Blog

¿Qué es un Modelo Analítico?
Un modelo analítico es una representación matemática de un problema con el objetivo de predecir algún evento (fallas de un transformador, morosidad de cliente, fraude transaccional, siniestro, etc.), optimizar algún indicador (precio, niveles de inventario, cobranzas, riesgo, etc), o responder alguna pregunta (detección de anomalías, clasificación, reconocimiento de imágenes, etc).

Estos modelos se estiman con algoritmos matemáticos que son procedimientos con un determinado objetivo. Por ejemplo, si se quiere estimar un modelo de regresión lineal, se puede utilizar un algoritmo de regresión lineal el cual usará procedimientos para calcular los coeficientes de regresión que mínimicen el error predictivo y tendrá como resultado los coeficientes de la ecuación de regresión que representa al modelo en este caso.

Cuando estos modelos se obtienen como resultado de la aplicación de algoritmos de Machine Learning, se les llama Modelos de Machine Learning. Los modelos analíticos tienen como resultado un valor, indicador o una respuesta al ser aplicados sobre nuevos datos. Se espera que este resultado se acerque lo mayor posible al resultado real. Por ejemplo, para un modelo de pronóstico de ventas se espera que genere valores de las ventas futuras cercanos a los que se dará en un periodo determinado. En el caso de un modelo de scoring crediticio, se espera que el valor de probabilidad de que el cliente no pague sea un buen indicador del comportamiento futuro de este cliente.

Los modelos analíticos se pueden clasificar en:

• Modelos Supervisados: Cuando requieren definir una variable Objetivo o Target que se busca predecir. Se requiere tener datos de la variable Target y de variables que ayuden a explicar o predecir la variable Target, llamadas variables explicativas. Se aplican por ejemplo para predecir eventos o indicadores, como la ocurrencia de fraude o no en una entidad financiera, o para el pronóstico de eventos.
• Modelos No Supervisados: Cuando no se requiere definir una variable Target. Se aplican principalmente para agrupar los datos en grupos con características en común. Se aplican por ejemplo para definir segmentos de clientes que tienen características en común en base a datos históricos. Hay una gran variedad de tipos de modelos analíticos y de Machine Learning entre los que podemos mencionar:

• Regresión Lineal
• Regresión Logística
• Árboles de Decisiones
• Clustering con K-Means
• Reglas de Asociación
• Naive Bayes
• Reducción de Dimensión
• Support Vector Machine (SVM)
• Random Forest
• Modelos Ensemble
• Modelos de Gradient Boosting
• Redes Neuronales
  o Redes de Perceptron Simple
  o Redes de Perceptron Multicapa
• Modelos de Deep Learning:
  o Redes Neuronales convolucionales (CNNs)
  o Redes Neuronales Recurrentes (RNNs)
  o Redes de Memoria de corto-largo plazo (LSTMs)
  o Máquina de Boltzmann (DBM)

Importancia de los modelos Analíticos
El Machine Learning permite automatizar el proceso de desarrollo, prueba y comparación entre diferentes modelos para recomendar cuál es el más preciso para predecir o para maximizar o minimizar algún indicador como los ingresos por ventas o los costos de inventario.

Los Modelos Analíticos pueden ser utilizados de forma automatizada mediante reglas de decisiones que se van mejorando con el tiempo. Es decir, los modelos analíticos son la base de todo sistema de inteligencia artificial y por lo tanto cuánto más preciso sea el modelo analítico, las predicciones y optimizaciones serán más óptimas y las decisiones basadas en estas serán mejores generando un mayor valor para la organización.

¿Necesitas más información sobre cómo los modelos analíticos y las soluciones de SAS pueden aplicarse a tu negocio? Contáctanos:

MSc Gino Sedano
Consultor Senior en Analítica Avanzada
BCTS Consulting
Email: gino.sedano@bctsconsulting.com
LinkedIn