Modelos de análisis

Modelos de análisis

1. Descriptivas

   • Caracteristicas:
     • No hay un papel predeterminado para las variable
     • No hay un modelo previo, no se supone que existan variables dependientes ni intependientes
     • los modelos se crean automaticamente
       • Analisis exploratorio de datos
   • Reduccion de la dimensión factorial, componentes principales, correspondencias
   • También conocida como clasificacón post adhoc
     • Clusterin g
     • Segmentación
   • Asociación y Dependencia
   • Identifican diferentes relaciones entre clientes y productos

2. Predictivas

   • Especifican el modelo para los datos (conocimiento teorico
   • El supuesto debe contrastarse antes de aceptar como valido
   • cuenta con difentes tipos
     • Regresión, series temporales, analisis de la varianza y covarianza,
     • Redes neuronales,
       • También son tecnicas de clasificación
         • Sirven para extraer perfiles de comportamiento
     • árbles de decisión
       • permiten calsificar los datos en grupos basados en el valor de la variable
         • se elige un atributo como raiz y de acuerdo a las variables mas significativas se forma el árbol
     • analisis discriminante
       • analizar realcion entre variable dependiente (no métrica) y varias varialbes independientes (métricas)
       • Objetivo es utilizar es utilizar valores conocidos para predecir con que categoria de variables dependiente corresponde
       • y = (F(xa, x2.....xn)
       • La dependiete es no métrica y la independiente es métrica
     • elección discreta
       • predice la probabilidad de pertenencia a una categoria, para valores de variables dependientes
       • predicen la probabilidad de ocurrencia de un suceso
   • Existe una dependencia entre las variables explicas y sus variables explicativas ques son plasmadas en un modelo
     • Analisisi de regresión múltiple
       • analiza la relación entre variable dependiente e independiente ambas metricas
       • utiliza variables independintes para predecir la variable dependiente
       • )Expresión= F (xz,x2,....x
     • Análisis correlación canónica
       • ANaliza realción entre múltiples variables dependientes e independientes
       • G (y1, y2, ....yn)
       • También puede utilizarse en variables dependiente e independientes aun cuando ambas no sean métricas
   • ANOVA
     • Variable dependiente (metrica) variables independientes (no métricas)
     • Mide la significación estadistica de las diferencias entre las medidas de los grupo
   • Analisis de convarianza
     • Analiza la relación entre una variable dependiente (métrica) y varias variables independientes (algunas metricas y otras no métricas)
   • manova
     • analiza la relación entre varias variables dependientes (metricas) y varias varables independientes (no metricas)
     • Contrasta valores no métricos de las variables independientes
   • Predicen el comportamiento de un cliente en particular

3. Patrones de datos

   • Los datos sera utiles
     • Sean fidedignos y precisos, relevantes, consistentes y oportunos.
     • Tipos de datos
       • Recuperados en un periodo único
       • Datos observados a través del tiempo
         • Horizontales, estacionales, tendencia y ciclicos
         • Coeficiente de autocorrelación

4. técnicas de pronostico

   • investigar el tema que se va a pronosticar
     • Definir la natulareza del problema, explicar la naturaleza de los datos, desarrollar algun criterio predeterminado para tomar la decisión.
   • Para datos estacionarios
     • El valor medido no cambia con el paso del tiempo
       • Los factores que generan una serie son estables igual que el ambiente
     • Se necesita un modelo simple por la carencia de datos
     • La serie puede convertirse en una serie estable
   • Para datos con una tendencia
     • Es un crecimiento o decrecimiento de larga duración, el nivel de la serie no es constante
       • Ocurren cambios en el gusto popular
       • Un incremento en la productividad y nueva tecnología, trae cambios en el estilo de vida

5. Analisis predictivo

   • Es la tecnología que aprende de la experiencia para predecir el futuro comportamiento de individuos para tomar mejores decisiones.
   • Se diferencia del pronostico porque se centra en individuos especificos y en su actuar
   • Se requieren datos actuales y pasados
   • Datos
     • fuente de la que se obtienen las variables (relacion y patrones)
   • Aprendizaje computacional
     • Proporciona tecnicas de análisis de datos para descubrir relaciones entre variables
   • Suposiciones
     • La correlación no implica causalidad
   • Predicciones
     • se identifican patrones de comportamiento para crear un modelo predictivo
       • Se utlizara para predecir la probabilidad de que una persona reaccione de una manera determinada
   • Influencia sobre las personas
     • Determina quienes son las personas mas influenciables y a quien no se debe de tocar (sleeping dogs)
   • ética
     • Puede llegar a ser discriminatorio al conocer el comportamiento de las personas
   • Aplicación
     • Segmentación de clientes
     • Personalización de la oferta
     • Detectar el riesgo de que el cliente deje de comprar o usar
     • Conocer clientes potenciales
     • Conocer la tasa de deserción
     • Sectores
       • Marketing
       • Actuaria
       • servicio financiero
       • Administración pública
       • Empresarial

6. Modelos de decisión

   • Describen la relación entreo todos los elementos de una decisión
   • Se usan en la maximizacion de determinados resultados y minimizan otros

7. Modelos de ensemble

   • combina dos o mas modelos y luego sintetiza los resultados en una sola puntuación

8. Modelo Uplift

   • Técnica de modelado predictivo
   • Diferencia entre la tasa de respuesta entre un grupo y un grupo de control