PDF de programación - Comprendiendo la piedra angular del análisis predictivo

La piedra angular del
Análisis Predictivo

José Ignacio Marín Alberdi
IBM SPSS Client Technical Professional

Objetivos de la sesión

• En la sesión de hoy cubriremos los siguientes puntos:

– Una definición operativa del término “análisis predictivo”

– Niveles de aplicación del análisis predictivo: desde la simple expansión de las

capacidades analíticas a procesos de transformación a nivel de departamento u
organización

– Dos enfoques de análisis predictivo: de arriba abajo y de abajo arriba

– Cómo IBM SPSS Statistics e IBM SPSS Modeler forman la piedra angular del

análisis predictivo

¿Por qué Análisis Predictivo?

• El Análisis Predictivo
ayuda a conectar los
datos con acciones
eficaces extrayendo
conclusiones acerca
de las circunstancias
actuales y eventos
futuros.
•Gareth Herschel,
Research Director,
Gartner Group

Las necesidades de negocio dictan el enfoque
de Análisis Predictivo más necesario

Departmental
Optimization

Analytic
Expansion

Enterprise

Transformation

El ámbito del problema determina el alcance de
la solución
Alcance

Pequeño

Medio

Grande

Necesidad

Expansión
capacidades
analíticas

Optimización
departamental

Transformación
organizacional

Banco de
Trabajo de
Analítica
Avanzada
Centro de

Banco de
Trabajo de
Minería de
Datos y Texto

Centro de

Excelencia de

Excelencia de

Analítica
Avanzada
Aplicación
Predictiva

departamental

Análisis
Predictivo
Entorno de
Soluciones
configurables

Entorno

avanzado de

Análisis
Predictivo
Centro de

Excelencia a
nivel de toda la
organización
Despliegue en
tiempo real con
alta criticidad

El ámbito del problema determina el alcance de
la solución
Comprender una
Alcance
muestra

Predecir para una
población
Pequeño

Gobernanza analítica y
Big Data
Medio

Grande

Necesidad

Expansión
capacidades
analíticas

Optimización
departamental

Transformación
organizacional

Banco de
Trabajo de
Analítica
Avanzada
Centro de

Banco de
Trabajo de
Minería de
Datos y Texto

Centro de

Excelencia de

Excelencia de

Analítica
Avanzada
Aplicación
Predictiva

departamental

Análisis
Predictivo
Entorno de
Soluciones
configurables

Entorno

avanzado de

Análisis
Predictivo
Centro de

Excelencia a
nivel de toda la
organización
Despliegue en
tiempo real con
alta criticidad

El ámbito del problema determina el alcance de
la solución
Alcance

Necesidad

Analistas
estadísticos con
pocas exigencias en
Expansión
tratamiento de
datos
capacidades
analíticas

Grande

Entorno

avanzado de

Análisis
Predictivo
Centro de

Pequeño

Analistas de
negocio con
exigencias de
Banco de
tratamiento de
Trabajo de
datos
Analítica
Avanzada
Centro de

Medio

Colaboración entre
diversos tipos de
analistas. Retos en
Banco de
el tratamiento de
Trabajo de
datos
Minería de
Datos y Texto

Centro de

Optimización
departamental

Transformación
organizacional

Excelencia de

Excelencia de

Analítica
Avanzada
Aplicación
Predictiva

departamental

Análisis
Predictivo
Entorno de
Soluciones
configurables

Excelencia a
nivel de toda la
organización
Despliegue en
tiempo real con
alta criticidad

El ámbito del problema determina el alcance de
la solución
Alcance

Pequeño

Medio

Grande

Una infraestructura para
optimizar aplicaciones de
toma de decisión de
forma configurable.

Banco de
Trabajo de
Analítica
Avanzada
Centro de

Una solución pequeña a
Necesidad
nivel de departamento.
La solución se basa en
Expansión
una plantilla
capacidades
predefinida.
analíticas

Aplicativos de máximo
nivel de exigencia en
Banco de
tiempos de ejecución o
criticidad
Trabajo de
Minería de
Datos y Texto

Entorno

avanzado de

Análisis
Predictivo
Centro de

Centro de

Optimización
departamental

Transformación
organizacional

Excelencia de

Excelencia de

Analítica
Avanzada
Aplicación
Predictiva

departamental

Análisis
Predictivo
Entorno de
Soluciones
configurables

Excelencia a
nivel de toda la
organización
Despliegue en
tiempo real con
alta criticidad

Los retos pueden categorizarse en:
Clientes, Operaciones, Riesgos/Fraude

Clientes

Adquirir
Desarrollar
Fidelizar

Operaciones

Riesgos / Fraude

Gestionar
Mantener
Maximizar

Monitorizar
Detectar
Controlar

Data Collection

CCI

Modeler

Statistics

Decision Management

Collaboration and Deployment Services

I B M

JRules (ILOG)

IBM Research

La piedra angular del Análisis Predictivo

INTRODUCCIÓN A
IBM SPSS STATISTICS

IBM SPSS Statistics: contraste de Hipótesis,
Análisis Estadístico, enfoque analítico de arriba
a abajo

• Modo de trabajo tipo hoja de cálculo
• Herramienta de análisis estadístico de propósito general
• Especialmente indicado para el contraste de hipótesis

• Análisis estadístico descriptivo
• Funciones estadísticas avanzadas
• Muchos tipos de regresión
• Análisis y salidas tabulares

IBM SPSS Statistics como plataforma analítica

• Acceder a los datos en cualquier formato
• Funciones de manipulación de la información
• Describir y explorar los datos de forma sencilla
• Análisis factorial y de conglomerados
• Modelos de regresión
• Presentación de los resultados en forma de

tablas y de gráficos

• Resultados exportables a otras aplicaciones

Un analista estadístico
normalmente tiene unas
necesidades limitadas de
tratamiento de información

Es frecuente encontrar esta
herramienta detrás de la
creación de informes
estadísticos es muchas
organizaciones

Ejemplo: comprendiendo los datos y
analizando tendencias en 5 minutos

• Reto de negocio

– Basándome en datos de mi oficina, es la edad o el nivel de renta de mis clientes un
posible indicador de riesgo a la hora de conceder créditos? Si no, ¿cuáles son los 2 o
3 atributos relevantes de mis clientes que me permiten entender los niveles de riesgo
mencionados?

• Datos disponibles

– Edad
– Nivel educativo
– Años en empleo actual
– Años en dirección actual
– Nivel de ingresos
– Ratio Deuda / Ingresos
– Deuda en tarjeta de crédito
– Otros créditos

Resultado: comprender el comportamiento de
mis clientes me hace tomar mejores decisiones

• Los indicadores de riesgo de
impago basados en nuestros
datos y por nivel de importancia
son:

– Ratio Deuda / Ingresos
– Años en empleo actual
– Deuda en tarjeta de crédito
– Años en la dirección actual

• Precisión analítica: 80%
• Podemos usar estas

puntuaciones de riesgo para
gestionar los préstamos que
concedemos

Otro ejemplo: análisis de supervivencia para
encontrar perfiles de abandono

Las variables a
considerar en este otro
problema… estudiando
el histórico encontrar
el perfil de abandono

Conclusión: necesitamos mejores esfuerzos en
determinado segmento los primeros meses

• Los clientes de los

servicios “Basic Service” y
“Total Service” son más
propensos a abandonar y
lo hacen más
tempranamente

• La tendencia se marca

más a medida que pasan
los meses, la probabilidad
de abandono casi se
dobla al superar la marca
de los 2 años según los
datos

La piedra angular del Análisis Predictivo

INTRODUCCIÓN A
IBM SPSS MODELER

IBM SPSS Modeler: minería de datos y de texto,
descubrir patrones, enfoque analítico de abajo
a arriba

•IBM SPSS Modeler es una herramienta de minería de datos y texto de propósito
general que pone el máximo foco en la sencillez de uso y el paradigma de la
programación visual y asistida de cara al usuario de negocio

IBM SPSS Modeler como plataforma analítica

Nodo Fuente
Datos

Nodo de Manipulación de Datos

Nodo de Salida

Nodo de Modelado

Un ejemplo: First Tennessee Bank

Multi-times

Multi-channels

Multi-offers

Predictive

Model

A

B

C

Best Target

Best Time

Best Channel

Best Offer

Potential
Actions

Business

Rules

Margin

Response
Probability

Expected

Value

A

B

C

90

200

54%

32%

49

64

B

C

Foco en el analista de negocio, preparación
automatizada de datos y modelos

La filosofía de plataformas flexibles permite
alcanzar un rápido ROI explotando los datos de
la organización

El Análisis Predictivo recoge ambos enfoques

Enfoque arriba a abajo

Enfoque abajo arriba

• El Análisis Estadístico

requiere
– Tener una teoría que

explique las relaciones
propuestas

– Derivar una hipótesis de la

teoría

– Contrastar esa hipótesis con

Análisis Estadístico

• Es un enfoque para analizar

los datos manual y guiado por
el usuario

• La minería de datos extrae

patrones de los datos
mismos en un proceso
guiado por el algoritmo y no
el usuario

• Es un enfoque centrado en
los datos, auto-organizado,
de abajo arriba empleado en
datos potencialmente
masivos

La combinación de ambos enfoques es la fuerza del Análisis Predictivo

Source: DM Review

“Statistical Modeling: The Two Cultures,” Leo Breiman, Statistical Science,
2001, Vol.16 (3), pp.199-231.

La piedra angular del Análisis Predictivo

Clientes

Adquirir
Desarrollar
Fidelizar

Operaciones

Riesgos / Fraude

Gestionar
Mantener
Maximizar

Monitorizar
Detectar
Controlar

Data Collection

CCI

Modeler

Statistics

Decision Management

Collaboration and Deployment Services

I B M

JRules (ILOG)

IBM Research