede ayudar inicialmente a explorar y entender los datos que usted está trabajando. Las ayudas visuales como gráficos también pueden ayudar a evaluar la producción de la modelo o comparar el rendimiento de los modelos predictivos.
Utilice las herramientas de análisis predictivo
Potentes herramientas de análisis predictivo están disponibles como paquetes de software en el mercado. Están diseñados para hacer todo el proceso mucho más fácil. Sin el uso de este tipo de herramientas, construcción de un modelo desde cero rápidamente se convierte requiere mucho tiempo. Utilizando una buena herramienta de análisis predictivo le permite ejecutar múltiples escenarios e instantáneamente comparar los resultados - todo con un par de clics. Una herramienta puede automatizar rápidamente muchos de los pasos que consumen tiempo necesarios para construir y evaluar uno o más modelos.
