Commonwealth Bank utiliza la analítica para predecir la probabilidad de actividad fraudulenta en cualquier transacción determinada antes de que ésta sea autorizada — apenas en un lapso de 40 milisegundos posterior al inicio de la transacción.

Desde que el ahora infame estudio que demostró que los hombres que compran pañales a menudo compran cerveza al mismo tiempo, los retailers de todas partes utilizan la analítica predictiva para determinar qué productos tener en existencia, la efectividad de eventos promocionales y qué ofertas son las más apropiadas para los consumidores.

Ya sea que necesite anticipar fallos de equipo y futuras necesidades de recursos, mitigar riesgos de seguridad y confiabilidad, o mejorar el desempeño en general, la industria de la energía ha adoptado la analítica predictiva con vigor.

Salt River Project es la segunda planta de suministro de energía pública de los Estados Unidos y uno de los proveedores de agua más grandes de Arizona.

Los análisis de datos de sensores de máquinas anticipan cuándo necesitan mantenimiento las turbinas generadoras de energía. Los gobiernos han sido participantes clave en el avance de las tecnologías de cómputo.

La Oficina del Censo de los Estados Unidos ha venido analizando datos para entender las tendencias poblacionales por décadas.

Los gobiernos utilizan ahora la analítica predictiva como muchas otras industrias — para mejorar el servicio y el desempeño; detectar y prevenir fraude; y entender mejor el comportamiento de los consumidores. También utilizan la analítica predictiva para mejorar la ciberseguridad.

Además de detectar fraude en reclamos, la industria de los seguros de gastos médicos emprende acciones para identificar a los pacientes con mayor riesgo de sufrir una enfermedad crónica y determinar qué intervenciones son las mejores.

Para los fabricantes es muy importante identificar factores que conllevan a reducción de la calidad y fallos en la producción, así como también optimizar partes, recursos de servicio y distribución.

La analítica del deporte es un área candente, gracias en parte a Nate Silver y las predicciones de los torneos. El equipo Orlando Magic de la NBA utiliza la analítica predictiva de SAS para mejorar sus ingresos y determinar alineaciones de inicio. Usuarios de negocios de toda la organización Orlando Magic tienen acceso instantáneo a la información.

Orlando Magic puede ahora explorar de manera visual los datos más recientes, hasta el mismo encuentro y los asientos. Lea la historia completa de Orlando Magic. Aprenda más acerca de software analítico de texto de SAS. Los modelos predictivos utilizan resultados conocidos para desarrollar o entrenar un modelo que se pueda utilizar para predecir valores para datos diferentes o nuevos.

El uso de modelos proporciona resultados en la forma de predicciones que representan una probabilidad de la variable destino por ejemplo, ingresos con base en la importancia estimada a partir de un conjunto de variables de entrada. Esto es diferente de los modelos descriptivos que le ayudan a entender lo que sucedió o modelos de diagnóstico que le ayudan a entender relaciones clave y determinar por qué algo ha sucedido.

Se han dedicado libros enteros a técnicas y métodos analíticos. Currículos universitarios completos profundizan en este tema. Pero para los principiantes, éstos son algunos aspectos básicos. Existen dos tipos de modelos predictivos. Los modelos de clasificación predicen membresía de clase.

Por ejemplo, usted intenta clasificar si alguien tiene probabilidad de irse, si responderá a una convocatoria, si es un riesgo de crédito bueno o malo, etc. En general, los resultados del modelo se dan en la forma de 0 o 1, donde 1 es el evento que usted pretende lograr.

Los modelos de regresión predicen un número — por ejemplo, cuántos ingresos generará un cliente en el próximo año o el número de meses antes de que falle un componente de una máquina. Tres de las técnicas de modelado predictivo más ampliamente utilizadas son los árboles de decisión, la regresión y las redes neurales.

La regresión lineal y logística es uno de los métodos más populares en la estadística. El análisis de regresión calcula relaciones entre variables. Diseñado para datos continuos que se puede asumir siguen una distribución normal, encuentra patrones clave en grandes conjuntos de datos y a menudo se utiliza para determinar qué tanto factores específicos, como el precio, influencian el movimiento de un activo.

Con el análisis de regresión, deseamos predecir un número, llamado respuesta o variable Y. La regresión múltiple utiliza dos o más variables independientes para predecir el resultado. Con la regresión logística, se predicen variables desconocidas de una variable discreta con base en el valor conocido de otras variables.

La variable de respuesta es categórica, lo que significa que puede asumir sólo un número limitado de valores. Con la regresión logística binaria, una variable de respuesta tiene sólo dos valores, como 0 o 1. En la regresión logística múltiple, una variable de respuesta puede tener varios niveles, como bajo, medio y alto, o 1, 2 y 3.

Los árboles de decisión son modelos de clasificación que generan particiones de datos en subconjuntos basados en categorías de variables de entrada. Esto le ayuda a entender la ruta que siguen las decisiones de una persona. Un árbol de decisión se parece a un árbol donde cada rama representa una elección entre un número de alternativas, y cada hoja representa una clasificación o decisión.

Este modelo observa los datos e intenta hallar la variable que divide los datos en grupos lógicos con las mayores diferencias. Los árboles de decisión son populares porque son fáciles de entender e interpretar. También hacen un buen manejo de valores faltantes y son de utilidad para la selección de variables preliminares.

De este modo, si tiene muchos valores faltantes o desea una respuesta rápida y de fácil interpretación, puede comenzar con un árbol. Las redes neurales son técnicas avanzadas que pueden modelar relaciones extremadamente complejas.

Son populares porque son poderosas y flexibles. El poder está en su capacidad de gestionar relaciones no lineales en los datos, lo cual es cada vez más común conforme recopilamos más datos.

Se utilizan a menudo para confirmar hallazgos de técnicas simples como la regresión y los árboles de decisión. Las redes neurales están basadas en el reconocimiento de patrones y algunos procesos artificialmente inteligentes que "modelan" parámetros de manera gráfica.

Funcionan bien cuando no se conoce una fórmula matemática que relacione entradas con resultados, cuando la predicción es más importante que la explicación o cuando hay muchos datos de entrenamiento. Las redes neurales artificiales fueron desarrolladas originalmente por investigadores que intentaban imitar la neurofisiología del cerebro humano.

Otras técnicas populares de las que quizá escuche hablar. Análisis Bayesiano. Los métodos Bayesianos tratan los parámetros como variables aleatorias y definen la probabilidad como "grados de creencia" es decir, la probabilidad de un evento es el grado hasta donde usted cree que el evento es verdadero.

Cuando realiza un análisis Bayesiano, usted comienza con una creencia previa relacionada con la distribución de probabilidad de un parámetro desconocido. Después de obtener información de los datos que tiene, usted cambia o actualiza su creencia acerca del parámetro desconocido.

Modelos de conjuntos. Los modelos de conjunto son producidos mediante el entrenamiento de varios modelos similares y combinando sus resultados para mejorar la precisión, reducir la parcialidad, reducir la variancia e identificar el mejor modelo para usar con datos nuevos. Incremento de gradiente.

Éste es un enfoque de incremento que muestra su conjunto de datos en varias ocasiones para generar resultados que forman un promedio ponderado del conjunto de datos muestra. Al igual que los árboles de decisión, el incremento no hace suposiciones acerca de la distribución de los datos.

El incremento es menos propenso a sobre ajustar los datos que un árbol de decisión, y si un árbol de decisión ajusta los datos con suficiente precisión, entonces el incremento a menudo mejora el ajuste.

Sobre ajustar los datos significa que utiliza demasiadas variables y el modelo es demasiado complejo. Subajustar significa lo opuesto — no hay suficientes variables y el modelo es demasiado simple. Ambos reducen la precisión de la predicción.

Respuesta incremental llamados también modelos de elevación neta o elevación ascendente. La probabilidad de estos modelos puede cambiar causada por una acción.

Se utilizan ampliamente para reducir las mezclas y descubrir los efectos de diferentes programas de marketing. K nearest neighbor knn.

Éste es un método no paramétrico de clasificación y regresión que predice los valores o membresías de clase de un objeto con base en los ejemplos de entrenamiento k más cercano.

Razonamiento basado en memoria. El razonamiento basado en memoria es una técnica del k-nearest neighbor para clasificar o predecir observaciones.

Cuadrados mínimos parciales. Esta técnica estadística flexible puede ser aplicada a datos de cualquier forma. Modela relaciones entre entradas y resultados incluso cuando las entradas están correlacionadas y son ruidosas, hay múltiples resultados o hay más entradas que observaciones.

El método de cuadrados mínimos parciales busca factores que expliquen variaciones de respuesta y predictores. Análisis de componentes principales. La finalidad del análisis de componentes principales es derivar un pequeño número de combinaciones lineales independientes componentes principales de un conjunto de variables que retengan tanta de la información de las variables originales como sea posible.

Máquina vectorial de soporte. Esta técnica de aprendizaje basado en máquina supervisado utiliza algoritmos de aprendizaje asociados para analizar datos y reconocer patrones.

Se puede utilizar para clasificación y regresión. Minería de datos por series de tiempo. Los datos por series de tiempo tienen la hora estampada y se recopilan con el tiempo en un intervalo en particular ventas en un mes, llamadas por día, visitas a la Web por hora, etc.

La minería de datos por series de tiempo combina técnicas tradicionales de minería de datos y pron´ósticos. Las técnicas de minería de datos como el muestreo, la agrupación en clústeres y los árboles de decisión se aplican a datos recopilados con el tiempo con el objetivo de mejorar las predicciones.

Aprenda más sobre cómo trabajar el ciclo de vida de la analítica para usted. Lo primero que necesita para comenzar a usar la analítica predictiva es un problema que resolver.

También deseará considerar qué se hará con las predicciones. Segundo, necesitará datos. En el mundo actual, eso significa datos de muchos lugares.

SAS le ayuda a crear un plan de desarrollo del talento a medida para que pueda formar a su equipo y alcanzar su visión. Cursos Administración Gestión de datos Ciencia de datos Enterprise Guide Machine Learning Programación Estadística Catálogo completo » Horario de clases en vivo ».

Resumen Programas SAS Academy for Data Science SAS Learning Subscription Certificación Insignias Juego de analítica Cortex Formación gratuita Libros Preguntas frecuentes Formación corporativa My Training.

HEC Montreal gana el premio SAS Innovator of the Year. Para los académicos. Explore Cortex para académicos. Para empresas. Explorar Cortex para empresas. El juego está en marcha. Los beneficios Enseñar, entrenar, crear un equipo.

Los educadores pueden:. Ajustar el nivel del juego en función de las necesidades de los alumnos. Animar a los alumnos a trabajar en el juego de forma individual o en colaboración. Acceder a un conjunto completo de contenidos curriculares de apoyo. Permitir a los estudiantes jugar en una instalación local de la tecnología SAS o 20 horas de acceso en la nube.

Ayudar a los estudiantes a obtener una insignia SAS al completar el juego para destacar sus habilidades. Los empresarios pueden:. Personalizar el juego para diferentes niveles de habilidad.

Implementar Cortex como un juego independiente o como parte de un evento de formación existente. Usar Cortex como ejercicio de creación de equipos o herramienta de formación interna para empleados.

Organizar su propio hackathon para reclutar nuevos empleados. Ganar una insignia SAS al completar el juego para destacar las habilidades de los empleados. Los escenarios El juego no se diferencia de algo en lo que trabajaría en la vida real.

Cortex es una manera excelente de lograr que las personas usen nuestra plataforma de analítica y encaja perfectamente con nuestra iniciativa de democracia de datos. Head of Data Science Telia Finland. Me acerqué a Cortex con la mente abierta, ya que no había usado SAS Viya ni jugado el juego antes de esta experiencia.

Me impresionó cómo puedo aplicar los pasos de procesamiento previo y posterior a mis datos para mejorar el análisis predictivo sin escribir código.

Esto me ahorra tiempo y puedo concentrar mi atención en ajustar los parámetros de mi modelo para mejorar su capacidad predictiva.

Aprenda a utilizar el análisis predictivo para mejorar el rendimiento de los jugadores y prevenir lesiones en la gestión deportiva El análisis predictivo en deportes utiliza algoritmos y modelos de aprendizaje automático para procesar grandes cantidades de datos. Estos Análisis predictivo: cambiando las reglas del juego en las empresas · 1. Toma de decisiones basada en datos: · 2. Optimización de procesos: · 3

Analítica Predictiva de Juegos - Mejorando la evaluación de juegos serios aplicando analíticas de aprendizaje y técnicas de minería de datos ; Lectura: En la Universidad Complutense de Madrid ( Aprenda a utilizar el análisis predictivo para mejorar el rendimiento de los jugadores y prevenir lesiones en la gestión deportiva El análisis predictivo en deportes utiliza algoritmos y modelos de aprendizaje automático para procesar grandes cantidades de datos. Estos Análisis predictivo: cambiando las reglas del juego en las empresas · 1. Toma de decisiones basada en datos: · 2. Optimización de procesos: · 3

Los modelos de regresión en cambio nos permiten predecir un valor. Por ejemplo, cuál es el beneficio estimado que obtendremos de un determinado cliente o segmento en los próximos meses o nos ayudan a estimar el forecast de ventas.

A pesar de las diferencias metodológicas y matemáticas entre los tipos de modelos, el objetivo general de todos ellos es similar: predecir resultados futuros basándose en datos pasados. Aunque hay algunas técnicas que son específicas de clasificación y otras de regresión, la mayoría de las técnicas funcionan con ambos.

Un motivo de confusión frecuente es la técnica de regresión logística, que solo funciona para problemas de clasificación y no de regresión.

Son modelos de clasificación muy utilizados que tratan de encontrar la variable que permita dividir el dataset en grupos lógicos que son más diferentes entre sí. Cada árbol se va descomponiendo en distintas ramas y hojas que representan cada clasificación en función de las condiciones que se van seleccionando hasta llegar a la resolución del problema.

Estos modelos son de gran ayuda a la hora de determinar las decisiones a lo largo de un proceso como por ejemplo el funnel de compra. La Inteligencia Artificial y el Deep Learning han puesto muy de moda esta técnica tan sofisticada de reconocimiento de patrones que imita las neuronas del cerebro humano ya que es capaz de modelar relaciones extremadamente complejas y suele utilizarse cuando no se conoce la naturaleza exacta de la relación entre los valores de entrada y los de salida.

Son algoritmos de aprendizaje automático supervisado de cara a reconocer patrones, estando relacionados con problemas de clasificación o regresión. Se trata de una inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta.

Las regresiones logísticas son utilizadas para predecir el resultado de una variable categórica una variable que puede adoptar un número limitado de categorías en función de las variables independientes o predictivas. Es útil para modelar la probabilidad de un evento ocurriendo como función de otros factores.

Por ejemplo, puede utilizarse para predecir el riesgo crediticio. También se llama el método de los mínimos cuadrados porque calcula la suma de las distancias al cuadrado entre los puntos que representan los datos y los puntos de la línea que genera el modelo. Así, la mejor estimación será la que minimice estas distancias.

Este método combina una mezcla de técnicas de data mining tradicional como sampleado, clustering y árboles de decisión, con otras de forecasting con el fin de mejorar las predicciones sobre datos recopilados como ventas por meses o trimestres, llamadas por día, o visitas a nuestra web por hora.

Consiste en reconocer patrones para conocer la probabilidad de que un elemento pertenezca a una clase según su cercanía en el espacio a los elementos de esa clasificación.

Este e-book de SAS incluye consejo del mundo real de empleadores y educadores sobre cómo encontrar, conservar y motivar los grandes talentos analíticos. Lea el resumen. Este reporte de Harvard Business Review Insight Center incluye 25 artículos que se centran en cómo usar la analítica predictiva para la toma de decisiones y la planeación.

Aprenda cómo la atribución del marketing suma la ciencia y elimina la hechicería de sus esfuerzos de marketing reemplazando suposiciones y modelos arbitrarios con datos y analítica.

Lea al artículo. La gestión y coordinación de todos los pasos del proceso analítico pueden ser complejas. Aprenda cómo ir paso a paso y lograr resultados mejores y más confiables. Obtenga más información. El software de minería de datos de SAS ® utiliza algoritmos probados de avanzada diseñados para ayudarle a superar sus más grandes retos.

Aprenda más acerca del software de minería de datos de SAS. Cualquier industria puede utilizar la analítica predictiva para reducir riesgos, optimizar operaciones e incrementar los ingresos. Éstos son algunos ejemplos. Commonwealth Bank utiliza la analítica para predecir la probabilidad de actividad fraudulenta en cualquier transacción determinada antes de que ésta sea autorizada — apenas en un lapso de 40 milisegundos posterior al inicio de la transacción.

Desde que el ahora infame estudio que demostró que los hombres que compran pañales a menudo compran cerveza al mismo tiempo, los retailers de todas partes utilizan la analítica predictiva para determinar qué productos tener en existencia, la efectividad de eventos promocionales y qué ofertas son las más apropiadas para los consumidores.

Ya sea que necesite anticipar fallos de equipo y futuras necesidades de recursos, mitigar riesgos de seguridad y confiabilidad, o mejorar el desempeño en general, la industria de la energía ha adoptado la analítica predictiva con vigor.

Salt River Project es la segunda planta de suministro de energía pública de los Estados Unidos y uno de los proveedores de agua más grandes de Arizona. Los análisis de datos de sensores de máquinas anticipan cuándo necesitan mantenimiento las turbinas generadoras de energía.

Los gobiernos han sido participantes clave en el avance de las tecnologías de cómputo. La Oficina del Censo de los Estados Unidos ha venido analizando datos para entender las tendencias poblacionales por décadas. Los gobiernos utilizan ahora la analítica predictiva como muchas otras industrias — para mejorar el servicio y el desempeño; detectar y prevenir fraude; y entender mejor el comportamiento de los consumidores.

También utilizan la analítica predictiva para mejorar la ciberseguridad. Además de detectar fraude en reclamos, la industria de los seguros de gastos médicos emprende acciones para identificar a los pacientes con mayor riesgo de sufrir una enfermedad crónica y determinar qué intervenciones son las mejores.

Para los fabricantes es muy importante identificar factores que conllevan a reducción de la calidad y fallos en la producción, así como también optimizar partes, recursos de servicio y distribución. La analítica del deporte es un área candente, gracias en parte a Nate Silver y las predicciones de los torneos.

El equipo Orlando Magic de la NBA utiliza la analítica predictiva de SAS para mejorar sus ingresos y determinar alineaciones de inicio. Usuarios de negocios de toda la organización Orlando Magic tienen acceso instantáneo a la información. Orlando Magic puede ahora explorar de manera visual los datos más recientes, hasta el mismo encuentro y los asientos.

Lea la historia completa de Orlando Magic. Aprenda más acerca de software analítico de texto de SAS. Los modelos predictivos utilizan resultados conocidos para desarrollar o entrenar un modelo que se pueda utilizar para predecir valores para datos diferentes o nuevos.

El uso de modelos proporciona resultados en la forma de predicciones que representan una probabilidad de la variable destino por ejemplo, ingresos con base en la importancia estimada a partir de un conjunto de variables de entrada.

Esto es diferente de los modelos descriptivos que le ayudan a entender lo que sucedió o modelos de diagnóstico que le ayudan a entender relaciones clave y determinar por qué algo ha sucedido. Se han dedicado libros enteros a técnicas y métodos analíticos.

Currículos universitarios completos profundizan en este tema. Pero para los principiantes, éstos son algunos aspectos básicos. Existen dos tipos de modelos predictivos. Los modelos de clasificación predicen membresía de clase. Por ejemplo, usted intenta clasificar si alguien tiene probabilidad de irse, si responderá a una convocatoria, si es un riesgo de crédito bueno o malo, etc.

En general, los resultados del modelo se dan en la forma de 0 o 1, donde 1 es el evento que usted pretende lograr. Los modelos de regresión predicen un número — por ejemplo, cuántos ingresos generará un cliente en el próximo año o el número de meses antes de que falle un componente de una máquina.

Tres de las técnicas de modelado predictivo más ampliamente utilizadas son los árboles de decisión, la regresión y las redes neurales. La regresión lineal y logística es uno de los métodos más populares en la estadística. El análisis de regresión calcula relaciones entre variables.

Diseñado para datos continuos que se puede asumir siguen una distribución normal, encuentra patrones clave en grandes conjuntos de datos y a menudo se utiliza para determinar qué tanto factores específicos, como el precio, influencian el movimiento de un activo.

Con el análisis de regresión, deseamos predecir un número, llamado respuesta o variable Y. La regresión múltiple utiliza dos o más variables independientes para predecir el resultado. Con la regresión logística, se predicen variables desconocidas de una variable discreta con base en el valor conocido de otras variables.

La variable de respuesta es categórica, lo que significa que puede asumir sólo un número limitado de valores. Con la regresión logística binaria, una variable de respuesta tiene sólo dos valores, como 0 o 1.

En la regresión logística múltiple, una variable de respuesta puede tener varios niveles, como bajo, medio y alto, o 1, 2 y 3. Los árboles de decisión son modelos de clasificación que generan particiones de datos en subconjuntos basados en categorías de variables de entrada.

Esto le ayuda a entender la ruta que siguen las decisiones de una persona. Un árbol de decisión se parece a un árbol donde cada rama representa una elección entre un número de alternativas, y cada hoja representa una clasificación o decisión.

Este modelo observa los datos e intenta hallar la variable que divide los datos en grupos lógicos con las mayores diferencias. Los árboles de decisión son populares porque son fáciles de entender e interpretar.

También hacen un buen manejo de valores faltantes y son de utilidad para la selección de variables preliminares. De este modo, si tiene muchos valores faltantes o desea una respuesta rápida y de fácil interpretación, puede comenzar con un árbol. Las redes neurales son técnicas avanzadas que pueden modelar relaciones extremadamente complejas.

Son populares porque son poderosas y flexibles. El poder está en su capacidad de gestionar relaciones no lineales en los datos, lo cual es cada vez más común conforme recopilamos más datos.

Se utilizan a menudo para confirmar hallazgos de técnicas simples como la regresión y los árboles de decisión. Las redes neurales están basadas en el reconocimiento de patrones y algunos procesos artificialmente inteligentes que "modelan" parámetros de manera gráfica.

Funcionan bien cuando no se conoce una fórmula matemática que relacione entradas con resultados, cuando la predicción es más importante que la explicación o cuando hay muchos datos de entrenamiento.

Las redes neurales artificiales fueron desarrolladas originalmente por investigadores que intentaban imitar la neurofisiología del cerebro humano. Otras técnicas populares de las que quizá escuche hablar. Análisis Bayesiano.

Los métodos Bayesianos tratan los parámetros como variables aleatorias y definen la probabilidad como "grados de creencia" es decir, la probabilidad de un evento es el grado hasta donde usted cree que el evento es verdadero. Cuando realiza un análisis Bayesiano, usted comienza con una creencia previa relacionada con la distribución de probabilidad de un parámetro desconocido.

Después de obtener información de los datos que tiene, usted cambia o actualiza su creencia acerca del parámetro desconocido. Modelos de conjuntos. Los modelos de conjunto son producidos mediante el entrenamiento de varios modelos similares y combinando sus resultados para mejorar la precisión, reducir la parcialidad, reducir la variancia e identificar el mejor modelo para usar con datos nuevos.

Incremento de gradiente. Éste es un enfoque de incremento que muestra su conjunto de datos en varias ocasiones para generar resultados que forman un promedio ponderado del conjunto de datos muestra.

Al igual que los árboles de decisión, el incremento no hace suposiciones acerca de la distribución de los datos. El incremento es menos propenso a sobre ajustar los datos que un árbol de decisión, y si un árbol de decisión ajusta los datos con suficiente precisión, entonces el incremento a menudo mejora el ajuste.

Sobre ajustar los datos significa que utiliza demasiadas variables y el modelo es demasiado complejo. Subajustar significa lo opuesto — no hay suficientes variables y el modelo es demasiado simple. Ambos reducen la precisión de la predicción. Respuesta incremental llamados también modelos de elevación neta o elevación ascendente.

La probabilidad de estos modelos puede cambiar causada por una acción. Se utilizan ampliamente para reducir las mezclas y descubrir los efectos de diferentes programas de marketing. K nearest neighbor knn. Éste es un método no paramétrico de clasificación y regresión que predice los valores o membresías de clase de un objeto con base en los ejemplos de entrenamiento k más cercano.

Razonamiento basado en memoria. El razonamiento basado en memoria es una técnica del k-nearest neighbor para clasificar o predecir observaciones.

Cuadrados mínimos parciales. Esta técnica estadística flexible puede ser aplicada a datos de cualquier forma. Modela relaciones entre entradas y resultados incluso cuando las entradas están correlacionadas y son ruidosas, hay múltiples resultados o hay más entradas que observaciones.

El método de cuadrados mínimos parciales busca factores que expliquen variaciones de respuesta y predictores. Análisis de componentes principales. La finalidad del análisis de componentes principales es derivar un pequeño número de combinaciones lineales independientes componentes principales de un conjunto de variables que retengan tanta de la información de las variables originales como sea posible.

Analítica Predictiva de Juegos - Mejorando la evaluación de juegos serios aplicando analíticas de aprendizaje y técnicas de minería de datos ; Lectura: En la Universidad Complutense de Madrid ( Aprenda a utilizar el análisis predictivo para mejorar el rendimiento de los jugadores y prevenir lesiones en la gestión deportiva El análisis predictivo en deportes utiliza algoritmos y modelos de aprendizaje automático para procesar grandes cantidades de datos. Estos Análisis predictivo: cambiando las reglas del juego en las empresas · 1. Toma de decisiones basada en datos: · 2. Optimización de procesos: · 3

Esta información es sustancial para la implementación de decisiones o estrategias que maximizan los resultados y minimizan los errores; aunque esto depende de la calidad de los datos con los que se cuente. Asimismo, la inteligencia artificial ayuda a recopilar y almacenar de modo automático los datos de los usuarios en internet.

Por supuesto, para las empresas el análisis predictivo es una herramienta muy útil. A continuación, conocerás porqué. Gracias al análisis predictivo, una organización puede identificar con antelación los riesgos que amenazan a la industria en la que se desarrolla.

De esa manera, es más sencillo invertir en acciones que ayudarán a evitar, o al menos minimizar, el daño para recuperarse en menos tiempo. Al predecir la cantidad de inventario que se necesitará, o identificar las necesidades que los clientes querrán resolver con lo que ofrece el negocio, la empresa invierte sus recursos de forma más inteligente.

Inditex usa este método en sus inventarios. Gracias a la práctica del análisis predictivo, Amazon logró consolidar sus sistema de recomendaciones en las compras en línea. Su plataforma registra las búsquedas y relaciona los productos que pertenecen a la misma categoría o que otros clientes suelen comprar juntos.

Además de adelantarse a una tendencia, el análisis predictivo permite influir en las decisiones de los clientes, mostrando el contenido oportuno en el momento adecuado. Gracias a los datos disponibles sobre el comportamiento de un sector interesado en un producto o servicio, la empresa se percata de la información que hace falta para convencerlo y se las hace llegar a través de los canales que suele visitar.

Un ejemplo de esto es lo que ocurre algunas tiendas en línea como Mercado Libre, si hiciste una búsqueda en su tienda, pero no concluiste la compra, en tu bandeja de correo, en el navegador o en alguna app que utilices suelen aparecer anuncios relacionados con tu búsqueda en el ecommerce.

Por otro lado, cuando hablamos de eficiencia también hacemos referencia la importancia de tener visibilidad total de todo el recorrido del cliente en un mismo lugar para optimizar el ROI y el presupuesto de marketing. Por eso, Marketing Hub pone todas las herramientas y los datos en una plataforma potente y fácil de usar.

Ahorrarás tiempo y tendrás el contexto necesario para brindar una experiencia personalizada que atraiga y convierta a los clientes a gran escala. Nos referimos a mercados o segmentos potenciales que quizá no eran viables en un inicio, pero que, gracias al crecimiento de la empresa y el rendimiento que tiene históricamente, son nuevas oportunidades para diversificarse y conquistar retos más importantes.

Para deleitar con mayor éxito a los clientes, una marca utiliza este tipo de análisis para descubrir quiénes agradecerán recibir noticias sobre ciertos artículos o servicios que complementan su experiencia, u ofrece algo totalmente innovador.

Cabe mencionar que los modelos representan y describen cómo se realiza el análisis predictivo, mientras que las técnicas son el conjunto de acciones para realizar este proceso.

Este modelo predice la pertenencia a una clase. Como cuando quieres saber cuáles de tus clientes son propensos a abandonarte por la competencia. Así se puede crear una clasificación que ayude a dirigir eficientemente los mensajes que ciertas personas necesitan conocer para mantenerse fieles a la marca.

Es el más sencillo, y se logra respondiendo preguntas con «sí» o «no», o de forma binaria 0 y 1. Puede aplicarse a distintos negocios y es ideal para tomar decisiones, como otorgar un préstamo, dar un beneficio especial a un cliente para convencerlo de continuar con el negocio, etc.

Es el más utilizado dentro del análisis predictivo. Predice un valor con base en la relación que tienen las variables de datos entre sí. Es una manera de comprender la importancia de ese segmento y, por lo tanto, cuándo debe invertirse para alcanzar los objetivos que convienen para la empresa.

Este modelo asigna una variable en grupos separados, basándose en atributos similares. Cuando se crean estrategias de marketing personalizadas, los modelos de agrupación son muy útiles porque identifican características y comportamientos que comparten determinados grupos de clientes o prospectos, para luego reconocerlos como los ideales para ciertas campañas, mensajes y contenidos.

Implementa datos históricos para predecir métricas de valores, estimando el valor numérico de nueva información con base en lo que antes ya sabía.

Es lo que permite que un centro de atención telefónico estime la cantidad de llamadas que recibirá un viernes por la tarde, o el inventario que una tienda de juguetes debe tener para la siguiente época de fin de año.

Está orientado a entradas anómalas de datos, ya sea porque son atípicos por sí mismos o lo son en comparación con otros de su mismo grupo y distintas categorías. Son modelos útiles para las tiendas de menudeo y finanzas, porque detecta fraudes o fallas en productos cuando se analiza la información relacionada.

Por ejemplo, para el caso de teléfonos móviles con defectos, un aumento irregular de llamadas al área de atención al cliente o soporte indica que hay más usuarios de los habituales que buscan soluciones. Incluso este tipo de análisis podría descubrir en cuáles modelos se presenta la falla, la versión del software que la registra y en qué tipo de acciones se presenta el error.

Este modelo es útil para comprender cómo una métrica se desarrolla a lo largo del tiempo, más allá de porcentajes. Funciona tomando los datos de un periodo para desarrollar una métrica que utiliza para predecir lo que sucederá en el futuro, entre las próximas 3 y 6 semanas.

Escenario de recaudación de fondos: trabaja en una campaña de recaudación de fondos para una fundación benéfica sin ánimo de lucro bien establecida. Debe recaudar la mayor cantidad de dinero posible por medio de un software de modelado predictivo; decidirá a quién llamar para sacar el máximo partido a su inversión.

Tendrá que ser estratégico, porque llamar en frío a posibles donantes tiene un costo. Conseguir las donaciones más rentables, de la más forma rápida y eficaz. Le proporcionaremos información sobre la organización y el conjunto de datos de los donantes potenciales, así como acceso a SAS® Viya®.

Una vez que haya terminado, subirá su lista de llamadas a la tabla de clasificación y verá su posición. Escenario de riesgo crediticio: usted es un agente de crédito que trabaja para un gran banco. Debe evaluar la solvencia de los solicitantes de préstamos por medio del desarrollo de un modelo predictivo para determinar si deben ser aprobados o rechazados.

Para ello, recibirá un archivo con información histórica de los préstamos de los clientes, que incluye datos demográficos, indicadores financieros, métricas relacionadas con el crédito, el tipo de financiación solicitada y el historial de incumplimiento de pagos, además de tener acceso a SAS® Viya®.

Y, lo que es más importante, ¿cuál será su posición en el marcador una vez que se haya cargado su lista? Escenario de retención de clientes: su empleador, una gran empresa de telecomunicaciones, le ha pedido que gestione una campaña de fidelización de clientes que implica la planificación de un evento de alto nivel y el cortejo de los clientes adecuados.

Su objetivo principal, por supuesto, es aumentar la fidelidad y mantener a los clientes contentos, pero también tiene que mantener a su empleador contento, al generar beneficios y mantener los costos bajos.

Es un equilibrio delicado. Por suerte, dispondrá de instrucciones, de un conjunto de datos y de SAS® Viya® para ayudarle a tomar las mejores decisiones, y aplastar a la competencia. Los Programas Académicos de SAS proporcionan recursos en línea en profundidad, lo que facilita el aprendizaje o la enseñanza de SAS.

Este seminario web sobre la gestión de la relevancia de las competencias aborda cómo la formación puede conducir a resultados empresariales ideales. SAS le ayuda a crear un plan de desarrollo del talento a medida para que pueda formar a su equipo y alcanzar su visión.

Cursos Administración Gestión de datos Ciencia de datos Enterprise Guide Machine Learning Programación Estadística Catálogo completo » Horario de clases en vivo ».

Producción de servicios digitales basada en la API de FHIR. Solución para conectar sistemas de atención médica y apps existentes en Google Cloud. Herramientas para administrar, procesar y transformar datos biomédicos.

Obtén una vista de paciente integral con datos de Fitbit conectados en Google Cloud. Estadísticas en tiempo real de texto médico no estructurado. Haz que los datos de imágenes médicas sean accesibles, interoperables y útiles a fin de acelerar el desarrollo de la IA para estas imágenes.

Integración que proporciona una plataforma de desarrollo sin servidores en GKE. Herramienta para trasladar aplicaciones existentes y cargas de trabajo a GKE. Servicio para ejecutar compilaciones en la infraestructura de Google Cloud. Panel de control de tráfico y administración para una malla de servicios abierta.

Plataforma de administración, desarrollo y seguridad de API. Soluciones completamente administradas para los centros de datos y perímetros. Internet de las cosas. Servicio de administración, integración y conexión de dispositivos de IoT.

ASIC diseñado para ejecutar inferencias de AA e IA en el perímetro. Automatiza la política y la seguridad de tus implementaciones. Panel para ver y exportar los informes de emisiones de carbono de Google Cloud.

Interfaces programáticas para los servicios de Google Cloud. Interfaz basada en la Web para administrar y supervisar las apps en la nube. App para administrar los servicios de Google Cloud desde tu dispositivo móvil.

Entorno de shell interactivo con línea de comandos integrada. Complemento de Kubernetes para administrar recursos de Google Cloud. Herramientas para supervisar, controlar y optimizar tus costos. Herramientas para administrar fácilmente el rendimiento, la seguridad y los costos.

Catálogo de servicios para administradores que gestionan soluciones empresariales internas. Herramienta de código abierto que te permite aprovisionar recursos de Google Cloud con archivos de configuración declarativos.

Multimedia y videojuegos. Servicio que permite convertir videos en vivo y prepararlos para la transmisión. Administrador de renderizado de código abierto para efectos visuales y animaciones. Convierte archivos de video y agrúpalos para una entrega optimizada. Servicio de inserción de anuncios dinámicos o del servidor.

Migración de apps a la nube para ciclos de actualización de bajo costo. Servicio de transferencia de datos de BigQuery. Servicio de importación de datos para programar la carga de datos y el traslado a BigQuery. Plantillas de referencia para Deployment Manager y Terraform.

Componentes para migrar VMs a contenedores de sistemas alojados en GKE. Componentes para migrar VMs y servidores físicos a Compute Engine. Plataforma unificada para migrar y modernizar con Google Cloud. Servidor de almacenamiento para trasladar grandes volúmenes de datos a Google Cloud.

Servicio de transferencia de almacenamiento. Transferencias de datos de fuentes en línea y locales a Cloud Storage.

Migra tus cargas de trabajo de VMware de manera nativa en Google Cloud. Políticas de seguridad y defensa contra ataques web y de DSD. Sistema de nombres de dominio para realizar búsquedas de nombres confiables y de baja latencia.

Servicio para distribuir el tráfico entre aplicaciones y regiones. Servicio de NAT para otorgar acceso a Internet a instancias privadas. Opciones de conectividad de VPN, intercambio de tráfico y necesidades empresariales.

Administración de conectividad para simplificar y escalar las redes. Plataforma de supervisión, verificación y optimización de redes. Opciones de red de Cloud basadas en el rendimiento, la disponibilidad y el costo. Observa todos los productos de Herramientas de redes. Administración de registros de aplicaciones, auditoría y plataforma de Google Cloud.

Verificaciones de estado de la infraestructura y las aplicaciones con métricas detalladas. Identificación y análisis de errores de las aplicaciones. Solución de problemas y desarrollo de apps de GKE.

Sistema de seguimiento que recopila datos de latencia de las aplicaciones. Generador de perfiles del montón y de la CPU para analizar el rendimiento de las aplicaciones. Herramientas para optimizar fácilmente el rendimiento, la seguridad y los costos.

Sistema de administración de permisos para los recursos de Google Cloud. Controles de cumplimiento y seguridad para cargas de trabajo sensibles. Administra las claves de encriptación en Google Cloud. Encripta los datos en uso con Confidential VMs. Plataforma de defensa contra amenazas a tus recursos de Google Cloud.

Plataforma de inspección, clasificación y ocultamiento de datos sensibles. Tecnología y experiencia en seguridad cibernética de primera línea. Extrae indicadores de la telemetría de seguridad para encontrar amenazas al instante.

Detecta amenazas cibernéticas, investígalas y responde a ellas. Protege tu sitio web de las actividades fraudulentas, el spam y el abuso sin inconvenientes. Ver todos los productos de identidad y seguridad. Plataforma para crear funciones que respondan a eventos en la nube. Organización de flujos de trabajo para productos y servicios de API sin servidores.

Servicios de almacenamiento basados en la nube para tu negocio. Almacenamiento de archivos altamente escalable y seguro. Almacenamiento en bloque para instancias de máquinas virtuales que se ejecutan en Google Cloud.

Almacenamiento de objetos para guardar y entregar contenido generado por usuarios. Almacenamiento en bloque conectado localmente para necesidades de alto rendimiento. Copia de seguridad administrada y recuperación ante desastres para una protección de datos coherente en la aplicación.

close Ahorra dinero con nuestro enfoque transparente de precios Los precios de prepago de Google Cloud ofrecen ahorros automáticos en función del uso mensual y las tarifas con descuento para recursos prepagados.

Comunícate con nosotros hoy para obtener una cotización. Solicita una cotización. Descripción general de los precios y herramientas Precios de Google Cloud.

Paga solo por lo que uses, sin compromisos a largo plazo. Explora productos con uso mensual gratuito. Esquema de optimización de costos. Conoce las prácticas recomendadas para optimizar los costos de las cargas de trabajo.

Herramientas para supervisar y controlar tus costos. Precios específicos de productos Compute Engine. Consulta la lista completa de precios con más de productos. close Aprende y compila Programa gratuito de Google Cloud.

Obtén instructivos y explicaciones. Conceptos básicos de la computación en la nube. Obtén más información sobre temas de computación en la nube. Lee las historias y noticias más recientes sobre los productos. Centro de aprendizaje.

Impulsa tu carrera con el aprendizaje basado en roles. Inscríbete en capacitaciones a pedido o presenciales. Prepárate a fin de registrarte para las certificaciones.

Obtén arquitecturas de referencia y prácticas recomendadas. Conéctate Innovators. Únete al programa para desarrolladores de Google Cloud.

Entérate de las novedades y mantente en contacto. Explora los eventos próximos y on demand. Haz preguntas, encuentra respuestas y conéctate. Socios y herramientas de terceros Google Cloud Marketplace.

Implementa soluciones listas para usar con unos pocos clics. Explora los beneficios de trabajar con un socio. Únete al programa Partner Advantage. Comunícate con nosotros Comenzar gratis. Descripción general Más Soluciones Más Productos Más Precios Más Recursos Más Documentos Asistencia Consola Comunícate con nosotros Comenzar gratis.

Ir a ¿Qué es el análisis predictivo? Temas Analíticas predictivas. Empezar gratis Contactar con Ventas. Definición de análisis predictivo. Científicos de datos utilizan modelos predictivos para identificar correlaciones entre diferentes elementos de conjuntos de datos determinados.

Una vez finalizada la recogida de datos, se crea un modelo estadístico, se entrena y se modifica para realizar predicciones precisas. Para crear frameworks de analíticas predictivas, debes seguir cinco pasos básicos: Determinar el problema: una predicción empieza por una buena tesis y un conjunto de requisitos.

Por ejemplo, ¿un modelo de analíticas predictivas puede detectar fraudes? Delimitar el problema que se quiere solucionar permite determinar qué método de analíticas predictivas se debe utilizar para ello.

Obtener y organizar los datos: una organización puede tener décadas de datos a los que recurrir o una afluencia continua de datos que provenga de las interacciones de los clientes. Antes de desarrollar modelos de analíticas predictivas, es necesario identificar los flujos de datos y, a continuación, organizar los conjuntos de datos en un repositorio, como un almacén de datos por ejemplo, BigQuery.

Preprocesar datos: los datos en bruto solo son útiles simbólicamente. Para preparar los datos para los modelos de analíticas predictivas, se deben limpiar para eliminar las anomalías, los datos que falten o los valores atípicos extremos, que pueden ser el resultado de errores de entrada o de medición.

Desarrollar modelos predictivos: los científicos de datos tienen diversas herramientas y técnicas para desarrollar modelos predictivos en función del problema que se deba resolver y la naturaleza del conjunto de datos.

El aprendizaje automático, los modelos de regresión y los árboles de decisión son algunos de los tipos de modelos predictivos más comunes. Validar los resultados y aplicar modificaciones en consonancia: comprueba la precisión del modelo y ajústalo según sea necesario.

Cuando consigas resultados aceptables, haz que estén disponibles para los colaboradores en una aplicación, un sitio web o un panel de datos. Las analíticas predictivas suelen hacerse con tres tipos principales de técnicas: Análisis de regresión La regresión es una técnica de análisis estadístico con la que se estima la relación entre variables.

Árboles de decisión Los árboles de decisión son modelos de clasificación que sitúan los datos en diferentes categorías según distintas variables. Redes neuronales Las redes neuronales son métodos de aprendizaje automático que son útiles para realizar analíticas predictivas a la hora de crear modelos para analizar relaciones complejas.

Video