¡Muy Buenos días! ¡Aquí nos encontramos de nuevo en nuestro rincón curioso de BestInMicro!
Un lugar donde compartir historias, experiencias, aprendizajes, secretos y técnicas del día a día en la vida de un consultor MicroStrategy.
Esta semana traigo un tema que lleva muchos años en MicroStrategy, pero poca gente lo conoce y las empresas gastan miles de dólares en implementarlo de una forma externa. A veces puede estar justificado, ya que esta es una solución out of the box, pero créanme que, si se conociese más, se utilizaría muchísimo. Y si, están viendo bien, ¡estamos hablando de técnicas machine learning integrado en MicroStrategy! Así que, sin más preámbulos, el tema de la semana: Training Metrics.
Pasada ya la introducción, voy a destacar algo. Estos modelos corresponden más al concepto de data mining que al de machine learning, pero una cosa no quita la otra. Lo que intentaré explicar en este artículo es una rápida introducción a los distintos modelos predictivos y como utilizarlos con MicroStrategy, sin la necesidad de tener un científico de datos o alguien que sepa R o Python para predecir comportamientos.
Para la gente que está acostumbrada al BI clásico, lo que solemos ver y analizar es el pasado, son los resultados obtenidos para comprender que pasó y poder tomar decisiones más acertadas. Esto es lo que se llama Analítica descriptiva.
Hoy, lo que haremos es implementar modelos que me permitan predecir, con el mayor grado de precisión posible, qué resultados habrá utilizado técnicas estadísticas. Este tipo de análisis es lo que llamamos Análisis predictivo. Aquí debajo vemos qué tipo de preguntas responde cada uno de estos análisis:
Ahora que ya nos posicionamos un poco en la finalidad de estos modelos, pasaré a contarles brevemente qué tipos de modelos hay. La gracia con todo esto es que podamos crear indicadores que nos ayuden a predecir futuros resultados, pero no todos los modelos tienen el mismo comportamiento.
El Forecasting es un tipo de análisis que se utiliza para predecir o estimar el valor futuro de variables como ventas, ganancias y control de stock, etc., siempre basándonos en datos pasados. El análisis de regresión y el análisis de series de tiempo son los más comunes de ver y los ejemplos más simples.
En este tipo de análisis se tiene una variable independiente (generalmente, el tiempo), y otra variable dependiente (en el eje Y).
Básicamente, se intenta generar una relación entre todos los factores que afectan la relación entre ambas variables y se crea una ecuación que, al aplicarle un valor de la variable independiente, nos devuelva con la mayor precisión posible el valor estimado de la variable dependiente. Cuanta más información se tenga, y menos factores influyan en nuestro escenario, más preciso será el análisis.
Hay distintos tipos de fórmulas, como por ejemplo regresión linear (f(x) = mx +b), regresión exponencial (f(x) = mx+b) , logarítmica (f(x) = ln x)…. aquí tienen mayor detalle al respecto, pero dependiendo cada situación y de dichos factores que afectan al escenario siendo analizado, cada fórmula se adaptará de mejor manera, reduciendo al mínimo el margen de error.
Según la definición oficial: La clasificación es una técnica utilizada para asignar objetos a diferentes grupos y predecir cómo clasificar nuevos puntos de datos mediante la identificación de características de datos subyacentes. Lo terminé escribir y suena a chino básico, pero con un ejemplo se entiende fácil: En base a distintas reglas, puedo asignar un objeto a diferentes grupos. Es como un Akinator, pero gigante… utilizando las condiciones del If then else vamos agrupando nuevos objetos, lo que nos permite tomar decisiones en cuanto a su resolución.
-¿Tiene vida? -Si
¿Es verde? -No
-¿Hace Guau? -Si!
-¡Es una persona sorprendida!
Además de ser un chiste pésimo (perdón, no pude evitarlo), nos da la pauta de que hay que generar buenas reglas para saber clasificar y predecir correctamente… Lo veremos en la siguiente parte del artículo.
Esta técnica agrupa elementos para que los miembros de un grupo sean más similares entre sí que a los miembros de otros grupos. El grado de asociación entre dos elementos es máximo si pertenecen al mismo grupo y mínimo en caso contrario. Una vez creados los grupos, los elementos nuevos normalmente se pueden agrupar en uno de los grupos existentes.
Este tipo de análisis es muy típico, por ejemplo, en campañas de Marketing. Si hay muchas personas que tienen cierto rango de edad, de tal sexo y cierta región, buscarán vender un producto específico, mientras que, si cambia el rango de edad, buscarán otro producto que sea más atractivo para este nuevo grupo o cluster.
Las reglas de asociación detectan patrones, correlaciones o relaciones entre diferentes elementos o conjuntos de elementos. Ayudan a identificar elementos que suelen aparecer juntos y tener un alto grado de concurrencia entre sí.
Por ejemplo, en una persona compra un teléfono móvil y una carcasa protectora, es muy probable que también quiera comprar un vidrio templado… o si en un supermercado compra carbón y chimi churri, también querrá un buen pedazo de carne y un vino para su asado…
Básicamente es identificar patrones y comportamientos que se repiten de forma constante para, al detectarlos nuevamente, se pueda predecir como finalizará.
El Data Mining no indica el valor de los patrones: Es necesario tener una buena comprensión de los datos y el contexto empresarial para interpretar el valor de las tendencias y patrones descubiertos.
Si bien no es requerido comprender todas las complejidades de las técnicas estadísticas y matemáticas relacionadas con el Data Mining, es de suma importancia de comprender las herramientas y técnicas de minería de datos y su funcionalidad, ya que si no se aplican correctamente puede llevar a resultados muy errados.
Es de suma importancia contar con una fase de verificación. La minería de datos identifica patrones y tendencias en función de los datos de ejemplo. Se deben comprobar esos patrones y tendencias con un conjunto de datos del mundo real para asegurarse de que los resultados son confiables.
La calidad de los datos afecta al resultado: la minería de datos se ve directamente afectada por la calidad de los datos. Es importante que los datos sean limpios y coherentes en todos los orígenes de datos.
Es posible que la minería de datos no identifique las relaciones de causa y efecto: Si bien es cierto que facilita el identificar ciertos patrones predictivos, es posible que esos patrones no identifiquen una relación de causa y efecto.
Estas son herramientas que tiene MicroStrategy desde hace ya muchísimos años, pero a medida que avanza el mundo y con la masificación de nuevas tecnologías, capacidad computacional y modelos estadísticos, ya se fue migrando hacia nuevos modelos hechos con Python, por ejemplo, una nueva herramienta a las que MicroStrategy se va adaptando con las nuevas versiones y funcionalidades.
De todas formas, creo que sigue siendo una funcionalidad super explotable y que no requiere el contar con un data scientist para poder tomar provecho de esto.
En fin, Próximamente haremos algo de practica con estos modelos, y ya me dirán si quieren que me enfoque en algún modelo en particular para el ejemplo, o incluso si tienen y quieren compartir algún conjunto de datos que quieran que analicemos juntos.
¡Los espero la próxima semana!
11.711-Data Mining and Predictive Analytics Manual
James Oliver Vídeo – MicroStrategy Training Metrics Tutorial – YouTube
Online Training Video by MicroRooster – MicroStrategy – Data Mining & Predictive Analytics – Online Training Video by MicroRooster – YouTube
* Tu información será utilizada exclusivamente para contactarte en relación al Business Data Master. No hacemos spam ni compartimos datos con terceros.
