Análisis predictivo en programación R

El análisis predictivo en lenguaje R es una rama del análisis que utiliza operaciones estadísticas para analizar hechos históricos para predecir eventos futuros. Es un término común utilizado en minería de datos y aprendizaje automático . En el análisis predictivo se utilizan métodos como el análisis de series temporales , mínimos cuadrados no lineales , etc. El uso de análisis predictivos puede ayudar a muchas empresas, ya que descubre la relación entre los datos recopilados y, en función de la relación, se predice el patrón. Por lo tanto, permite a las empresas crear inteligencia predictiva.

En este artículo, discutiremos el proceso, la necesidad y las aplicaciones del análisis predictivo con códigos de ejemplo.

Proceso de Análisis Predictivo

El análisis predictivo consta de 7 procesos de la siguiente manera: 

• Definir proyecto: Definición del proyecto, alcance, objetivos y resultado.
• Recopilación de datos: los datos se recopilan a través de la minería de datos y brindan una vista completa de las interacciones con los clientes.
• Análisis de datos: Es el proceso de limpieza, inspección, transformación y modelado de los datos.
• Estadísticas: este proceso permite validar los supuestos y probar los modelos estadísticos.
• Modelado: los modelos predictivos se generan utilizando estadísticas y el modelo más optimizado se utiliza para la implementación.
• Implementación: el modelo predictivo se implementa para automatizar la producción de resultados de toma de decisiones diarias.
• Supervisión del modelo: siga supervisando el modelo para revisar el rendimiento que garantiza los resultados esperados.

Necesidad de análisis predictivo

• Comprender el comportamiento del cliente: el análisis predictivo utiliza la función de minería de datos que extrae los atributos y el comportamiento de los clientes. También descubre los intereses de los clientes para que las empresas puedan aprender a representar aquellos productos que pueden aumentar la probabilidad o probabilidad de compra.
• Gane competencia en el mercado: con el análisis predictivo, los negocios o empresas pueden abrirse camino para crecer rápidamente y destacarse como competencia para otros negocios al descubrir sus debilidades y fortalezas.
• Conozca nuevas oportunidades para aumentar los ingresos: las empresas pueden crear nuevas ofertas o descuentos según el patrón de los clientes que brindan un aumento en los ingresos.
• Encuentre áreas de debilitamiento: con estos métodos, las empresas pueden recuperar a sus clientes perdidos al descubrir las acciones pasadas tomadas por la empresa que no les gustaron a los clientes.

Aplicaciones del Análisis Predictivo

• Atención médica: el análisis predictivo se puede utilizar para determinar el historial del paciente y, por lo tanto, determinar los riesgos.
• Modelado financiero: el modelado financiero es otro aspecto en el que el análisis predictivo juega un papel importante para descubrir las acciones en tendencia que ayudan a la empresa en el proceso de toma de decisiones.
• Gestión de la relación con el cliente: el análisis predictivo ayuda a las empresas a crear campañas de marketing y servicios al cliente basadas en el análisis producido por los algoritmos predictivos.
• Análisis de riesgos: al pronosticar las campañas, el análisis predictivo puede mostrar una estimación de las ganancias y también ayuda a evaluar los riesgos.

Ejemplo:

Tomemos un ejemplo de series de análisis de tiempo que es un método de análisis predictivo en la programación R:

x <- c(580, 7813, 28266, 59287, 75700,  
       87820, 95314, 126214, 218843, 471497, 
       936851, 1508725, 2072113) 
     
# library required for decimal_date() function 
library(lubridate) 
     
# output to be created as png file 
png(file ="predictiveAnalysis.png") 
     
# creating time series object 
# from date 22 January, 2020 
mts <- ts(x, start = decimal_date(ymd("2020-01-22")), 
                             frequency = 365.25 / 7) 
     
# plotting the graph 
plot(mts, xlab ="Weekly Data of sales", 
          ylab ="Total Revenue", 
          main ="Sales vs Revenue",  
          col.main ="darkgreen") 
     
# saving the file  
dev.off() 

Producción:

Datos de previsión:

Ahora, pronostique las ventas y los ingresos con base en datos históricos.

x <- c(580, 7813, 28266, 59287, 75700,  
       87820, 95314, 126214, 218843,  
       471497, 936851, 1508725, 2072113) 
     
# library required for decimal_date() function 
library(lubridate) 
     
# library required for forecasting 
library(forecast) 
     
# output to be created as png file 
png(file ="forecastSalesRevenue.png") 
     
# creating time series object 
# from date 22 January, 2020 
mts <- ts(x, start = decimal_date(ymd("2020-01-22")), 
                            frequency = 365.25 / 7) 
     
# forecasting model using arima model 
fit <- auto.arima(mts) 
     
# Next 5 forecasted values 
forecast(fit, 5) 
     
# plotting the graph with next  
# 5 weekly forecasted values 
plot(forecast(fit, 5), xlab ="Weekly Data of Sales", 
ylab ="Total Revenue", 
main ="Sales vs Revenue", col.main ="darkgreen") 
     
# saving the file  
dev.off() 

Producción: