Maestría:
Administración financiera
Materia:
Analítica y minería de datos
Trabajo:
Reporte de videos: Técnicas Predictivas para la modelización
de datos.
Docente:
Rafael Antonio Rivera Cruz
Alumna:
Brisa del Carmen Cárdenas Hernández.
Fecha de entrega:
19 de febrero del 2023
INDICE
INTRODUCCIÓN ..................................................... 3
REPORTE DE VIDEOS .............................................. 4
CONCLUSIÓN ....................................................... 12
BIBLIOGRAFÍA ........................................................ 13
INTRODUCCIÓN
Las técnicas predictivas son un conjunto de herramientas y modelos de análisis de
datos que se utilizan para predecir el comportamiento futuro de los datos. Estas
técnicas se utilizan para predecir la tendencia de los datos, predecir la demanda de
productos o servicios y predecir el comportamiento de los usuarios. Estas técnicas
son especialmente útiles para la toma de decisiones en la gestión de un negocio.
Las técnicas predictivas se basan en la recopilación de datos de forma estructurada
y su posterior análisis. Las técnicas predictivas también se pueden aplicar para la
minería de datos y el análisis de redes. Estas técnicas se utilizan para identificar
tendencias, patrones y relaciones entre distintos conjuntos de datos. Estas técnicas
se utilizan para entender mejor el comportamiento de los usuarios y para identificar
oportunidades de negocio.
Las técnicas predictivas también se pueden aplicar para la detección de fraudes.
Estas técnicas se basan en la identificación de patrones anómalos en los datos que
pueden indicar un comportamiento fraudulento. Estas herramientas también se
pueden utilizar para detectar posibles ataques informáticos.
Estas herramientas se basan en la recopilación de datos y su posterior análisis para
entrenar modelos predictivos. Estos modelos permiten predecir el comportamiento
futuro de los datos.
Dentro de este trabajo se realizó un reporte de seis videos relacionados sobre el
tema de técnicas predictivas para la modelización de datos.
REPORTE DE VIDEOS
VIDEO 1
El modelamiento predictivo: proceso de diseño e implementación, prueba,
validación de los resultados y selección del modelo de predicción más beneficioso,
en la cual se apoya diferentes métodos de análisis y logaritmos de aprendizaje.
La validación del modelo de predicción: asegura tener el modelo más
adecuado, para predecir la probabilidad de un resultado.
Los métodos de modelamiento disponibles en las plataformas de software de
analítica predictiva son: Estadística, minería de datos, aprendizaje de máquina y la
inteligencia artificial.
El modelo de predicción es seleccionado basado en criterios de modelos de
prueba, validación y evaluación de resultados en función de la teoría de detección
y suposición de probabilidad de un resultado dado una muestra de datos
determinada.
Los modelos, pueden emplear distintas técnicas lógicas matemáticas de
clasificación para intentar determinar la probabilidad que un conjunto de datos
artística otro o que una variable tome un determinado valor lo que se conoce como
el nombre de predicción.
El modelo predictivo disponibles en la plataforma de software de analítica
predictiva pueden ser:
Pronósticos de venta basados en serie de tiempo.
Detección de enfermedades.
Precio de mayorista
Sistema de detección de fraudes.
Todos estos modelos predictivos permiten obtener nueva información a partir de
los datos de entrada y así seleccionar el modelo predictivo que mejor se adapte al
negocio, cada modelo tiene sus fortalezas y debilidades están diseñados para
tipos particulares de problemas.
Un modelo predictivo es reutilizable y se crea a partir del entrenamiento de un
algoritmo empleando datos históricos y salvando el modelo para posteriores usos
compartiendo las reglas de negocio generales qué pueden aplicarse a datos
similares con el objeto de analizar los resultados utilizando el algoritmo entrenado
y nuevos datos.
Los procesos estandarizados del modelamiento predictivo que son críticos en la
plataforma de software de analítica predictiva son:
1.- Creación del modelo: comprende el diseño e implementación de modelos de
predicción que serán entrenados a partir de uno o más algoritmos tomando los
datos de entrenamiento de la muestra.
2.- Prueba del modelo: utilizando algoritmos de aprendizaje y datos de
entrenamiento de la muestra en algunos escenarios las pruebas se llevan a cabo
basados en datos históricos para observar y confirmar la mejor predicción del
modelo.
3.- Validación del modelo: valida los resultados del modelo a través de
comprensión de los datos del negocio e interface de visualización.
4.- Evaluación del modelo: permite la evaluación y selección del modelo de
predicción que mejor se ajusta a los resultados históricos el proceso de
modelamiento implica la ejecución de manera iterativa de uno o más algoritmo
sobre los datos de la muestra este proceso se conoce como el nombre de
entrenamiento del modelo.
CATEGORIAS DE LOS MODELOS DE PREDICCIÓN
Los modelos de predicción de otro lado clasificados como:
Modelos predictivos: estos analizan los datos históricos para elaborar
predicciones futuras.
Modelos descriptivos: analizan los datos históricos y establece relaciones entre
los datos con el propósito de clasificar los conjuntos de datos en grupos.
Modelos de decisión: también conocido como modelos prescriptivos. Establece
las relaciones entre los diversos elementos de una decisión para predecir sus
resultados y seleccionar una decisión.
https://youtu.be/TLmCVItX5xw
VIDEO 2
LA MINERÍA DE DATOS EN LA ANALÍTICA PREDICTIVA
La minería de datos: es el proceso de descubrimiento de patrones de
comportamiento de los datos en grandes volúmenes con la ayuda de la
computadora y aplicaciones de inteligencia artificial, aprendizaje de máquina,
estadística y sistema de administración de datos. el propósito de la minería de
datos también conocida como KDD o Discovery data base es convertir grandes
volúmenes de datos desorganizados en información estructurada para análisis
posteriores.
El proceso de datos: es un proceso de análisis multidisciplinario que debe ser
realizado por matemáticos estadísticos y programadores de computadoras.
La minería de datos engloba diversos procesos entre los cuales está: recolección,
extracción, almacenamiento, limpieza y estandarización, transformación, análisis,
estadística, inteligencia artificial, aprendizaje de máquina y busines inteligent.
Antes que los datos sean explorados es decir sometidos al proceso de análisis
estadístico requiere ser limpiados y transformados para eliminar los errores e
inconsistencias.
La estadística proporciona de herramientas para el análisis y establece patrones y
tendencias de los datos y el aprendizaje de máquina administra las diferentes
metodologías de aprendizaje.
Las técnicas de análisis estadísticos son: procedimientos matemáticos que
buscan establecer patrones y tendencias o reflexiones individuales o grupales.
Los métodos o técnicas estadísticas de análisis de entre los más importantes se
encuentra generalización, caracterización, clasificación, clustering, asociación,
evolución, patrones secuenciales, arboles de decisión, visualización de datos y
minería guiada por reglas.
El proceso de minería de datos no se detiene y continúa después de que se
obtenía una solución aprendida durante el proceso.
https://youtu.be/rv8Y-jpRFao
VIDEO 3
ANALISIS DE DATOS EN LA ANALITICA PREDICTIVA
Análisis de datos en la analítica predictiva: proceso de inspección limpieza
transformación y modelamiento de datos con el propósito de encontrar información
útil llegar a conclusiones y tomar decisiones apropiadas, en estadística el análisis
de datos se divide en: análisis descriptivo, análisis exploratorio y análisis
confirmatorio, también conocido como análisis deductivo o inferencial.
Los datos deben estar limpios por lo que se deben eliminar los valores atípicos,
los valores cerrados y los valores no deseados, estos procesos de limpieza variará
según el tipo de datos por ejemplo para datos cuantitativos la detección de valores
atípicos, elimina los valores anómalos. En tanto los correctores ortográficos
pueden emplearse para reducir la palabra mal escrita en el caso de datos de tipo
texto.
La inteligencia de negocios es un proceso de análisis de datos basados en
agregados, desagregados, medias, segmentaciones, etcétera todos estos
focalizados información empresarial.
La analítica predictiva es la aplicación de modelos estadísticos para el pronóstico
predictivo para determinar eventos que van a suceder en el futuro
Analítica de textos: es la aplicación de la estadística. la lingüística y los modelos
estructurales para extraer y clasificar información a partir de textos y poder
interpretarlo con fines de predicción.
Los métodos de análisis
El análisis de datos es compuesto de diversas fases:
FASE 1: ANALISIS INICIAL
Análisis inicial, limpieza de datos, calidad en los valores, calidad de los datos.
FASE 2: ANALISIS PRINCIPAL
Análisis exploratorio y confirmatorio, estabilidad de los resultados, análisis
estadístico
https://youtu.be/FQig0WIO8_8
VIDEO 4
Marco del trabajo de la analítica de datos para empezar a trabajar con analítica
de datos para una empresa hay que establecer un marco de trabajo que consiste
en 3 tipos de analítica.
La primera de ellas es la analítica descriptiva, la segunda la analítica
predictiva y la tercera la analítica prescriptiva.
La analítica descriptiva lo primero que llegamos y tenemos que conocer es cuál
es la estructura de los datos que se tienen, con qué información contamos, con
cuál información validamos y podemos trabajar y cual no está apta para trabajar
con ellos, lo ideal es comenzar a estructurar qué parte de los procesos de servicio
tengo que empezar a digitalizar para poder empezar a recabar datos de dichos
procesos.
La analítica predictiva es donde, una vez contando los datos empezamos a
trabajarlos y comenzamos a desarrollar en este caso, ya predicciones sobre los
posibles resultados que se pueden llegar a tener entonces llego ya empezar a
tener el equivalente un porcentaje de bateo un porcentaje de reacción que tiene tal
bateador ante otra situación entonces ya empezamos a tener pues en este caso
ahora sí modelos que te ayudan a predecir y anticipar los resultados que se van a
llegar a tener.
La analítica prescriptiva, cuando yo empiezo a trabajar los modelos puedo
empezar a intercambiar variables para empezar a desarrollar su puesto sobre
cómo puedo yo mejorar y tener el mejor rendimiento sobre mi toma de decisión.
https://youtu.be/4F8G87Ho7SI
VIDEO 5
MODELIZACIÓN DE DATOS EN BIG DATA
Ayuda a transformar un gran volumen de datos en información útil para el
desarrollo del negocio a través del análisis de datos que es el proceso de
inspeccionar, limpiar, transformar y modelar los datos.
La fase de modelización su objetivo es construir un modelo analítico a partir del
tablón de datos que ya se haya generado.
Un modelo analítico es en esencia una fórmula matemática a la que se le
introduce los datos y devolverá un resultado.
Las etapas de esta fase de modelización son las siguientes:
Conocer la tipología de técnica de modelado.
Definir la métrica de evaluación que se va a utilizar.
Entrenar o construir los modelos.
Evaluar el modelo final.
Inicialmente se comenta las técnicas de modelado que se agrupan en tipologías
siendo las más importantes dos, el aprendizaje supervisado y el aprendizaje no
supervisado.
Los problemas de aprendizaje no supervisado son aquellos donde no se tienen
muchísimos datos y se le pide al algoritmo que encuentre o identifique patrones
sin darle ninguna pista.
En el aprendizaje supervisado sí que se entrega esas pistas basadas en datos
existentes en los cuales el algoritmo aprenderá en cambio en el aprendizaje
supervisado sí que se entrega esas pistas basadas en datos existentes basadas
en datos existentes con los cuales el algoritmo aprenderá.
Los ejemplos de algoritmos supervisados serían: regresión lineal, regresión
logística, árboles de decisión y redes neuronales una vez clara la tipología de
aprendizaje se tiene que definir la métrica de evaluación que permite medir la
capacidad del modelo.
https://youtu.be/pZeYbv35g2g
VIDEO 6
LA ANALÍTICA PREDICTIVA
La analítica predictiva: es la rama de la analítica avanzada empleada para
realizar predicciones sobre eventos futuros que enfrentarán las empresas para lo
cual emplean diversas técnicas o métodos como la minería de datos, minería de
textos, la estadística, el modelamiento, el aprendizaje de máquina y la inteligencia
artificial.
La analítica predictiva es el proceso de gestión de tecnologías de la información,
métodos de análisis y modelamiento de procesos de negocio con el propósito de
garantizar predicciones sobre eventos futuros que enfrentarán las empresas.
Los datos estructurados de los negocios como informes de venta, información de
país, empleado, proveedor, producto, región etcétera provienen de nuestras bases
de datos moderadas y pueden ser usados para el análisis en forma directa, en
cambio los datos no estructurados como los que provienen de documentos de
Word, PDF contenidos de redes sociales, correos electrónicos, páginas, juegos,
blog, sensores, nota de call center u otros tipos de textos abiertos, requieren ser
extraídos de los textos para inferir los sentimientos y preferencias del usuario y
puedan ser usados en el proceso de construcción de modelos.
La analítica predictiva proactiva mira hacia adelante se anticipa a los resultados
basados en los datos y no en suposiciones, la analítica predictiva como la gestión
de relaciones de clientes a través de campañas de marketing, servicio de atención
al cliente, mantenimiento preventivo, en las áreas de servicio técnico, etcétera. En
el sector salud a través de sistemas de detección de enfermedades y
determinación de tratamiento médico. En el sector financiero para la detección de
transacciones fraudulentas, robo de identificación y reclamaciones de seguros
falsas. En la gestión de riesgo puede usarse para predecir la mejor cartera para
maximizar el retorno.
La analítica predictiva es un proceso complejo de anticiparse a eventos que
sucederán en el futuro y puede llevarse a cabo de procesos complementarios o
paralelos que ayudan al objetivo final que es el de prever situaciones de riesgo y
eventos futuros que enfrentaran las empresas las empresas.
Procesos de analítica predictiva son:
Definición del proyecto: esté define los resultados entregables al objetivo de los
negocios, datos que serán empleados en el proyecto.
Recolección de datos y minería: conecta y prepara los datos a través de la
minería de datos que provienen de diversas fuentes que serán empleados en el
modelo de predicción. La minería de datos es el proceso basado en computadoras
de patrones, tendencia y comportamiento de los datos a partir del big data
empresarial, con ayuda de las tecnologías de aprendizaje de máquina, de
estadística, el objetivo de la minería de datos es extraer información de la big data
y convertirla en información estructurada para un análisis a través de los modelos
de análisis predictivo.
El proceso de minería de datos es un proceso interdisciplinario que requiere la
participación de matemáticos estadísticos y programadores de computadoras.
Análisis de datos: es el proceso de revisión, limpieza, transformación y análisis
estadístico de base de los datos con el objetivo de plantear hipótesis y
demostrarlas y así obtener información útil y llegar a conclusiones que permitan la
toma de decisiones.
Análisis estadístico: es de mayor profundidad que el análisis anterior y permitió
validar las suposiciones e hipótesis y probarlas utilizando modelos estadísticos
estándar, el análisis estadístico comienza con la determinación de la población y el
proceso a analizar la población es un conjunto de observaciones del proceso en
diversos periodos de tiempo, el análisis estadístico puede ser descriptivo, en este
caso la población es descrita a través de agregados que se muestran en forma
gráfica.
Modelamiento predictivo: es el proceso de diseño, implementación, prueba y
validación de un modelo de predicción, los modelos se eligen a través de los
procesos de prueba, validación y evaluación para detectar el grado de
confiabilidad en los resultados.
Un modelo es reutilizable y se crea en base a un algoritmo de entrenamiento
utilizando data histórica y almacenando el modelo para una reutilización posterior
en procesos similares, los procesos generales del modelamiento predictivo son:
diseño implementación del modelo, prueba del modelo, validación del modelo y
selección del modelo.
Implementación: permite la implementación de los resultados del modelo de
predicción seleccionado a través de la automatización de decisiones, la validación
e implementación de los modelos predictivos son actividades que consumen
mucho tiempo pueden tomar meses y dependen de las características del
escenario de negocios.
https://youtu.be/Nb3VCmFLipA
CONCLUSIÓN
Las técnicas predictivas para la modelización de datos son una herramienta útil para
ayudar a los profesionales de la industria a tomar decisiones mejor informadas
basadas en el análisis de datos. Estas técnicas se pueden utilizar para predecir el
comportamiento futuro de los datos, para mejorar la calidad de los productos y
servicios, para mejorar la rentabilidad de la empresa y para tomar decisiones
estratégicas de negocios. Los expertos en el campo de la modelización de datos
pueden ayudar a los profesionales de la industria a identificar y aprovechar las
oportunidades de mejora, así como a identificar las tendencias y patrones en los
datos para predecir resultados futuros. Estas técnicas son una herramienta clave
para la toma de decisiones informadas.
BIBLIOGRAFÍA
AddKw. (02 de diciembre de 2018). Obtenido de https://youtu.be/FQig0WIO8_8
AddKw. (08 de diciembre de 2018). Obtenido de https://youtu.be/rv8Y-jpRFao
AddKw. (10 de enero de 2019). Obtenido de https://youtu.be/TLmCVItX5xw
AddKw. (19 de ENERO de 2019). Obtenido de https://youtu.be/Nb3VCmFLipA
FUENTEVILLA, N. (25 de MARZO de 2021). IDEAS FRESCAS. Obtenido de
https://youtu.be/4F8G87Ho7SI
MUNDO VALOR. (04 de OCTUBRE de 2021). Obtenido de
https://youtu.be/pZeYbv35g2g
