[MUSIC] Tipos de modelos de analítica predictiva. [MUSIC] En esta clase, se abordarán los tipos de modelos de la analítica predictiva. Dentro de este tipo de analítica, se utiliza una gran variedad de herramientas, tales como los modelos de regresión, machine learning, data mining, teoría de juegos, entre otros. En la clase de hoy, se profundizará sobre los modelos de regresión y los de machine learning. En esta clase, revisaremos los siguientes temas. Modelos de de regresión, modelos de machine learning. Muchas decisiones de negocios se basan en la relación que pueda existir entre dos o más variables. Las regresiones buscan establecer una ecuación matemática para representar la relación entre una variable dependiente con respecto a otras variables independientes. Aquella variable que se desea predecir recibe el nombre de variable dependiente. Mientras que aquellas variables que se utilizan para predecir el valor de la variable dependiente reciben el nombre de variables independientes o regresores. Típicamente, este tipo de modelos se esquematiza con una ecuación como la siguiente, donde la variable y representa la variable dependiente. x1, x2, x3, etc., representan las variables independientes. Y épsilon corresponde al error de estimación. Por su parte beta 0, beta 1, beta 2, corresponden a los parámetros que se busca estimar y que explican la relación de los regresores con la variable dependiente. Supongamos de delivery construye un modelo para predecir el tiempo en minutos que tomará un pedido en llegar al lugar de destino (y). Se cree que las dos variables que más ayudarán a predecir lo anterior corresponde a. Primero, la distancia en kilometros desde el restaurante hasta el lugar de destino, x1. Y segundo, el número de platos que contiene el pedido, x2. Utilizando datos históricos, se estimó la siguiente regresión. El tiempo del pedido es igual a 3 + 1,5 por la distancia + 3,2 por el número de platos. De la ecuación anterior, se puede inferir que por cada kilómetro de distancia entre el restaurante y el lugar de destino el tiempo del pedido aumenta en 1,5 minutos. Además por cada plato extra en el pedido, el tiempo aumenta en 3,2 minutos. De esta forma, si llega un nuevo pedido que contiene cuatro platos en total y 9 kilómetros de distancia entre el restaurante y el lugar de destino, al introducir esto en la ecuación anterior podemos obtener un tiempo del pedido de 29,3 minutos. Es decir, el modelo estima que el pedido tomará casi 30 minutos en ser entregado al cliente. Esta información se le puede comunicar al cliente para que tome una decisión informada acerca de si realmente desea realizar el pedido o no. Hay varios tipos de modelos de regresión. Una forma común de clasificarlos en la siguiente. Corte transversal, serie de tiempo, y panel de datos. Los modelos de corte transversal utilizan una muestra de varias entidades, como por ejemplo clientes o empresas, en un único instante de tiempo. Por ejemplo, se podría estimar una regresión que relacione el número de empleados de una empresa, x1, y su cantidad de activos, x2, con la utilidad neta de un período, y. Los modelos de serie de tiempo utilizan datos de una entidad en varios instantes de tiempo. Por ejemplo, se podría estimar una regresión que analice el valor de la inflación anual, y, con la variación en la tasa desempleo, x1, y exportaciones totales de un país, x2. Los modelos de datos de panel corresponden a una mezcla de los dos anteriores you que analizan más de una entidad en varios instantes de tiempo. De esta forma, se podría estimar una regresión que busca explicar los restornos anuales, y, que tuvieron las diez empresas más grandes de la bolsa de Santiago durante 15 años en base en su total de activos, x1, y número de empleados, x2, por ejemplo. A continuación, te invitamos a responder la siguiente pregunta. Machine learning, este tipo de modelo se basa en algorítmos que reciben datos de entrada. Y mediante el análisis estadístico, tratan de recibir resultados actualizando sus parámetros a medida que recopilan nuevos datos. Y generando predicciones autónomamente. Las redes neuronales son un ejemplo de modelo de machine learning. Su nombre viene de la analogía con el cerebro humano, you que se forman interconectando nodos mediante aristas o arcos, tal como se esquematiza en la siguiente figura. Las neuronas se suelen clasificar en tres tipos, de entrada, ocultas y de salida. Las neuronas de entrada son aquellas que reciben la información. Las neuronas ocultas son aquellas que procesan la información. Las neuronas de salida son aquellas que entregan la respuesta final. A grandes rasgos, el funcionamiento de este tipo de modelos se representa en la siguiente figura. El círculo celeste recibe m datos de entrada, cuyos valores simbolizados con las letras x1, x2, x3 etc., se multiplican por su respectivo ponderador, simbolizados por las letras w1, w2, w3, etc. Luego, se aplica una función de agregación correspondiente a la expresión dentro del círculo celeste. Para finalmente aplicar una función de activación que se esquematiza con el rectángulo blanco. Finalmente, se produce el valor de salida de la neurona. A continuación, te invitamos a responder la siguiente pregunta. Las redes neuronales tienen múltiples aplicaciones de negocio. Por ejemplo, la empresa Untapt, que utiliza redes neuronales en el área de recursos humanos, creando algoritmos que recomiendan en milisegundos cargos, en los que los postulantes tienen altas probabilidades de ser exitosos. Otro ejemplo es SkinVision, empresa que utiliza redes neuronales en su algoritmo de detección de cáncer en la piel. Profundizamos en dos tipo de modelos utilizados en analítica predictiva, los modelos de regresión y los de machine learning. También explicamos en qué consiste cada uno. E ilustramos su utilización con ejemplos de negocios. [MUSIC]
