ANALISIS PREDICTIVO Y SUS IMPLICACIONES

PRESENTADO POR:
ARROYO OSCAR CAMILO
JIMENEZ GARCIA NICOLE
RODRIGUEZ KATERIN JOHANA
PEDROZA ADOLFO JOSE
ZAPATEIRO EVER LUIS

DOCENTE:
HUMBERTO MARQUEZ

FUND. UNIVERSITARIA TECNOLOGICO COMFENALCO

IV SEMESTRE 2023-I
CARTAGENA DE INDIAS
 ANALISIS PREDICTIVO
Definición
Se define como una forma de análisis estadístico que se encarga de obtener información
nueva o histórica y utilizarla para predecir patrones de comportamiento. Este método puede
aplicarse a cualquier tipo de evento desconocido del pasado, presente o futuro. El efecto
funcional del análisis predictivo es proporcionar una puntuación a cada individuo con el
propósito de establecer o influir en su proceso de organización.
Es importante señalar que la exactitud y utilidad de los resultados dependerá del nivel de
análisis de los datos. El análisis predictivo tiene como objetivo predecir tendencias futuras,
especialmente en los sectores de marketing, finanzas, seguros e incluso salud. El núcleo del
análisis predictivo son los modelos. Por ejemplo, una aseguradora crea una póliza de seguro
previendo los factores de riesgo de un conductor, incluyendo en su cálculo factores como la
edad y el estado de salud. A partir de la suma de todos los factores, el análisis predictivo
puede calcular el riesgo potencial de accidentes y, por tanto, el importe de la prima del
seguro.
CLASIFICACIÓN DEL ANALISIS PREDICTIVO
Cuando se habla de análisis predictivo, generalmente se quiere hablar de “modelos
predictivos”, datos de puntuaciones sobre la base de modelos predictivos y previsiones. No
obstante, se está generalizando el uso del término para relacionarlo con disciplinas
analíticas y está muy extendido su uso para la segmentación entre usuarios de negocio y
decisores.
Modelos predictivos: 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 o modelos de detección de fraude.
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.
Esta categoría del análisis tiene como finalidad encontrar elementos de riesgo y nuevas
oportunidades para hacer negocios, a partir del análisis de datos históricos. Especialmente,
los que ocurren en tiempo real, mientras se realiza una operación.
Modelos descriptivos: 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, 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.
Estos modelos se encargan de cuantificar las relaciones entre los datos de una manera que a
menudo se utiliza para clasificar a los clientes actuales o potenciales. A diferencia de los
modelos formalmente predictivos, se enfocan en predecir el comportamiento de un solo
cliente e identificar su relación con los productos o servicios.
Modelos de decisiones: 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.
Esta categoría se encarga de describir la relación que existe entre los datos conocidos, la
decisión y los resultados pronosticados para la toma de decisiones, con el propósito de
predecir los resultados. Generalmente, se utilizan para desarrollar una lógica de decisión o
un conjunto de reglas de negocio que producirán la acción deseada para cada cliente o
circunstancia.
¿CÓMO SE HACE UN ANÁLISIS PREDICTIVO?
1. Definición del proyecto: Identificar el objetivo del proyecto y los entregables para
alcanzar un resultado.
2. Recogida de datos: Recopilar datos de múltiples fuentes para obtener la imagen más
completa posible.
3. Análisis de datos: Los datos se inspeccionan, se criban y se modelan para extraer
conclusiones.
4. Elaboración de estadísticas: El objetivo es validar si las conclusiones, los supuestos y
las hipótesis son consistentes.
5. Creación del modelo predictivo: Un modelo predictivo que permita modificar
parámetros para modular los resultados.
6. Despliegue del modelo predictivo: Utilizar los resultados para generar informes y
métricas, y tomar decisiones basadas en ellos.
7. Seguimiento de los resultados: A posteriori, comprobar si los resultados concuerdan
con las predicciones obtenidas.
¿CUÁLES SON LAS VENTAJAS DE APLICAR EL ANÁLISIS PREDICTIVO?
El principal beneficio del análisis predictivo es que permite a las empresas y organizaciones
aprender de su experiencia pasada a partir de sus datos y tomar medidas para aplicar lo
aprendido en el futuro y obtener mejores resultados.
 La aplicación de la inteligencia artificial, y de técnicas derivadas como el machine
learning, elimina la carga del análisis manual de datos y minimiza los errores.

 Genera una ventaja competitiva en el mercado al identificar mejor y más rápido

tendencias, oportunidades y desafíos, aumentando las ventas y la optimización de
recursos.

 Al identificar las variables que influyen más en el comportamiento de las personas y

qué les impulsa a comprar, mejora de la satisfacción de los clientes.

 Aumentan las probabilidades de éxito en el lanzamiento de productos, ya que se

posee un gran conocimiento sobre las necesidades e intereses de los clientes.

¿CUÁLES SON LAS DESVENTAJAS DE APLICAR EL ANÁLISIS PREDICTIVO?

 Dependencia a la metodología: Los ejecutivos y gerentes deben entender que el

análisis predictivo implica probabilidades y correlaciones que no son absolutas. Por
lo que deben esforzarse por filtrar todo el ruido para asegurar resultados precisos y
replicables. Además, deben presentar estos resultados como percepciones
procesables con parámetros de riesgo para cada opción.

 Hacer las preguntas equivocadas: Es fundamental que las empresas hagan las
preguntas correctas, ya que se trata de una gran cantidad de información. Los
científicos de datos deben ser capaces de probar las suposiciones y descartar los
datos erróneos.

 Datos erróneos: No todos los datos son exactos. Estos pueden ser malos por
cualquier número de razones, incluyendo errores de autoinforme, archivos dañados,
preguntas mal redactadas, datos incompletos y métodos deficientes. Es fundamental
que se reconozcan y filtren rápidamente los datos erróneos de los demás conjuntos
de datos. También deben asegurarse de no crear datos erróneos por sí mismos.
  Complejidad e imprevisibilidad: El análisis predictivo, al ser un conjunto de
técnicas estadísticas, requiere que todos los datos sean estandarizados y
cuantificados. La cual, tiene sus propios riesgos y crea incertidumbre. Además, los
datos son impredecibles, especialmente los datos dinámicos. Un modelo que
pronostica con precisión los eventos futuros podría verse desorganizado por una
repentina e imprevista cascada de eventos, que no fueron estimados inicialmente.

 Privacidad y seguridad: Muchos defensores de la privacidad consideran que este

tipo de uso de datos es invasivo y alarmante. Hay algo inherentemente intrusivo en
las empresas que recopilan información sobre individuos para predecir su
comportamiento. Los ejecutivos y los gestores de datos deben estar al tanto de los
constantes cambios en el panorama normativo del Big Data.

¿POR QUÉ Y PARA QUÉ HACER UN ANÁLISIS PREDICTIVO?

El análisis predictivo permite que las empresas consigan información y una gran cantidad
de datos que puedan impulsar las decisiones futuras y el éxito de la organización.
Para posicionarse frente a la competencia y establecer precios correctos: Los datos te
ayudan a detectar tendencias y a crear tarifas personalizadas para cada audiencia. La
analítica predictiva puede, con la ayuda de todas las tecnologías que rodean la captación de
datos sobre los comportamientos del cliente, ayudar al desarrollo de modelos para
minimizar la incertidumbre y competir por la mejora de los procesos de la empresa.
Para el desarrollo de productos y estrategias de marketing: Campañas de
sensibilización, publicitarias, desarrollo de productos, comercialización de nuevos
productos, etc. ¿Pero a quién y a qué tipo de cliente? Mediante la segmentación de clientes,
el análisis predictivo puede contribuir a la productividad de los departamentos de marketing
y ventas, pues podrás determinar de antemano los productos y servicios que los clientes
buscarán en un futuro.
Crear procesos eficientes: Otras de las razones por las que debes hacer un análisis tipo
predictivo, es que te permite cambiar el enfoque de tus procesos internos. Gracias a ello
podrás, no sólo reaccionar ante los problemas, sino actuar antes del problema y atacarlo
desde raíz.
Mayor gestión de esfuerzos y rentabilidad: Entender el comportamiento de los clientes,
conocer las necesidades futuras y hacer un marketing específico nos ayudan a alinear los
esfuerzos hacia un mismo objetivo. El uso de herramientas predictivas nos ayuda a tomar
acciones correctivas de manera más rápida. En la misma línea, también conduce a una
mejor relación con el cliente. La integración de la gestión predictiva basada en su
comportamiento conduce, por supuesto, a un aumento de la fidelidad, la retención y la
satisfacción del cliente.