El análisis predictivo se utiliza hoy día en numerosas ocasiones como sinónimo del término "aprendizaje automático", también conocido como machine learning. Si hay una técnica en análisis predictivo que captura este aspecto más que cualquier otro, es el modelado de redes neuronales artificiales. Su funcionamiento se basa en el aprendizaje, una búsqueda iterativa de los coeficientes o pesos dados a inputs y outputs.
Uno de los aspectos más interesantes del estudio de las redes neuronales artificiales es el que revela en qué consiste su aportación a la analítica predictiva. En esta línea, destacan cuatro usos:
1. Aproximación: su función se asemeja a una forma avanzada de modelo de regresión lineal múltiple. En un modelo de regresión lineal estándar, se busca ajustar una función de línea recta a través de los valores de una variable independiente. En un modelo de red neuronal artificial no hay ninguna restricción, no existen ese tipo de límites, la línea no tiene porqué ser recta. Esta característica complica su diseño pero optimiza los resultados ya que, en base al ajuste de una función, se pueden encontrar los pesos correctos o coeficientes que se relacionarán con técnicas estadísticas estándar.
2. Previsión: el forecasting que las redes neuronales artificiales permiten llevar a cabo parte de una variable objetivo con un valor equiparable al de la que se pretende medir en un punto del tiempo en el futuro. Las variables independientes son consideradas valores históricos de la misma medida. De esta manera, un problema de predicción reduce simplemente a una función de aproximación.
3. Clasificación: las redes neuronales artificiales pueden ser utilizadas eficazmente para clasificar muestras, es decir, asignar los datos que se recogen a diferentes clases o categorías.
4. Agrupación: la agrupación es otra forma de clasificación, donde se desconoce el número de clases antes de forma previa. Por tanto, el trabajo de las redes neuronales artificiales para la agrupación es similar a la clasificación de registros.
En el mundo de los negocios la aportación de las redes neuronales artificiales, ya sea a nivel estratégico, táctico u operativo, es extremadamente valiosa, precisamente por su importante contribución a la analítica predictiva que se pone de manifiesto:
En la construcción de modelos explicativos, que ayudan a explorar conjuntos de datos en busca de variables o grupos de variables pertinentes.
En su capacidad para aproximar cualquier función continua, haciendo posible que el analista no necesite tener ninguna hipótesis sobre el modelo subyacente.
El valor clave de las redes neuronales artificiales es su capacidad para modelar funciones no lineales muy complejas, aunque también se adaptan bien a problemas altamente dimensionales, donde el número potencial de predictores es muy grande.
Su principal debilidad reside en su tendencia al sobre-aprendizaje, ya que este tipo de redes aprenden a minimizar el error de predicción en los datos con los que son instruidas, que no es lo mismo que reducir al mínimo el error de predicción en una aplicación de negocio. Por eso mismo, al igual que con otras técnicas de modelado, los analistas deben probar los modelos producidos con redes neuronales artificiales en una muestra independiente y tomar las decisiones adecuadas en cuanto a la topología de red, funciones de transferencia, funciones de activación y el algoritmo de entrenamiento.
Post relacionados:
Inteligencia artificial predictiva y los negocios imbatibles
Data Quality: errores comunes en la gestión de la calidad de datos