Análisis predictivo

El análisis predictivo agrupa una variedad de técnicas estadísticas de modelización,

aprendizaje automático y minería de datos que analiza los datos actuales e históricos reales
para hacer predicciones acerca del futuro o acontecimientos no conocidos.12
En el ámbito de los negocios los modelos predictivos extraen patrones de los datos históricos
y transaccionales para identificar riesgos y oportunidades. Los modelos predictivos identifican
relaciones entre diferentes factores que permiten valorar riesgos o probabilidades asociadas
sobre la base de un conjunto de condiciones, guiando así al decisor durante las operaciones
de la organización.3
El efecto funcional que pretenden estas iniciativas técnicas es que el análisis predictivo provea
una puntuación (probabilidad) para cada sujeto (cliente, empleado, paciente, producto,
vehículo, componente, máquina y otra unidad en la organización) con el objeto de determinar,
informar o influir procesos en la organización en el que participen un gran número de sujetos,
tal y como ocurre en marketing, evaluación de riesgo de crédito, detección de fraudes,
fabricación, salud y operaciones gubernamentales como el orden público.
El análisis predictivo se está utilizando en Casinos ,4 Ciencia Actuaría ,5 Comercio
electrónico ,6 Finanzas ,7 Gobierno ,8 Industria farmacéutica ,9 Marketing ,10 Minorista ,11
Compañía de seguros ,12 Telecomunicaciones ,13 Asistencia sanitaria ,14 Viajes15 y otros
campos.
Una de las aplicaciones más conocidas es el score de crédito utilizado en servicios
financieros. Los modelos de puntuación procesan un histórico de crédito de un cliente, las
solicitudes de préstamo, los datos del cliente, etc., con el objeto de ordenar y clasificar a los
sujetos por su probabilidad de poder hacer el futuro pago a tiempo.

Índice

 1Definición
 2Tipos
o 2.1Modelos predictivos
o 2.2Modelos descriptivos
o 2.3Modelos de decisión
 3Aplicaciones
o 3.1CRM o Administración basada en la relación con los clientes
o 3.2Asistencia sanitaria
o 3.3Análisis de cobros
o 3.4Venta cruzada
o 3.5Fidelización del cliente
o 3.6Mercadotecnia directa
o 3.7Detección de fraude
o 3.8Predicción de cartera, producto o economía
o 3.9Gestión de riesgo
 4Herramientas de análisis predictivo
 5Referencias

Definición[editar]
El análisis predictivo es un área de la minería del dato que pretende extraer conocimiento que
le permita predecir tendencias y patrones de comportamiento. A menudo una circunstancia
desconocida de interés se va a producir en el futuro pero el análisis predictivo se puede aplicar
igualmente a lo desconocido tanto en el pasado, el presente o el futuro. Por ejemplo,
identificar sospechosos después de haberse producido un crimen o un fraude con tarjeta de
crédito .16 Lo fundamental del análisis predictivo está en identificar relaciones entre las
variables explicativas y las variables predictivas del pasado de forma que se pueda escalar a
lo que está por ocurrir. Es importante advertir, en cualquier caso, que la fiabilidad y usabilidad
de los resultados dependerán mucho del nivel de análisis del dato y la calidad de las hipótesis.
El análisis predictivo es a menudo conocido por predecir a un nivel de granulidad más
elevado, por ejemplo, generando puntuaciones predictivas (probabilidades) para cada sujeto
en la organización. Eso lo diferencia de la anticipación. Por ejemplo "la tecnología de análisis
predictivo que aprende de la experiencia (dato) para predecir el comportamiento futuro de los
individuos con el objetivo de tomar mejores decisiones"17

Tipos
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. Los
propósitos y las técnicas estadísticas subyacentes en ambos casos varían.
Modelos predictivo
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. 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.
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 (cómo
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 con modelos descriptivos pueden ser utilizados para
desarrollar nuevos modelos adicionales que pueden imitar un gran volumen de agentes
individuales y hacer predicciones.
Modelos de decisión
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.

Aplicaciones
El análisis predictivo puede ser aplicado en muchas circunstancias y las siguientes son sólo
algunos ejemplos en los que el análisis predictivo ha demostrado tener un impacto
especialmente positivo durante los últimos años
CRM o Administración basada en la relación con los clientes
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.
Asistencia sanitaria
Los analistas expertos en asistencia sanitaria utilizan el análisis predictivo primeramente para
determinar qué pacientes están en riesgo de desarrollar determinados trastornos como
diabetes, asma o enfermedades cardiovasculares entre otras enfermedades recurrentes. Los
sistemas de asistencia sanitaria utilizan el análisis predictivo para dar apoyo también en las
decisiones tomadas en los diferentes centros de asistencia. Según Jvion el 96% de los
analistas de asistencia sanitaria utilizan el análisis predictivo para "prevenir las enfermedades
de los pacientes, evitar penalizaciones y reducir gastos"18
Análisis de cobros[
Muchas carteras contienen un conjunto de clientes delincuentes que no hacen sus pagos a
tiempo. Las instituciones financieras se ven forzadas a emprender acciones de cobro sobre
esos clientes para recuperar las cantidades adeudadas y muchos de los recursos de la
organización son gastados en clientes que a menudo son difíciles o imposibles de recuperar.
El análisis predictivo puede ayudar desde la identificación de riesgo de crédito y los clientes
más propensos al fraude, hasta la identificación de las mejores agencias de recaudación,
estrategias de contacto o acciones legales, reduciendo así significativamente tanto las deudas
como los gastos.
Venta cruzada[
A menudo las empresas recogen y guardan grandes volúmenes de datos de sus clientes o sus
ventas que pueden ser aprovechadas para encontrar relaciones ocultas que provean una
ventaja competitiva. En una empresa que ofrezca diferentes productos el análisis predictivo
puede ayudar a analizar los gastos, el uso y otros comportamientos que les guíen a una venta
cruzada apropiada o para vender productos adicionales a los clientes de su cartera. Eso
repercute directamente en la mejora de su relación con el cliente y en el aumento de la
rentabilidad de los clientes, ya que "al vender a los clientes existentes se eliminan los gastos
de adquisición de nuevos clientes"19
Fidelización del cliente[
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 .20 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 una 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.13 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.
Mercadotecnia directa[
Cuando se hace promoción con consumidores, productos y servicios 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.
Detección de fraude[
El fraude es un grave problema para muchos negocios que puede adoptar diferentes formas:
créditos inapropiados, transacciones financieras fraudulentas, robo de identidad,
reclamaciones falsas de seguro. Estos problemas afectan a empresas de todas las
envergaduras relacionadas con tarjetas de crédito, empresas aseguradoras ,21 minoristas,
fabricantes, proveedores de material o incluso servicios. Un modelo predictivo puede ayudar a
reducir o eliminar el riesgo de las empresas frente a estos casos.
El modelo predictivo puede ser utilizado también para identificar candidatos con alto riesgo de
fraude en negocios y administración pública. Mark Nigrini desarrolló un método de clasificación
de riesgo para identificar auditoría de costes para detectar los objetivos. Describe el uso de
esta aproximación para detectar fraude en los informes de ventas en franquicias de una
cadena de comida rápida internacional. Cada localidad es clasificada usando 10 indicadores
predictivos. Los 10 clasificadores son entonces ponderados para dar una clasificación de
riesgo general definitivo para cada localidad. La misma clasificación fue también utilizada para
identificar cuentas personales relacionadas de alto riesgo, agentes de viaje potencialmente
fraudulentos y proveedores sospechosos. Un complejo modelo fue utilizado para identificar
informes mensuales enviados por controladores de sección .22
La institución norteamericana IRS (Internal Revenue Service) también utiliza análisis predictivo
para hacer minería en los datos de impuestos y detectar fraude en la recaudación.21
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. O quizás el Ministerio de Empleo pueda estar interesado en predecir el índice de
desempleo del próximo año. 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 o 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 predictiva2324
Gestión de riesgo[editar]
Cuando se emplean técnicas de gestión de riesgo el objetivo es siempre beneficiarse del
escenario futuro anticipado. Los siguientes son ejemplos que se pueden escalar al mercado a
corto y largo plazo: El CAP-M (Capital Asset Pricing Model) anticipa la mejor cartera para
poder maximizar su beneficio. El PRA (Probabilistic Risk Assessment), cuando es utilizado con
mini-Delphi y técnicas estadísticas puede generar pronósticos fiables .25

Herramientas de análisis predictivo[editar]

Utilizar análisis predictivo y entender sus resultados requería de los usuarios habilidades muy
avanzadas en el pasado pero con la popularización del análisis avanzado las herramientas
más modernas han mejorado sustancialmente el acceso a todo tipo de usuarios analistas.
Según el informe The Forrester Wave™: Big Data Predictive Analytics Solutions, Q2 2015:
“Organizaciones de todas las industrias se están animando a darle valor al análisis predictivo.
Con el crecimiento de su demanda, los proveedores de análisis predictivo están proveyendo
herramientas que reducen la barrera y aumentan el atractivo a aquellos con menos
habilidades estadísticas”26
Al mismo tiempo que el análisis predictivo es utilizado en los procesos de toma decisiones y
es integrado en los procesos de las organizaciones, también se está operando un cambio en
el mercado en relación al tipo de usuario que consume la información siendo cada vez más
relevante el papel del usuario de negocio. Los usuarios de negocio demandan herramientas
que ellos mismos puedan utilizar con autonomía. Los proveedores están respondiendo
creando nuevas aplicaciones que eliminan la complejidad matemática, provee interfaz gráfica
fácil de usar e incorporan accesos rápidos para, por ejemplo, reconocer qué tipo de datos
están disponibles o sugerir un análisis predictivo apropiado27
Las plataformas de análisis predictivo buscan con empeño la sofisticación que les permita
analizar y visualizar la información oculta en sus datos de forma que cualquier cargo en la
organización pueda extraer conocimiento útil para la toma de decisiones. La visualización de
los datos se hace habitualmente a través de tablas, cuadros, gráficos y clasificaciones que
muestran visualmente las clasificaciones más probables resultadas de las predicciones 28
Hay una cantidad creciente de herramientas disponibles en el mercado que permiten la
ejecución de análisis predictivo y se pueden ordenar desde aquellas que necesitan muy poca
sofisticación del usuario hasta aquellas que están diseñadas para expertos y estadistas.
También se pueden clasificar por el nivel de personalización y el rendimiento en grandes
volúmenes de datos.
Algunas herramientas de código abierto son:

 Apache Mahout
 GNU Octave
 KNIME
 OpenNN
 Orange
 R
 Scikit-learn
 Weka
Algunas herramientas comerciales son:

 Alpine Data Labs

 Angoss KnowledgeSTUDIO
 KXEN Modeler
 Mathematica
 MATLAB
 Minitab
 Neural Designer
 OpenText™ Big Data Analytics
 Oracle Data Mining (ODM)
 Pervasive
 Predixion Software
 RapidMiner
 RCASE
 Revolution Analytics
 SAP
 SAS and SAS Enterprise Miner
 TIMI (www.timi.eu)
 IBM SPSS Statistics and IBM SPSS Modeler
 STATA
 STATISTICA
 TIBCO
 Urbeos
 VENSIM

Referencias[editar]
1. ↑ Nyce, Charles (2007), Predictive Analytics White Paper, American Institute for Chartered
Property Casualty Underwriters/Insurance Institute of America, p. 1 (enlace roto disponible
en Internet Archive; véase el historial y la última versión).
2. ↑ Eckerson, Wayne (10 de mayo de 2007), Extending the Value of Your Data Warehousing
Investment, The Data Warehouse Institute
3. ↑ Coker, Frank (2014). Pulse: Understanding the Vital Signs of Your Business (1st edición).
Bellevue, WA: Ambient Light Publishing. pp. 30, 39, 42,more. ISBN 978-0-9893086-0-1.
4. ↑ Actuate. «Casinos Analytics: Provide the best customer experience to increase revenue» (en
inglés). OpenText. Archivado desde el original el 9 de julio de 2015. Consultado el 9 de julio de
2015.
5. ↑ Conz, Nathan (2 de septiembre de 2008), «Insurers Shift to Customer-focused Predictive
Analytics Technologies», Insurance & Technology, archivado desde el original el 22 de julio de
2012, consultado el 2 de julio de 2012 |archiveurl= y |urlarchivo= redundantes
(ayuda); |archivedate= y |fechaarchivo= redundantes (ayuda)
6. ↑ Actuate. «Predict Customer Behavior and Increase Sales» (en inglés). OpenText. Archivado
desde el original el 9 de julio de 2015. Consultado el 9 de julio de 2015.
7. ↑ Korn, Sue (21 de abril de 2011), «The Opportunity for Predictive Analytics in Finance», HPC
Wire
8. ↑ Actuate. «Predictive Analytics Solutions for Government» (en inglés). OpenText. Archivado
desde el original el 9 de julio de 2015. Consultado el 9 de julio de 2015.
9. ↑ McKay, Lauren (August 2009), «The New Prescription for Pharma», Destination CRM
10. ↑ Fletcher, Heather (2 de marzo de 2011), «The 7 Best Uses for Predictive Analytics in
Multichannel Marketing», Target Marketing
11. ↑ Das, Krantik; Vidyashankar, G.S. (1 de julio de 2006), «Competitive Advantage in Retail
Through Analytics: Developing Insights, Creating Value», Information Management
12. ↑ Quiterian. «Minimizar el riesgo y detectar oportunidades en un entorno cambiante».
OpenText. Archivado desde el original el 10 de julio de 2015. Consultado el 9 de julio de 2015.
13. ↑ Saltar a:a b Barkin, Eric (May 2011), «CRM + Predictive Analytics: Why It All Adds
Up», Destination CRM
14. ↑ Stevenson, Erin (16 de diciembre de 2011), «Tech Beat: Can you pronounce health care
predictive analytics?», Times-Standard
15. ↑ McDonald, Michèle (2 de septiembre de 2010), «New Technology Taps 'Predictive Analytics'
to Target Travel Recommendations», Travel Market Report, archivado desde el original el 10 de
septiembre de 2015, consultado el 9 de julio de
2015 |archiveurl= y |urlarchivo= redundantes
(ayuda); |archivedate= y |fechaarchivo= redundantes (ayuda)
16. ↑ Finlay, Steven (2014). Predictive Analytics, Data Mining and Big Data. Myths, Misconceptions
and Methods (1st edición). Basingstoke: Palgrave Macmillan. p. 237. ISBN 1137379278.
17. ↑ Siegel, Eric (2013). Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or
Die (en inglés) (1st edición). Wiley. ISBN 978-1-1183-5685-2.
18. ↑ Jvion. «Jvion Releases Findings from Latest Predictive Analytics in Healthcare Survey» (en
inglés). prweb.com. Consultado el 22 de julio de 2015.
19. ↑ Actuate. «Customer Behavior: Identify Sales Opportunities» (en inglés). OpenText.
Consultado el 22 de julio de 2015.
20. ↑ Reichheld, Frederick; Schefter, Phil. «The Economics of E-Loyalty». http://hbswk.hbs.edu/.
Havard Business School. Consultado el 10 de noviembre de 2014.
21. ↑ Saltar a:a b Schiff, Mike (6 de marzo de 2012), BI Experts: Why Predictive Analytics Will
Continue to Grow, The Data Warehouse Institute
22. ↑ Nigrini, Mark (June 2011). «Forensic Analytics: Methods and Techniques for Forensic
Accounting Investigations». Hoboken, NJ: John Wiley & Sons Inc. ISBN 978-0-470-89046-2.
23. ↑ Dhar, Vasant (April 2011). «Prediction in Financial Markets: The Case for Small
Disjuncts». ACM Transactions on Intelligent Systems and Technologies 2 (3).
24. ↑ Dhar, Vasant; Chou, Dashin; Provost Foster (October 2000). «Discovering Interesting
Patterns in Investment Decision Making with GLOWER – A Genetic Learning Algorithm
Overlaid With Entropy Reduction». Data Mining and Knowledge Discovery 4 (4).
25. ↑ https://web.archive.org/web/20120229215309/https://acc.dau.mil/CommunityBrowser.aspx?id
=126070
26. ↑ Mike Gualtieri. «The Forrester Wave™: Big Data Predictive Analytics Solutions, Q2 2015» (en
inglés). Forrester. Consultado el 23 de julio de 2015.
27. ↑ Halper, Fern (1 de noviembre de 2011), «The Top 5 Trends in Predictive
Analytics», Information Management
28. ↑ MacLennan, Jamie (1 de mayo de 2012), 5 Myths about Predictive Analytics, The Data
Warehouse Institute