{"id":2749,"date":"2014-10-22T09:26:42","date_gmt":"2014-10-22T14:26:42","guid":{"rendered":"http:\/\/cienciauanl.uanl.mx\/?p=2749"},"modified":"2015-02-08T20:46:11","modified_gmt":"2015-02-09T02:46:11","slug":"tema-37-analitica-predictiva-i","status":"publish","type":"post","link":"https:\/\/cienciauanl.uanl.mx\/?p=2749","title":{"rendered":"Tema 37: anal\u00edtica predictiva I"},"content":{"rendered":"

\"analiticapredictiva\"<\/a><\/p>\n

PETER B. MANDEVILLE*<\/p>\n

CIENCIA UANL \/ A\u00d1O 17, No. 69, SEPTIEMBRE-OCTUBRE 2014<\/a><\/p>\n

\n

In 1995, in Chicago, Bezos [Jeff Bezos, CEO Amazon.com] manned an Amazon booth at the annual conclave of the\u00a0publishing industry \u2026. Roger Doeren \u2026 was stopped short by Amazon\u2019s sign: \u201cEarth\u2019s Biggest Bookstore.\u201d \u2026\u00a0Doeren considered this, then asked, \u201cWhat\u2019s your business model?\u201d Bezos said that Amazon intended to sell books as a way of\u00a0gathering data on affluent, educated shoppers. The books would be priced close to cost, in order to increase sales volume.\u00a0After collecting data on millions of customers, Amazon could figure out how to sell everything else dirt cheap on the Internet.\u00a0\u2026 Before Google, and long before Facebook, Bezos had realized that the greatest value of an online company\u00a0lay in the consumer data it collected.<\/em><\/p>\n

G. Packer (1)<\/em><\/p>\n

With your permission you give us more information about you, about your friends, and we can improve the quality\u00a0of our searches. We don\u2019t need you to type at all. We know where you are. We know where you\u2019ve been. We can more\u00a0or less know what you\u2019re thinking about (Eric Schmidt, ex CEO Google).<\/em><\/p>\n

D. Thompson (2)<\/em><\/p>\n

As soon as we get them buying diapers from us, they\u2019re going to start buying everything else too\u00a0(Andrew Pole, Sr. Group Manager-Marketing BI, Target).<\/em><\/p>\n

F. Provost, T. Fawcett (3)<\/em><\/p>\n

Cuando las organizaciones obtienen m\u00e1s datos y comienzan\u00a0a resumirlos, tienden a manejarlos para mejorar\u00a0las estimaciones, las previsiones, las decisiones y\u00a0la eficiencia. (4)<\/p>\n

El t\u00e9rmino an\u00e1lisis predictivo, predictive analytics\u00a0(PA, por sus siglas en ingl\u00e9s), salt\u00f3 a la fama en 2005,\u00a0debido a la introducci\u00f3n de Google Analytics. El PA se\u00a0basa en varias disciplinas: el aprendizaje autom\u00e1tico,\u00a0la inteligencia artificial, la cibern\u00e9tica, el an\u00e1lisis de\u00a0datos, las redes neuronales, el reconocimiento de patrones,\u00a0la estad\u00edstica, el descubrimiento de conocimiento, la\u00a0miner\u00eda de datos y la ciencia de datos, entre otras. (4-7)<\/p>\n

El PA abarca una variedad de t\u00e9cnicas estad\u00edsticas de\u00a0modelado, aprendizaje autom\u00e1tico y miner\u00eda de datos\u00a0que analizan los hechos hist\u00f3ricos y actuales para predecir\u00a0eventos, tendencias y patrones de comportamiento. (8)<\/p>\n

Se ha utilizado el PA para: (9)<\/p>\n

1. Predecir los resultados de las elecciones.
\n2. Identificar y filtrar los mensajes de spam de correo\u00a0electr\u00f3nico.
\n3. Prever la actividad delictiva.
\n4. Automatizar las se\u00f1ales de tr\u00e1fico, de acuerdo a\u00a0las condiciones del camino.
\n5. Producir estimaciones financieras de tormentas\u00a0y desastres naturales.
\n6. Examinar los clientes perdidos.
\n7. Crear aviones de autopilotaje y coches de autoconducci\u00f3n.
\n8. Identificar a los individuos con la capacidad de\u00a0hacer donativos.
\n9. Determinar tipos de consumidores susceptibles\u00a0a publicidad.<\/p>\n

En octubre de 2010, Andrew Pole, quien administra\u00a0a los profesionales que ejecutan varios proyectos\u00a0de PA en Target (la quinta tienda minorista en\u00a0EUA), pronunci\u00f3 el discurso de apertura en Predictive\u00a0Analytics Mundial: www.pawcon.com\/Target. Hacia\u00a0el final de su presentaci\u00f3n, Pole describi\u00f3 un proyecto\u00a0para predecir el embarazo del cliente. (5)<\/p>\n

Los consumidores tienden a la inercia en sus h\u00e1bitos\u00a0de compra, y cambiarlos es muy dif\u00edcil. Los tomadores\u00a0de decisiones en Target sab\u00edan que con la llegada\u00a0de un beb\u00e9 a la familia la gente cambia sus h\u00e1bitos\u00a0de compra. (3) Pueden empezar a buscar a nuevas tiendas\u00a0y desarrollar nuevas lealtades de marca. (10)<\/p>\n

La mayor\u00eda de los minoristas sabe esto y compite\u00a0entre s\u00ed, al tratar de vender productos relacionados\u00a0con el beb\u00e9 para los nuevos padres. La mayor\u00eda de los\u00a0registros de nacimiento son p\u00fablicos, as\u00ed los minoristas\u00a0obtienen esta informaci\u00f3n y env\u00edan ofertas especiales\u00a0a los nuevos padres. (3)<\/p>\n

Los vendedores de Target encargaron su divisi\u00f3n\u00a0de an\u00e1lisis para verificar si hab\u00eda una manera de descubrir\u00a0los embarazos de las clientas a trav\u00e9s de sus patrones\u00a0de compra. (10)<\/p>\n

Normalmente se utiliza el PA para predecir el comportamiento\u00a0de compra. Aqu\u00ed, lo que se predijo no\u00a0era una venta directa, sino m\u00e1s bien algo que podr\u00eda\u00a0ser en s\u00ed mismo un fuerte predictor de una amplia\u00a0gama de compras. (5) Ellos estaban interesados en predecir\u00a0qu\u00e9 personas esperan un beb\u00e9. Si pudieran hacerlo,\u00a0ganar\u00edan una ventaja al realizar ofertas antes que\u00a0sus competidores. (3)<\/p>\n

El equipo de an\u00e1lisis examin\u00f3 los historiales de\u00a0compras de las mujeres que se inscribieron en su registro\u00a0regalo-beb\u00e9. Se dieron cuenta de que estas mujeres\u00a0compraron una gran cantidad de loci\u00f3n sin aroma\u00a0en el tercer mes de embarazo, y que unas semanas\u00a0m\u00e1s tarde tend\u00edan a comprar suplementos como el\u00a0magnesio, calcio y zinc. El equipo finalmente descubri\u00f3\u00a0alrededor de dos docenas de productos que permiten\u00a0a la empresa calcular una puntuaci\u00f3n de \u201cpredicci\u00f3n\u00a0de embarazo\u201d por cada cliente que paga con\u00a0tarjeta de cr\u00e9dito, tarjeta de fidelidad o cupones por\u00a0correo. Las correlaciones incluso permiten al minorista\u00a0estimar la fecha de nacimiento dentro de un rango\u00a0estrecho, por lo que podr\u00eda enviar cupones correspondientes\u00a0para cada etapa del embarazo. (3,10,11)<\/p>\n

Con los modelos se calific\u00f3 la probabilidad de que\u00a0una clienta determinada est\u00e9 embarazada. Los modelos\u00a0incluyen los patrones de compra de los productos\u00a0relacionados con el embarazo, la edad, el estado civil\u00a0y los sitios web visitados. Las predicciones se basan en\u00a0hechos que ocurrieron durante un periodo de tiempo,\u00a0no en hechos aislados. Una vez identificadas como\u00a0probables embarazadas, Target les podr\u00eda entonces\u00a0enviar cupones especializados para productos como\u00a0lociones y pa\u00f1ales. (11)<\/p>\n

Los detalles del modelo exacto que utiliz\u00f3 Target\u00a0para predecir el embarazo de la clienta no est\u00e1n disponibles;\u00a0sin embargo, una manera de construir un\u00a0modelo de este tipo es utilizar la predicci\u00f3n basada en\u00a0la clasificaci\u00f3n. El procedimiento general se ver\u00eda as\u00ed: (11 )<\/p>\n

1. Recopilar datos sobre el pasado de clientes actuales\u00a0o potenciales y sus actividades en el tiempo\u00a0en el ciberespacio.<\/p>\n

2. Recopilar datos de clientes que compran los productos\u00a0que les interesan.
\n3. Seleccionar datos de entrenamiento que se utilizar\u00e1\u00a0para construir su modelo basado en la clasificaci\u00f3n\u00a0y dejar de lado algunos de los datos del\u00a0pasado para su uso en pruebas de su modelo.
\n4. Probar el modelo hasta que sea validado y los resultados\u00a0en datos hist\u00f3ricos sea aceptable.
\n5. Desplegar su modelo. A medida que nuevos datos\u00a0de entrada para una clienta llegan, el modelo\u00a0la clasificar\u00e1, ya sea como potencialmente embarazada\u00a0o no.<\/p>\n

Target junt\u00f3 los datos de entrenamiento mediante\u00a0la fusi\u00f3n de los datos del registro del beb\u00e9 con otros\u00a0datos de las clientas, y gener\u00f3 un modelo predictivo\u00a0\u201cbastante exacto\u201d. El registro del beb\u00e9 no s\u00f3lo revela\u00a0el embarazo, sino tambi\u00e9n la fecha de nacimiento. La\u00a0tienda puede aplicar el modelo a las clientas que no se\u00a0han registrado como embarazadas, y \u00e9ste ha identificado\u00a030% m\u00e1s de clientas a Target para contactar. (5)<\/p>\n

Siegel relata que, unos meses despu\u00e9s de la presentaci\u00f3n\u00a0de Pole, fue entrevistado por el periodista\u00a0Charles Duhigg, del New York Times, quien le pidi\u00f3\u00a0que describiera algunos hallazgos interesantes surgidos\u00a0de PA. Siegel mencion\u00f3 varios, incluyendo la predicci\u00f3n\u00a0del embarazo, y proporcion\u00f3 la URL del video\u00a0de la presentaci\u00f3n de Pole. En febrero de 2012,\u00a0Duhigg public\u00f3 un art\u00edculo en el New York Times\u00a0Magazine con extractos de su libro. (5,12,13)<\/p>\n

Duhigg relata que, un d\u00eda, un hombre enojado\u00a0irrumpi\u00f3 en una tienda Target en Minnesota para ver\u00a0al gerente. \u201cMi hija recibi\u00f3 esto en el correo!, grit\u00f3,\u00a0ella todav\u00eda est\u00e1 en la escuela secundaria, \u00bfy ustedes\u00a0est\u00e1n enviando sus cupones para ropa de beb\u00e9 y\u00a0cunas?\u00bfEst\u00e1s tratando de animarla para quedar embarazada?\u201d.\u00a0Cuando el gerente llam\u00f3 al hombre, unos\u00a0d\u00edas m\u00e1s tarde, para disculparse, la voz del otro lado\u00a0de la l\u00ednea coment\u00f3: \u201cTuve una charla con mi hija,\u00a0dijo, resulta que ha habido algunas actividades en mi\u00a0casa y no me las hab\u00eda informado. Ella est\u00e1 esperando\u00a0para agosto. Te debo una disculpa\u201d. (10,11)<\/p>\n

Peng dice que el m\u00e9todo de investigaci\u00f3n y el an\u00e1lisis\u00a0no dependen s\u00f3lo de las escalas de medici\u00f3n de\u00a0las variables, sino de los objetivos de la investigaci\u00f3n\u00a0que pueden incluir: (14)<\/p>\n

1. Descriptivo – toda una poblaci\u00f3n.
\n2. Exploratorio – una muestra aleatoria con muchas\u00a0variables medidas.
\n3. Inferencial – la poblaci\u00f3n adecuada, muestras\u00a0aleatorias.
\n4. Predictivo – un entrenamiento y prueba de datos\u00a0establecidos de la misma poblaci\u00f3n.
\n5. Causales – datos de un estudio aleatorizado.
\n6. Mec\u00e1nico – datos sobre todos los componentes\u00a0del sistema.<\/p>\n

En el caso del PA, el objetivo es la predicci\u00f3n. Debe\u00a0hacerse notar que la correlaci\u00f3n no implica causalidad. (5)<\/p>\n

El descubrimiento de una relaci\u00f3n predictiva entre A
\ny B no significa que uno causa al otro.5 Se sabe el qu\u00e9,
\npero no se sabe el por qu\u00e9 y a menudo no importa
\nnecesariamente. El objetivo es predecir y no entender
\nel mundo, y averiguar qu\u00e9 lo hace funcionar.<\/p>\n

Referencias<\/strong><\/p>\n

1. Packer G. Amazon is good for customers. But is it good\u00a0for books? The New Yorker. February 17, 2014.\u00a0Available from: http:\/\/www.newyorker.com\/magazine\/2014\/02\/17\/cheap-words .
\n2. Thompson D. Google\u2019s CEO: \u2018The Laws Are Written\u00a0by Lobbyists\u2019. The Atlantic. October 1, 2010. Available\u00a0from: http:\/\/www.theatlantic.com\/technology\/archive\/2010\/10\/googles-ceo-the-laws-are-written-bylobbyists\/63908\/ .
\n3. Provost F, Fawcett T. Data Science for Business: What\u00a0You Need to Know About Data Mining and Data-Analytic Thinking. Sebastopol, CA: O\u2019Reilly Media;\u00a02013.
\n4. Abbott D. Applied Predictive Analytics: Principles and\u00a0Techniques for the Professional Data Analyst. New\u00a0York: John Wiley & Sons; 2014.
\n5. Siegel E. Predictive Analytics: The Power to Predict\u00a0Who Will Click, Buy, Lie, or Die. New York: John\u00a0Wiley & Sons; 2013.
\n6. Wikipedia contributors. Predictive analytics.\u00a0Wikipedia, The Free Encyclopedia. August 27, 2014,\u00a007:16 UTC. Available from: http:\/\/en.wikipedia.org\/w\/index.php?title=Predictive_an alytics&oldid=622990178. Accessed August 31, 2014.
\n7. Wikipedia contributors. Predictive modelling.\u00a0Wikipedia, The Free Encyclopedia. August 26, 2014,\u00a017:06 UTC. Available from: http:\/\/en.wikipedia.org\/w\/index.php?title=Predictive _modelling&oldid=622908302. Accessed August 31, 2014.
\n8. Wikipedia contributors. Machine learning. Wikipedia,\u00a0The Free Encyclopedia. August 22, 2014, 06:59 UTC.\u00a0Available from: http:\/\/en.wikipedia.org\/w\/index.php?title=Machine_learning&oldid=622303354.Accessed August 31, 2014.
\n9. Lantz B, Machine Learning with R. Birmingham, UK:\u00a0Packt Publishing Ltd; 2013.
\n10. Mayer-Schonberger V, Cukier K. Big Data. New York:\u00a0Houghton Mifflin Harcourt Publishing; 2013.
\n11. Bari A, Chaouchi M, Jung T. Predictive Analytics for\u00a0Dummies. New York: John Wiley & Sons; 2014.
\n12. Charles Duhigg. The Power of Habit. New York:\u00a0Random House Publishing Grou 13. p. 2014.
\n14. Duhigg C. How Companies Learn Your Secrets. New\u00a0York Times Magazine. February 16, 2012. Available\u00a0from: http:\/\/www.nytimes.com\/2012\/02\/19\/magazine\/shopping-habits.html?pagewanted =all&_r=0
\n15. Peng RD. Structure of a Data Analysis Part 1. Reproducible\u00a0Research week 1. Johns Hopkins Bloomberg\u00a0School of Public Health. May 5, 2014.<\/p>\n","protected":false},"excerpt":{"rendered":"

PETER B. MANDEVILLE* CIENCIA UANL \/ A\u00d1O 17, No. 69, SEPTIEMBRE-OCTUBRE 2014 In 1995, in Chicago, Bezos [Jeff Bezos, CEO Amazon.com] manned an Amazon booth at the annual conclave of the\u00a0publishing industry \u2026. Roger Doeren \u2026 was stopped short by Amazon\u2019s sign: \u201cEarth\u2019s Biggest Bookstore.\u201d \u2026\u00a0Doeren considered this, then asked, \u201cWhat\u2019s your business model?\u201d Bezos said that Amazon intended to […]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[19],"tags":[],"class_list":["post-2749","post","type-post","status-publish","format-standard","hentry","category-tips-bioestadisticos"],"_links":{"self":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/2749","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=2749"}],"version-history":[{"count":5,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/2749\/revisions"}],"predecessor-version":[{"id":3462,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/2749\/revisions\/3462"}],"wp:attachment":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=2749"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=2749"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=2749"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}