LLEGANDO AL

CONOCIMIENTO Y A LA
SABIDURÍA
AUTORA: JIMENA DEL CAMPO
CONTENIDO
INTRODUCCIÓN........................................................................................................... 3

1. ANÁLISIS PREDICTIVO.......................................................................................... 4
2. CUÁNDO APLICAR MACHINE LEARNING......................................................... 7
3. TRANSFORMANDO OBSERVACIONES EN PREDICCIONES.........................10
4. PASOS PARA IMPLEMENTAR UN MODELO DE MACHINE LEARNING......15
5. ANALÍTICA PRESCRIPTIVA.................................................................................17

BIBLIOGRAFÍA.............................................................................................................19

2
INTRODUCCIÓN

Hasta ahora hemos podido depurar los datos,

darles un contexto para transformarlos en infor-
mación y así visualizarlos para avanzar con el aná-
lisis de hechos históricos.

Pero ¿cómo hacemos para avanzar más allá y ha-

cer un análisis del futuro, para poder predecir lo
que sucederá en nuestros negocios, así como im-
plementar la mejor opción de forma automática?

En esta unidad nos adentraremos en la analítica

predictiva y prescriptiva que nos permitirán me-
jorar nuestras decisiones, llegando a través de
ellas a la cúspide de la pirámide del conocimiento.

3
 01
ANÁLISIS PREDICTIVO
El análisis predictivo es el que le sucede al descriptivo, ya que basado en datos
históricos tiene la capacidad de predecir comportamientos futuros.

Es decir que el análisis descriptivo mira el ayer y el ahora, el análisis predictivo mira
el mañana y el análisis prescriptivo permite, a futuro, implementar la mejor de las
decisiones.

Avancemos ahora con el análisis predictivo. ¿Cómo podemos hacer para predecir
basados en datos históricos? Y es aquí donde aparece el concepto de Machine
Learning. Veamos a continuación algunas definiciones:

4
Inteligencia Artificial (también conocida como IA): es la inteligencia demostrada
por las máquinas, en contraste con la inteligencia natural de los humanos. Esta
tecnología permite programar una computadora para que haga algo, indicando a
la máquina lo que debe hacer. Es decir que la máquina no aprende por su cuenta y
solo actualizará su forma de accionar cuando explícitamente se la programe para
ello, a través de enseñarle o de programar nuevas reglas.

Machine Learning (Aprendizaje Automático): podríamos decir que son algoritmos

que se encargan de analizar datos históricos y detectar patrones que un humano
no podría detectar, para luego hacer predicciones. En este caso se le proporcionan
datos a una computadora y esta aprende por sí sola, mejorando las tareas que
realiza a medida que adquiere experiencia. Es un subconjunto de la Inteligencia
Artificial.

Algoritmo: es una secuencia de pasos lógicos que permiten la solución de uno o

más problemas.

Aclaremos un punto con respecto al Machine Learning: cuando decimos

que la computadora “aprende por sí sola” nos referimos a la capacidad
del algoritmo de detectar patrones automáticamente sobre los datos
históricos.

5
Por otro lado, cuando este algoritmo “aprendió” de los datos históricos, también
se suele decir que el algoritmo está “entrenado”, transformándose en un programa
ejecutable capaz de tomar datos históricos y hacer predicciones con cierta fre-
cuencia. A esto, más todo el preprocesamiento previo de datos que serán input del
algoritmo, se lo conoce como Modelo de Machine Learning.

Ahora bien, un concepto que se encuentra totalmente relacionado con Machine

Learning es el Big Data, ya que este último implica cantidades de datos que son
muy grandes y que se generan a gran velocidad y de diversas fuentes, por lo que
requiere de prácticas y tecnologías avanzadas para su procesamiento. Pero, a pe-
sar de estas grandes cantidades de datos, los algoritmos de Machine Learning
suelen ser muy veloces, llegando a procesar millones de datos por segundo.

La generación de datos sigue creciendo a pasos agigantados y la evolución de la

tecnología también. Esto nos puede llevar a pensar a que si generamos tantos da-
tos entonces todas las empresas deberían estar utilizando Machine Learning como
apoyo a sus decisiones, no obstante, la verdad es que, si no se tiene la madurez
analítica suficiente y una base sólida de data, no se podrán sortear fácilmente los
retos del uso del Machine Learning. Casi el 90% de los proyectos de ML nunca
llegan a cumplir su objetivo final.

6
 02
CUÁNDO APLICAR
MACHINE LEARNING
Muchas empresas quieren ser pioneras en tecnologías y comienzan por implemen-
tar Analítica Predictiva en sus negocios, sin evaluar previamente la madurez de
los datos, del negocio y de la compañía. Como consecuencia, terminan gastando
grandes sumas de dinero en proyectos que no se implementan.

Tal fue el caso de Netflix en el año 2009 que a través de un concurso premió con
un millón de dólares a un equipo que mejoró el Sistema de Recomendación que
estaban usando y si bien la solución cumplió con el objetivo perseguido, el esfuer-
zo para su implementación era tan grande que no valió la pena ponerlo productivo.

Pero veamos ahora algunos ejemplos de negocios en los que podemos implemen-
tar Machine Learning.

- Predicción de la cantidad de unidades a vender de un producto en particular.

- Predecir la probabilidad de compra de un producto.

- Predecir un mal comportamiento de pago.

- Predecir la posible baja o abandono de un cliente: es decir si el cliente va a

dejar de comprar en la empresa.

- Predecir posibles transacciones fraudulentas.

7
También en nuestro día a día encontramos casos sencillos en los que implementa-
mos Machine Learning:

- Clasificación de emails como Spam.

- Recomendaciones de música en Spotify.

- Sistemas de recomendación de las plataformas de Streaming (Netflix / Disney

Plus, etc.), que se basan en las visualizaciones que realizamos y las que reali-
zan los demás usuarios para sugerirnos los productos que podemos consumir.

- Sistemas de recomendación de plataformas de e-commerce (Mercado Libre /

Amazon).

- Waze, cuando nos indica elementos valiosos al momento de conducir, tales

como la presencia de accidentes, objetos peligrosos en la carretera, radares o
agentes de tráfico y que, al igual que Google Maps, también nos indica la mejor
ruta.

Es muy común que nos encontremos con empresas que desean llegar al Machine
Learning sin haber pasado antes por la Analítica Descriptiva, fracasando en sus
intentos de poner a funcionar tecnología para la cual aún no están preparados.
Muchas veces desde la analítica descriptiva podemos encontrar patrones de com-
portamiento y deducir reglas sencillas que nos permitan lograr grandes resultados
de forma rápida y a bajo costo, teniendo en cuenta el conocimiento del negocio.

Todas estas herramientas tienen los siguientes puntos en común:

- Facilidad de uso

- Múltiples fuentes de datos a las cuales conectarse

- Variedad de tipos de tablas, gráficos y mapas

- Documentación, tutoriales y soporte diseñados de manera intuitiva para el

usuario

- Pueden manejar grandes conjuntos de datos e incluso múltiples conjuntos de

datos en una sola visualización

- Permiten compartir información

- Delivery de informes vía email

- Exportación de información a formatos conocidos (excel, CSV, Spreadsheet,

PDF, imagen)

8
- Todas ofrecen un período de prueba sin costo, que permite conocer más acerca
del uso de cada una, a excepción de DataStudio de Google que es totalmente
gratis si tienes cuenta de Google.

En este ejemplo vamos a ver cómo se construye el siguiente informe en Data Stu-
dio a partir de una hoja de cálculo de Google y aprenderemos más acerca de los
conceptos de visualización:

9
 03
TRANSFORMANDO
OBSERVACIONES EN
PREDICCIONES
Comprendamos un poco más a fondo cómo funciona Machine Learning. Cuando
comenzamos un proyecto de Machine Learning es necesario comprender a la per-
fección cuál es el objetivo que perseguimos, es decir qué resultado estamos espe-
rando de la ejecución del algoritmo.

Analicemos la siguiente situación: dado que cada vez que voy al trabajo y llego a
tiempo, recibo una recompensa monetaria en mi bono mensual, me urge saber con
precisión qué debo hacer para llegar a tiempo al trabajo todos los días, teniendo en
cuenta que los días lunes y viernes debo utilizar la moto para viajar, mientras que
de martes a jueves puedo utilizar el auto o carro. Mi objetivo es poder determinar
si llego a tiempo o no al trabajo.

Por otro lado, debo identificar cuáles son todos los factores o variables que pue-
den influir en el resultado perseguido, tales como: tipo de vehículo, hora de salida,
día de la semana, estado del tiempo, estado de la ruta, estado del tránsito, etc.

Finalmente, es necesario que vaya registrando todos los días el resultado u obser-
vaciones que van ocurriendo.

Pasos a seguir en un proyecto de Machine Learning:

- Identificar la variable objetivo

- Identificar las variables o factores que influyen en el objetivo

o resultado buscado

- Registrar los resultados u observaciones obtenidas 10

Para este fin, podríamos preparar una tabla como la siguiente:

En la columna observaciones iré anotando el día en el que se produce la observa-

ción.

En la columna objetivo, iré anotando el resultado de la observación, es decir si

llegué o no a tiempo.

A partir de la tercera columna, vamos a ir registrando el valor de las distintas va-

riables que pueden incidir en nuestro resultado. En la columna tipo de vehículo iré
anotando si utilicé auto o moto para trasladarme.

Luego, la hora a la que salí de casa, qué día de la semana es. También me interesa
saber el estado del tiempo en ese día, si estaba despejado, lluvioso, ventoso o
nublado.

A su vez, considero importante conocer el estado de la ruta para detectar si está

en buen estado o si hay algún corte por reparación.

Finalmente, y no menos importante, registrar cómo está el tránsito ese día, defi-
niendo si está congestionado o si es fluido.

El día lunes, realizo mi primer registro, anotando los siguientes valores y dejando
como resultado que no llegué a tiempo.

De aquí puedo deducir que no tuve mucha suerte con el tránsito.

11
Al día siguiente me voy en auto y salgo de casa a las 7 am, registrando los siguien-
tes valores:

Comparando estos valores con los del primer registro, vemos que cambió el tipo
de vehículo, el horario de salida, el día de la semana y me acompañó el estado del
tránsito.

Si bien todas las condiciones estaban dadas para que llegara a tiempo, puedo de-
ducir que no fue una buena idea salir a las 7 am, en auto, el día martes.

Por lo que el día miércoles decido salir más temprano y si bien el clima no me
acompaña, logro llegar a tiempo al trabajo.

Esta es la primera vez que logro mi objetivo y si comparo los valores con los del
primer y segundo registro, puedo deducir que el cambio de horario fue favorable.

Lo que me interesa saber en este punto es cómo las columnas de la derecha, des-
de tipo de vehículo hasta estado del tránsito, están afectando al objetivo que por
supuesto es: llegar a tiempo al trabajo todos los días.

A medida que tenemos mayor cantidad de observaciones, gran parte de nuestro

aprendizaje como humanos empieza a generarse de esta forma: diferentes varia-
bles con valores diferentes van arrojando resultados diferentes y poco a poco po-
demos deducir qué día de la semana es más probable que lleguemos a tiempo, cuál
es el tipo de vehículo que nos conviene utilizar, a qué hora debo salir de casa, etc.

Ahora bien, ¿qué cantidad de registros podemos tomar en nuestra vida como
muestra? Si consideramos que cada año tiene 365 o 366 días, dependiendo de si
es bisiesto o no, y descontamos los fines de semana (52 sábados y 52 domingos),
podríamos decir que aproximadamente podríamos registrar entre 262 y 261 ob-
servaciones en un año. ¿Qué hacemos entonces cuando el número de observacio-
nes crece tanto?

12
Seguramente a medida que el tiempo va pasando vamos teniendo mayor expertise
y logramos llegar a tiempo al trabajo con mayor frecuencia. A medida que tene-
mos más experiencia aprendemos más.

Otro factor que tenemos en cuenta es el número de variables que tenemos a la

derecha, es decir aquellas que influyen en el resultado. Seguramente, a medida
que vamos teniendo mayor experiencia comenzamos a analizar otros factores, ta-
les como si hubo o no un accidente de tránsito, si es un día festivo, el estado del
vehículo, si tuve que ir a cargar gasolina, etc.

13
¿Cuántas variables creen que podemos tener en cuenta dentro de nuestro análi-
sis? Podrán ser tantas como nuestra capacidad cognitiva lo permita.

Si observamos, a medida que pasa el tiempo nuestra experiencia crece, lo que nos
permite registrar mayor cantidad de observaciones y mayor cantidad de variables.

Pero el esquema en general sigue siendo el mismo: Cómo influyen las variables de
la derecha para lograr predecir el objetivo que nos propusimos, mientras registra-
mos las distintas observaciones:

Entonces ¿cómo hacemos para evaluar toda la información que vamos recabando?
Les puedo asegurar que después de un año de observaciones y con más de 10
variables, se torna muy difícil para una persona poder evaluar todas las posibles
situaciones que se pueden dar.

Adicionalmente, si a este registro le agregamos las observaciones de todas las

personas que comparten mí misma ruta, donde el nro. de observaciones ya no
será sólo de 261, sino que se irá multiplicando por la cantidad de experiencias
que podemos registrar, entonces probablemente ya no podamos seguir sacando
conclusión alguna.

Y es en este punto donde empezamos a hablar de BigData, cuando la

cantidad de información con la que contamos crece y necesitamos
de otras herramientas de procesamiento, tales como el Machine
Learning. Donde la máquina va barriendo las distintas observacio-
nes y variables y va aprendiendo (encontrando nuevos patrones que
el cerebro humano no podría encontrar con la agilidad que lo hace
un modelo de Machine Learning).

Si bien el proceso de definición del modelo es sencillo de comprender,

debemos saber que los proyectos de Machine Learning no son sencillos de im-
plementar si no contamos con el equipo adecuado de Científicos de Datos que
sean capaces de evaluar cuál es el algoritmo que mejor se adapta a la necesidad u
objetivo que estamos persiguiendo para luego implementar el modelo completo
que se basa en los conceptos mencionados anteriormente, pero que requiere de la
ejecución de los siguientes pasos para su ejecución:

14
 04
PASOS PARA
IMPLEMENTAR UN MODELO
DE MACHINE LEARNING
a) Recolectar los datos: si bien ya hemos hablado sobre este punto y las diversas
formas de recolección de datos que existen en el mercado, vale aclarar que este
paso es uno de los que más complicaciones trae y más tiempo consume.

b) Preprocesar los datos: una vez que tenemos los datos, tenemos que asegurar-
nos que tiene el formato correcto para nutrir nuestro algoritmo de aprendizaje.
Es inevitable tener que realizar varias tareas de preprocesamiento antes de po-
der utilizar los datos.

c) Explorar los datos: una vez que ya tenemos los datos y están con el formato
correcto, podemos realizar un pre análisis para corregir los casos de valores fal-
tantes o intentar encontrar a simple vista algún patrón en los mismos que nos
facilite la construcción del modelo. En este punto podemos detectar valores atí-
picos que debamos descartar, o encontrar las características que más influencia
tienen para realizar una predicción.

d) Entrenar el algoritmo: aquí es donde comenzamos a utilizar las técnicas de Ma-

chine Learning realmente. En esta etapa nutrimos al o los algoritmos de apren-
dizaje con los datos que venimos procesando en las etapas anteriores.

e) Evaluar el algoritmo: en esta etapa ponemos a prueba la información o cono-

cimiento que el algoritmo obtuvo del entrenamiento del paso anterior. Vemos
que tan preciso es el algoritmo en sus predicciones y si no estamos muy confor-
me con su rendimiento, podemos volver a la etapa anterior y continuar entre-
nando el algoritmo cambiando algunos parámetros hasta lograr un rendimiento
aceptable o bien seleccionar otro algoritmo que se adapte mejor a nuestra ne-
cesidad.

15
f) Utilizar el modelo: es la última etapa, donde ponemos a nuestro modelo a en-
frentarse al problema real.

Podemos decir que el fundamento de Machine Learning es traducir características

de un conjunto de observaciones a predicciones y si bien existen varios esquemas
de representación y según el tipo de variable distintas clasificaciones (por ej: clasi-
ficación y regresión), es importante que entendamos la forma en la que se procesa
la información y porqué llega un punto en el que los humanos requerimos de las
máquinas para procesar cantidades tan grandes de información.

Recuerden siempre comenzar por la solución más sencilla,

aunque eso implique no usar Machine Learning. Solo debemos
utilizar Machine Learning si nuestra habilidad cognitiva no puede
por sí sola, logrando obtener un beneficio mayor al costo de su
implementación.

16
 05
ANALÍTICA PRESCRIPTIVA
Hasta ahora hemos recorrido la pirámide logrando llegar al conocimiento y com-
prendiendo cómo funciona la analítica predictiva, no obstante, ¿cómo damos el
paso hacia la analítica prescriptiva?

Recordemos la definición de Analítica Prescriptiva: el Análisis Prescriptivo respon-

de a la pregunta: ¿qué deberíamos hacer? Analiza el impacto de tomar diferentes
cursos de acción para recomendar la mejor opción.

A diferencia del análisis descriptivo o el predictivo, el prescriptivo determina los

distintos modos en que los procesos de negocios deben evolucionar o ser modi-
ficados.

La analítica prescriptiva utiliza una combinación de técnicas y herramientas tales

como reglas de negocio, algoritmos de aprendizaje automático y procedimientos
de modelado computacional. Estas técnicas se aplican a los diferentes conjuntos
de datos, incluyendo datos históricos y transaccionales, se alimenta de datos en
tiempo real y en general de grandes volúmenes de datos.

Por último, podemos decir que la analítica prescriptiva se basa en el conocimiento

y las técnicas de las analíticas descriptiva y predictiva, adicionando la investigación
operativa y la optimización numérica.

Cada negocio es distinto, por lo que no existen técnicas de analítica prescriptivas

genéricas, sino que todo proyecto comienza con un trabajo de consultoría para
terminar en un proyecto hecho a medida de las necesidades del negocio que lo
requiere.

17
Veamos algunos casos de aplicación:

- Una empresa de Internet se da cuenta de que el uso que hace un cliente de sus
servicios está disminuyendo. El análisis prescriptivo puede sugerir alguna opti-
mización de los servicios o bien un ajuste en los precios para evitar perder a ese
cliente.

- Una empresa que posee servicios de logística donde según la demanda futura
puede definir qué mercadería dejar acopiada en los distintos almacenes, optimi-
zando de esta forma el almacenamiento y el delivery de sus productos.

- Realizar un mantenimiento predictivo en aviones, sustituyendo las revisiones

periódicas o las reparaciones en caso de fallo por un sistema que recomiende el
mejor momento para realizar la revisión de cada componente, reduciendo cos-
tes por averías y reparaciones.

18
BIBLIOGRAFÍA
JOHNSTON, C. (2012) Caso Netflix - Sis-
tema de recomendación no implemen-
tado. Recuperado de: https://www.wi-
red.com/2012/04/netflix-prize-costs/

THEOBALD, O. (2017) Machine Learning

for Absolute Beginners: A Plain English
Introduction (Second Edition).

19