Análisis predictivo

Aumento del big data

A menudo se habla del análisis predictivo en el contexto del big data; los datos de ingeniería, por ejemplo, proceden de sensores, instrumentos y sistemas conectados del mundo real. Los datos de sistemas empresariales de una compañía podrían incluir datos de transacciones, resultados de ventas, quejas de clientes e información sobre marketing. Cada vez más, los negocios toman decisiones basadas en los datos procedentes de esta valiosa mina de información.

Aumento de la competitividad

Con el aumento en la competitividad, los negocios buscan una ventaja a la hora de proporcionar productos y servicios a mercados saturados. Los modelos predictivos basados en datos pueden ayudar a las empresas a resolver problemas de toda la vida de maneras nuevas.

Los fabricantes de equipos, por ejemplo, pueden encontrar difícil innovar en el hardware exclusivamente. Los desarrolladores de productos pueden agregar capacidades predictivas a las soluciones existentes para aumentar el valor de cara al cliente. El uso del análisis predictivo para el mantenimiento de equipos, o mantenimiento predictivo, puede anticipar fallos de los equipos, pronosticar las necesidades de energía y reducir los costes operativos. Por ejemplo, los sensores que miden las vibraciones de las piezas de automoción pueden indicar la necesidad de mantenimiento antes de que el vehículo falle en carretera.

Las empresas también utilizan el análisis predictivo para crear predicciones más precisas, tales como pronosticar la demanda de electricidad de la red de suministro. Estas predicciones permiten planificar los recursos (por ejemplo, la planificación de diversas plantas de energía) de manera más efectiva.

Tecnologías de vanguardia para big data y aprendizaje automático

Con el propósito de extraer valor del big data, los negocios aplican algoritmos a grandes conjuntos de datos mediante herramientas como Hadoop y Spark. Las fuentes de datos pueden ser bases de datos transaccionales, archivos de registro de equipos, imágenes, vídeo, audio, datos de sensores u otros tipos de datos. La innovación a menudo surge de la combinación de los datos de diversas fuentes.

Con todos estos datos, se necesitan herramientas para extraer conocimiento y tendencias. Las técnicas de aprendizaje automático se emplean para localizar patrones en los datos y crear modelos que pronostiquen los resultados futuros. Hay disponible una amplia gama de algoritmos de aprendizaje automático, incluidos regresión lineal y no lineal, redes neuronales, máquinas de vectores de soporte, árboles de decisión, etc.

Ejemplos de análisis predictivo

El análisis predictivo ayuda a los equipos de sectores tan diversos como los siguientes: financiero, sanidad, farmacéutico, automoción, aeroespacial y fabricación.

• Automoción: innovación en el ámbito de los vehículos autónomos
  Las empresas que desarrollan tecnología de asistencia a la conducción y nuevos vehículos autónomos utilizan el análisis predictivo para analizar los datos de los sensores de los vehículos conectados y para crear algoritmos de asistencia a la conducción.
• Aeroespacial: supervisión del estado del motor de la aeronave
  Con objeto de aumentar el tiempo productivo de la aeronave y de reducir los costes de mantenimiento, un fabricante de motores ha creado una aplicación de análisis en tiempo real para predecir el rendimiento de los subsistemas en relación con el aceite, el combustible, el despegue, el buen estado mecánico y los controles.
• Producción energética: predicción del precio y la demanda de electricidad
  Las modernas apps de predicción emplean modelos que supervisan la disponibilidad de las plantas, las tendencias históricas, la estacionalidad y la meteorología.
• Servicios financieros: desarrollo de modelos de riesgo crediticio
  Las instituciones financieras utilizan técnicas de aprendizaje automático y herramientas cuantitativas para predecir el riesgo crediticio.
• Maquinaria y automatización industriales: predicción de los fallos de la maquinaria
  Un productor de plástico y papel film ahorra 50 000 euros mensuales gracias al uso de una aplicación de supervisión de estado y mantenimiento predictivo que reduce el tiempo de inactividad y minimiza los residuos.
• Dispositivos médicos: uso de algoritmos de detección de patrones para detectar asma y EPOC
  Un dispositivo de gestión del asma registra y analiza los sonidos respiratorios de los pacientes y proporciona información inmediata a través de una app para smartphone con objeto de ayudar a los pacientes a controlar el asma y la EPOC.

El análisis predictivo es el proceso de utilizar el análisis de datos para realizar predicciones basadas en los datos. En este proceso se hace uso de los datos junto con técnicas analíticas, estadísticas y de aprendizaje automático a fin de crear un modelo predictivo para predecir eventos futuros.

El término “análisis predictivo” describe la aplicación de una técnica estadística o de aprendizaje automático para crear una predicción cuantitativa sobre el futuro. Con frecuencia, se utilizan técnicas de aprendizaje automático supervisado para predecir un valor futuro (¿Cuánto tiempo puede funcionar esta máquina antes de necesitar mantenimiento?) o para calcular una probabilidad (¿Qué posibilidad existe de que este cliente no pueda pagar un préstamo?).

El análisis predictivo empieza con un objetivo comercial: utilizar los datos para reducir los residuos, ahorrar tiempo o reducir costes. El proceso emplea conjuntos de datos heterogéneos, a menudo masivos, en modelos que pueden generar resultados claros y permiten actuar sobre ellos con el objetivo de lograr el resultado en cuestión, ya sea reducir los materiales de desecho, reducir el inventario o fabricar productos que coincidan con las especificaciones.

Flujo de trabajo de análisis predictivo

Todos estamos familiarizados con los modelos predictivos para la previsión meteorológica. Una de las aplicaciones cruciales de los modelos predictivos está relacionada con la predicción de la carga energética para pronosticar la demanda. En este caso, los productores de energía, los operadores de la red de suministro y los distribuidores necesitan predicciones precisas sobre la carga energética para tomar decisiones encaminadas a la gestión de las cargas en la red eléctrica. Hay disponibles grandes cantidades de datos y, mediante el análisis predictivo, los operadores pueden convertir esta información en conocimiento que permite pasar a la acción.

Flujo de trabajo paso a paso para predecir cargas energéticas

Normalmente, el flujo de trabajo para una aplicación de análisis predictivo incluye los siguientes pasos básicos.

1. Importar datos de varias fuentes, tales como archivos web, bases de datos y hojas de cálculo.
   Las fuentes de datos incluyen los datos de carga energética de un archivo CSV y los datos meteorológicos nacionales que muestran la temperatura y el punto de condensación.
2. Limpiar los datos mediante la eliminación de los valores atípicos y la combinación de las fuentes de datos.
   Es necesario identificar los picos de datos, los datos ausentes o los puntos anómalos que se deben eliminar de los datos. A continuación, se combinan las distintas fuentes de datos (en este caso, creando una única tabla que incluye la carga energética, la temperatura y el punto de condensación).
3. Desarrollar un modelo predictivo preciso basado en los datos agregados mediante estadísticas, herramientas de ajuste de curvas o aprendizaje automático.
   La predicción energética es un proceso complejo con muchas variables, así que podría utilizar las redes neuronales para crear y entrenar un modelo predictivo. Realice varias iteraciones con el conjunto de datos de entrenamiento para probar diversos enfoques. Una vez finalizado el entrenamiento, puede probar el modelo con datos nuevos para ver cómo se comporta.
4. Integrar el modelo en un sistema de predicción de la carga en un entorno de producción.
   Una vez localizado un modelo que pronostique la carga con precisión, puede aplicarlo a su sistema de producción para poner los análisis a disposición de programas de software o dispositivos, incluidos apps web, servidores o dispositivos móviles.

Desarrollo de modelos predictivos

Los datos agregados cuentan una historia compleja. Para extraer el conocimiento que albergan, se necesita un modelo predictivo preciso.

El modelado predictivo utiliza métodos matemáticos y de cálculo para predecir un evento o un resultado. Estos modelos pronostican un resultado en algún estado o tiempo futuros en función de los cambios en las entradas del modelo. Mediante un proceso iterativo, se desarrolla el modelo mediante un conjunto de datos de entrenamiento y después se prueba y se valida para determinar su precisión con el fin de realizar predicciones. Puede probar distintos enfoques de aprendizaje automático para localizar el modelo más efectivo.

Algunos ejemplos son modelos de regresión de series temporales para predecir el volumen de tráfico aéreo o predecir la eficiencia del combustible en función de un modelo de regresión lineal del motor frente a la carga.

Análisis predictivo frente a análisis prescriptivo

La organizaciones que han implementado correctamente el análisis predictivo consideran el análisis prescriptivo como el siguiente objetivo. El análisis predictivo crea una estimación de lo que pasará a continuación; el análisis prescriptivo indica cómo reaccionar de la mejor forma posible de acuerdo con la predicción.

El análisis prescriptivo es una rama del análisis de datos que emplea modelos predictivos para sugerir las acciones que realizar a fin de obtener resultados óptimos. El análisis prescriptivo confía en la optimización y en las técnicas basadas en reglas para tomar decisiones. Pronosticar la carga en la red eléctrica durante las siguientes 24 horas es un ejemplo de análisis predictivo, mientras que decidir cómo gestionar las plantas energéticas en función de esta predicción representa el análisis prescriptivo.

Para desvelar el valor de los datos empresariales y de ingeniería con objeto de tomar decisiones informadas, los equipos que desarrollan aplicaciones de análisis predictivo recurren a MATLAB cada vez con más frecuencia.

Mediante las herramientas y las funciones de MATLAB, es posible llevar a cabo análisis predictivos con datos de ingeniería, datos científicos y datos de campo, así como datos empresariales y transaccionales. MATLAB permite implementar aplicaciones predictivas en sistemas de producción a gran escala y sistemas embebidos.

¿Por qué usar MATLAB para el análisis predictivo?

1. Los análisis de MATLAB funcionan con datos tanto empresariales como de ingeniería.
   MATLAB admite de forma nativa formatos de datos de sensores, imágenes, vídeos, telemetría, datos binarios y otros formatos en tiempo real. Explore estos datos con tall arrays de MATLAB para Hadoop y Spark, así como mediante la conexión de interfaces con bases de datos ODBC/JDBC.
2. MATLAB permite a los ingenieros utilizar la ciencia de los datos.
   Permita que sus expertos utilicen la ciencia de los datos con herramientas potentes que les ayudarán a emplear el aprendizaje automático, el aprendizaje profundo, la estadística, la optimización, el análisis de señales y el procesamiento de imágenes.
3. Los análisis de MATLAB se ejecutan en sistemas embebidos.
   Desarrolle análisis para su ejecución en plataformas embebidas gracias a la creación de código C y C++ portátil a partir del código de MATLAB.
4. Los análisis de MATLAB se despliegan en sistemas de TI empresariales.
   MATLAB se integra en los sistemas, clusters y nubes empresariales con un runtime desplegable libre de regalías.

Sus datos + MATLAB = éxito con análisis predictivo

Según esta visión simplificada, los datos de ingeniería proceden de sensores, instrumentos y sistemas conectados del mundo real. Los datos se recopilan y almacenan en un sistema de archivos, ya sea de forma local o en la nube.

Estos datos se combinan con datos procedentes de sistemas empresariales tradicionales tales como datos sobre costes, resultados de ventas, quejas de clientes e información sobre marketing.

Tras ello, un ingeniero o experto en la materia desarrolla los análisis mediante MATLAB. Casi siempre se requiere preprocesamiento para gestionar los datos ausentes, los datos atípicos u otros problemas de calidad de los datos no previstos. Al hilo de esto, se emplean métodos analíticos tales como las estadísticas y el aprendizaje automático para producir una “analítica”, es decir, un modelo predictivo de su sistema.

Para que resulte útil, ese modelo predictivo se despliega entonces —ya sea en un entorno de TI de producción que alimente un sistema transaccional o de TI en tiempo real, como un sitio de comercio electrónico o un dispositivo embebido— en un sensor, un controlador o un sistema inteligente del mundo real, como podría ser un vehículo autónomo.

La aplicación de MATLAB y Simulink^® como parte de esta arquitectura resulta ideal, ya que las herramientas permiten vías de implementación fáciles en sistemas embebidos gracias al diseño basado en modelos, o bien en sistemas de TI gracias a productos de despliegue de aplicaciones.