El análisis predictivo hace exactamente lo que parece: analiza datos para averiguar qué podría suceder en el futuro. Como ocurre con la mayoría de las predicciones, nunca es 100% correcto, pero los macrodatos y la inteligencia artificial lo hacen mucho más preciso.
Si bien alguna vez fue una rama relativamente especializada de las matemáticas y la informática, las nuevas tecnologías predictivas son más accesibles y fáciles de aplicar: las empresas las usan con los clientes, los investigadores las usan en enfermedades, las agencias de publicidad las usan para dirigirse a los consumidores, los bancos las usan para prevenir el fraude , Y la lista continúa. Entonces, ¿cómo funciona realmente el análisis predictivo, qué predice y qué tan confiables son sus pronósticos?
¿Como funciona?
El análisis predictivo tiene algunos pasos generales:
- Averigüe lo que quiere predecir: ¿cuánto tiempo le llevará conducir del punto A al punto B?
- Reúna datos históricos / actuales: sus experiencias pasadas / de otros en esta ruta / condiciones actuales.
- Identifique factores importantes: día de la semana, hora del día, clima, frecuencia de retrasos, etc.
- Cree y “entrene” un modelo: trate de averiguar cómo cada factor ha influido históricamente en el tiempo de conducción.
- Conecte su información actual y obtenga el resultado: un lunes cálido a las 17:30, su viaje le llevará treinta minutos.
Ese es un ejemplo simple, pero si alguna vez ha echado un vistazo a las predicciones de tráfico de Google Maps, ha usado algo como esto. Su precisión depende de la calidad de los datos históricos y en tiempo real disponibles, pero casi siempre puede hacer una conjetura bastante precisa, que es de lo que se trata el análisis predictivo.
¿Qué predice?
El análisis predictivo se está utilizando de forma productiva en la investigación médica, las finanzas, la fabricación, las cadenas de suministro y en otros lugares, pero una de las aplicaciones más rentables de esta tecnología es analizar y predecir el comportamiento del cliente. Si alguna vez se ha preguntado por qué sus datos son un bien tan preciado, esta es una de las principales razones. Con acceso a grandes cantidades de datos históricos de usuarios, es mucho más fácil para las empresas descubrir cómo pueden presionar los botones de los consumidores.
En la salud y la medicina, la analítica predictiva se utiliza principalmente para optimizar tratamientos y encontrar nuevas formas de combatir enfermedades. Al analizar los datos históricos de los pacientes, los hospitales pueden reducir la cantidad de pacientes que deben regresar, crear planes de tratamiento más personalizados y obtener evaluaciones de riesgos más precisas. Los modelos de análisis predictivo también son importantes para la investigación de enfermedades, ya que utilizan datos generados por pacientes y poblaciones para identificar factores de riesgo, resultados de tratamientos y más.
Las aplicaciones en finanzas se centran de manera similar en torno al riesgo, específicamente, ¿quién es una apuesta segura para un préstamo o una cuenta? La aplicación de análisis predictivos puede ayudar a las instituciones financieras a identificar a las personas que corren un alto riesgo de incumplimiento y marcar la actividad de fraude de manera más eficaz.
Pero ninguna industria está tan entusiasmada con el análisis predictivo como el comercio minorista y la publicidad. Imagínese si pudiera observar cada movimiento de su cliente, introducirlo en una base de datos masiva y analizarlo en busca de patrones. Puede averiguar quién tiene más probabilidades de dejar de usar su servicio, qué hace que las personas sigan usando su producto, quién es más probable que reaccione a ciertos anuncios, a quién dirigirse con sus campañas, todo con datos que se pueden actualizar y analizar en tiempo real. tiempo.
¿Qué tan precisas son estas predicciones?
No hay una respuesta única a esta pregunta, ya que cada modelo es diferente. La calidad de los datos, los métodos utilizados para analizarlos y una serie de otros factores influyen en la precisión de las predicciones. El análisis predictivo no lo hace bien todo el tiempo, pero gracias a los avances en big data y la inteligencia artificial, lo están haciendo bien más del tiempo.
Lo que hace que los macrodatos sean “grandes” no es necesariamente la cantidad que hay, sino la eficacia con la que se pueden procesar grandes cantidades. Muchas de las estadísticas se han basado históricamente en hacer conjeturas sobre las poblaciones basadas en muestras extraídas de esas poblaciones, lo que agrega una capa de incertidumbre.
Sin embargo, las herramientas de big data permiten utilizar muchos más datos disponibles para hacer predicciones, lo que hace que sea mucho más probable que sean correctas. El análisis predictivo ya hace un buen trabajo al mostrar anuncios a las personas y calcular los tiempos de viaje, y solo será más efectivo en el futuro.
Datos grandes (¿malos?)
¿Cómo se toman buenas decisiones? Durante la mayor parte de la historia de la humanidad, hemos utilizado nuestro cerebro para procesar las entradas disponibles y actuar en consecuencia. Nuestras decisiones siempre se han visto teñidas por la falta de información precisa, una capacidad limitada para identificar patrones y una gran cantidad de sesgos.
Sin embargo, un algoritmo bien hecho con un gran conjunto de datos no tiene ese problema, y la capacidad de descargar gran parte de nuestro trabajo mental a las máquinas es un gran paso adelante para la humanidad. Por supuesto, los algoritmos pueden estar sesgados, ya sea de forma intencionada o no, los conjuntos de datos pueden corromperse y las predicciones sobre el comportamiento se pueden utilizar para el control social tan fácilmente como para optimizar las experiencias de venta minorista. Asegurarnos de que nuestros sistemas se desarrollen para ser transparentes y generalmente beneficiosos tendrá un impacto real en la forma en que la tecnología da forma (y predice) el futuro.
Créditos de imagen: Representación visual de eventos que componen el análisis de comportamiento, Proceso de análisis predictivo
