SISTEMA AVANZADO APLICACIÓN E INVESTIGACIÓN

---

Los modelos predictivos son modelos de la relación entre el rendimiento específico de un sujeto en una muestra y uno o más atributos o características del mismo sujeto. El objetivo del modelo es evaluar la probabilidad de que un sujeto similar tenga el mismo rendimiento en una muestra diferente. Esta categoría engloba modelos en muchas áreas como el marketing, donde se buscan patrones de datos ocultos que respondan preguntas sobre el comportamiento de los clientes.

Los modelos predictivos a menudo ejecutan cálculos durante las transacciones en curso, por ejemplo, para evaluar el riesgo o la oportunidad de un cliente o transacción en particular, de forma que aporte conocimiento a la hora de tomar una decisión. Gracias a los avances de ingeniería en el análisis de grandes volúmenes de datos estos modelos son capaces de simular el comportamiento humano frente a estímulos o situaciones específicas.

Los modelos descriptivos cuantifican las relaciones entre los datos de manera que es utilizada a menudo para clasificar clientes o contactos en grupos. A diferencia de los modelos predictivos que se centran en predecir el comportamiento de un cliente en particular (como ocurre con el riesgo de crédito), los modelos descriptivos identifican muy diferentes relaciones entre los clientes y los productos. Los modelos descriptivos no clasifican u ordenan a los clientes por su probabilidad de realizar una acción particular de la misma forma en la que lo hacen los modelos predictivos. Sin embargo, los modelos descriptivos pueden ser utilizados por ejemplo para asignar categorías a los clientes según su preferencia en productos o su franja de edad. Las aplicaciones de los modelos descriptivos pueden ser utilizados para desarrollar nuevos modelos adicionales que pueden imitar un gran volumen de agentes individuales y hacer predicciones.

Los modelos de decisión están basados en la técnica de dinámica de sistemas de Jay Forrester y describen la relación entre todos los elementos de una decisión —es decir, los datos conocidos incluyendo los resultados de los modelos predictivos—, la decisión y el pronóstico de los resultados de una decisión; con el objeto de predecir los resultados de una decisión involucrando una gran cantidad de variables. Estos modelos pueden ser utilizados en la optimización o maximización de determinados resultados al mismo tiempo que otros son minimizados. Los modelos de decisión son generalmente usados para el desarrollo de la decisión lógica o conjunto de reglas de negocio que deberían producir el resultado deseado para cada cliente o circunstancia.

Algunas aplicaciones pueden ejecutar análisis predictivos basados en datos del CRM para perseguir los objetivos de Marketing y ventas, aportando una perspectiva del cliente independientemente del departamento del que proceden los datos.  El CRM puede ayudarse del análisis predictivo para la creación de campañas de marketing, ventas o servicios profesionales, por poner unos pocos ejemplos. Estas herramientas son un requisito en la empresa para posicionar y centrar sus esfuerzos con éxito utilizando toda la envergadura de la base de datos de los clientes.

Debido a la competitividad generada por el creciente número de servicios, las empresas necesitan centrar sus esfuerzos en mantener la continuidad de la satisfacción de los consumidores, premiando la lealtad y minimizando su abandono. Pequeños aumentos en la retención de clientes han repercutido a menudo en un rendimiento en los beneficios mucho mayor en proporción. Según Frederick Reichheld un 5 % de aumento del porcentaje de retención repercute en un 25-95 % de incremento en los beneficios.

Los negocios tienden habitualmente a responder de forma reactiva frente a la fidelización de los clientes, actuando solamente después de que el cliente ha iniciado el proceso de abandono. En ese estado la oportunidad de cambio es casi imposible. La aplicación apropiada de análisis predictivo puede guiar a una estrategia de retención más proactiva. A partir de un examen frecuente del uso del producto en el pasado, el rendimiento del servicio los gastos y otros patrones de comportamiento, los modelos predictivos pueden identificar la probabilidad de abandono del cliente en un futuro próximo. Una oferta apropiada puede mejorar la oportunidad de retener a un cliente. El abandono silencioso, el comportamiento de un cliente que, poco a poco, pero continuadamente, reduce la utilización del servicio, es otro problema que las empresas enfrentan y en que el análisis predictivo puede ayudar anticipando a la empresa con suficiente tiempo para que pueda tomar las decisiones apropiadas que incrementen el uso del producto y lealtad del cliente.

Cuando se hace promoción con consumidores, productos y servicios centro de análisis el reto es mantener el equilibrio entre los productos que compiten y el comportamiento del cliente. Además de identificar contactos el análisis predictivo puede también ayudar identificando las combinaciones más efectivas de productos, material de marketing, canales de comunicación y márgenes de tiempo que deberían considerarse a la hora de marcar un consumidor-objetivo. También es a menudo utilizado para reducir el coste del pedido o el coste de la acción.

Predicción de cartera, producto o economía

A menudo es necesario centrarse en el producto, la cartera, la marca, la industria o incluso la economía en lugar de centrarse en el consumidor. Por ejemplo, un minorista puede estar interesado en predecir la demanda de almacenaje con el propósito de anticipar la gestión del inventario.  Este tipo de problemas pueden ser tratados con análisis predictivo por medio de técnicas de series temporales. También pueden ser tratados por medio de aprendizaje automático (machine learning), de forma que transforme las series temporales en función de espacio vectorial, y donde el algoritmo encuentre por sí mismo patrones con capacidad predictiva

El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a las computadoras realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.

Aprendizaje supervisado: 

estos algoritmos cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar decisiones o hacer predicciones. Un ejemplo es un detector de spam que etiqueta un e-mail como spam o no dependiendo de los patrones que ha aprendido del histórico de correos (remitente, relación texto/imágenes, palabras clave en el asunto, etc.).

Aprendizaje no supervisado: 

estos algoritmos no cuentan con un conocimiento previo. Se enfrentan al caos de datos con el objetivo de encontrar patrones que permitan organizarlos de alguna manera utilizado comúnmente en SKAPE para marketing. La ventaja es que se utilizan para extraer patrones de datos masivos provenientes de las redes sociales y crear campañas de publicidad altamente segmentadas.

Aprendizaje por refuerzo: 

su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. 

Machine learning es una forma de la IA que permite a un sistema aprender de los datos en lugar de aprender mediante la programación explícita. Sin embargo, machine learning no es un proceso sencillo. Conforme el algoritmo ingiere datos de entrenamiento, es posible producir modelos más precisos basados en datos. Un modelo de machine learning es la salida de información que se genera cuando entrena su algoritmo de machine learning con datos. Después del entrenamiento, al proporcionar un modelo con una entrada, se le dará una salida. Por ejemplo, un algoritmo predictivo creará un modelo predictivo. 

cuando proporcione el modelo predictivo con datos, recibirá un pronóstico basado en los datos que entrenaron al modelo.

Machine learning permite modelos a entrenar con conjuntos de datos antes de ser implementados. Algunos modelos de machine learning están online y son continuos. Este proceso iterativo de modelos online conduce a una mejora en los tipos de asociaciones hechas entre los elementos de datos. Debido a su complejidad y tamaño, estos patrones y asociaciones podrían haber sido fácilmente pasados por alto por la observación humana. Después de que un modelo ha sido entrenado, se puede utilizar en tiempo real para aprender de los datos. Las mejoras en la precisión son el resultado del proceso de entrenamiento y la automatización que forman parte del machine learning.

Deep learning

la diferencia entre los que crean éxito y aciertos cerca del 99%  es el uso del  deep learning es un método específico de SKAPE que incorpora las redes neuronales en capas sucesivas para aprender de los datos de manera iterativa. El deep learning es especialmente útil cuando se trata de aprender patrones de datos no estructurados. Las redes neuronales complejas de deep learning están diseñadas para emular cómo funciona el cerebro humano, así que las computadoras pueden ser entrenadas para lidiar con abstracciones y problemas mal definidos. Las redes neuronales y el deep learning se utilizan a menudo en el reconocimiento de imágenes, voz y aplicaciones de visión de computadora o Marketing de niveles muy avanzados.

Un árbol de decisión es un modelo de predicción utilizado en diversos ámbitos que van desde la inteligencia artificial hasta la Economía. Dado un conjunto de datos se fabrican diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resolución de un problema.

El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. 

Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan solo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas

Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.

El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.

El aprendizaje por refuerzo es el más general entre las tres categorías. En vez de que un instructor indique al agente qué hacer, el agente inteligente debe aprender cómo se comporta el entorno mediante recompensas (refuerzos) o castigos, derivados del éxito o del fracaso respectivamente. El objetivo principal es aprender la función de valor que le ayude al agente inteligente a maximizar la señal de recompensa y así optimizar sus políticas de modo a comprender el comportamiento del entorno y a tomar buenas decisiones para el logro de sus objetivos formales.

Los principales algoritmos de aprendizaje por refuerzo se desarrollan dentro de los métodos de resolución de problemas de decisión finitos de Markov, que incorporan las ecuaciones de Bellman y las funciones de valor. Los tres métodos principales son: la Programación Dinámica, los métodos de Monte Carlo y el aprendizaje de Diferencias Temporales.

Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.

Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.

El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje.

El aprendizaje automático las personas lo llevamos a cabo de manera automática ya que es un proceso tan sencillo para nosotros que ni nos damos cuenta de cómo se realiza y todo lo que implica. Desde que nacemos hasta que morimos los seres humanos llevamos a cabo diferentes procesos, entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas así como también por medio de la experiencia propia. Sin embargo, a las máquinas hay que indicarles cómo aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus habilidades, el proceso de aprendizaje no se estará llevando a cabo, sino que solo será una secuencia repetitiva.