Consultores en analítica de datos, inteligencia artificial y Big Data

Algoritmos de Asociación

En datos transaccionales, nos interesa analizar:

◆ ¿Cómo se configuran las canastas de compra?

◆ ¿Cuál es la secuencia de adopción de productos? ejemplo producto 1: tarjeta crédito, producto 2: Cuenta de ahorro.

◆ ¿Cuáles son las secuencias de pasos que sigue un usuario en una página web?

Encontrar reglas que describan la asociación de decisiones del consumidor, las canastas de compra, las rutinas de navegación, los patrones de venta cruzada y venta escalonada, son algunas de las aplicaciones de los algoritmos de asociación.

Clúster Analysis

Nos interesa encontrar grupos (clientes, puntos de venta, sitios web).

Los elementos clasificados al interior de estos grupos son muy similares entre sí, pero, al comparar entre grupos, estos se deben mostrar muy diferentes.

Las técnicas de clustering generalmente se usan para encontrar segmentos, agrupaciones naturales, perfiles, etc. Segmentación de clientes, riesgos, contratos, etc., son algunas aplicaciones.

Reducción de Dimensiones

Cuando contamos con muchas variables, es común encontrar que estas tiendan a estar correlacionadas.

Nos interesa construir nuevas variables o vectores que agrupen las variables correlacionadas y hagan más precisas y estables las predicciones a futuro.

Técnicas como el análisis de componentes principales, el análisis factorial y el escalamiento multidimensional, son algunos de los ejemplos.

Mapas Auto Organizados

Esta familia de herramientas provienen de las redes neuronales artificiales.

Busca encontrar segmentos y posteriormente perfiles, hallando patrones ocultos en la información.

Se basa en descubrir vecinos cercanos en el espacio o en el tiempo, por lo que es una técnica eficiente cuando las unidades de análisis tienden a variar temporal o topológicamente.

Métodos de regresión

Estos modelos construyen ecuaciones en donde las variables X (explicativas) adquieren peso para poder estimar la variable Y (factor que queremos predecir).

Algunos modelos en esta familia de técnicas son:

◆ Regresión Lineal: Para predecir variables cuantitativas.

◆ Regresión Logística: Para predecir variables cualitativas binarias o multinomiales.

◆ Regresión de Poisson: Para predecir variables que se expresan como porcentajes o conteos.

◆ Regresión de Cox: Para predecir duraciones.

Métodos de árbol

Los árboles de decisión construyen particiones en los datos según el impacto de variables X (Explicativas), sobre la variable Y.

Crea reglas de clasificación no ecuaciones.

Algunos algoritmos son CHAID, CRT, Entropías.

Algunas técnicas avanzadas de machine learning se basan en esta familia de técnicas, ejemplo: Random Forest, Gradient boosting.

Métodos de Redes Neuronales

La red neuronal intenta aprender sobre Y a partir de las X disponibles de la misma forma como el cerebro intenta establecer conexiones neuronales, para generar reconocimiento y memoria.

Se crean ecuaciones y reglas simultáneamente para lograr la predicción.

El perceptrón multicapa y la función de base radial son dos de los algoritmos más usados para entrenar modelos de esta naturaleza.

Métodos de Suavizado

Son metodologías eficientes para modelar el comportamiento histórico de una variable pero no tan óptimos para hacer una representación futura de la misma.

Estos métodos tienden a ser eficientes cuando hay pocos datos.

Promedios móviles, suavizamiento exponencial, Línea holt, método Winter.

Método Box Jenkins

También conocido como A.R.I.M.A., es toda una metodología para descomponer la serie según tres elementos:

a. AR: Componente autorregresivo.

b. I: Componente integrado – diferenciación o estacionalidad.

c. MA: Componente de promedio móvil.

Si los tres componentes predicen la serie, se configura un ARIMA, cuando solo el componente AR y MA son significativos, se constituye un A.R.M.A., etc.

Métodos de Redes Neuronales

Las redes neuronales han mostrado excelentes niveles de precisión para predecir series de tiempo.

Particularmente los modelos de función de base radial, se posicionan como una nueva estrategia para mejorar el “forecast Acuracy” de los modelos de pronóstico.

Funciones de transferencia y Co-integración

Hay oportunidades en las que tenemos diferentes variables desplegadas a lo largo del tiempo y en las mismas fechas. En estos casos, queremos construir modelos integradores llamados funciones de transferencia.

Nos interesa ver cómo una serie de tiempo predice o estima otra.

Optimización Matemática

La relación entre los procesos y los resultados, tienden a asumir un comportamiento que describe estas relaciones.

Optimización lineal, no lineal, cuadrática, etc.

Simulación de Eventos Discretos

Los resultados cualitativos también son resultados y necesitamos predecirlos, estimarlos y tenerlos en cuenta para optimizarlos.

Optimización de Recursos y Procesos

Durante procesos productivos, en la gerencia de proyectos o en escenarios similares, el tiempo y el dinero deben ser distribuidos de forma estratégica.

La distribución de recursos para lograr el mejor resultado con menos, constituyen los problemas de optimización más frecuentes en las empresas.

Diseño y Optimización de Rutas

Llevar cosas – personas de un punto a otro, en el menor tiempo posible, con la mayor ocupación viable y al menor costo, es un reto.

La investigación de operaciones tiene una respuesta eficiente a este tipo de preguntas.

Procesamiento de videos

Aislamiento de patrones gráficos en videos para alertar desenlaces de interés.

Análisis multidimensional: Forma, color, profundidad, velocidad etc., para descubrir hallazgos y generar aplicaciones.

Procesamiento de sonido

Reconocimiento de voz, palabras y establecimiento de patrones.

Entrenamiento de bots y uso de este conocimiento en el desarrollo de soluciones y aplicaciones de negocio.

Procesamiento de fotografías

Aislar patrones gráficos de imágenes, reconocimiento de rostros y construcción de aplicaciones predictivas en torno a esa dimensión.

No todo es analítica avanzada

Muchas organizaciones tienen retos para accesar, integrar y modelar datos básicos de negocio para dar respuesta a las más notorias preguntas de gestión de la empresa. Nuestra unidad de servicios cognitivos en SINNETIC acompaña a las empresas a dar sus primeros pasos en el aprovechamiento de los datos haciendo uso de metodologías ágiles de implementación de inteligencia de negocios.

DataLakes

Nuestro equipo de consultores se encuentra entrenado y preparado para acompañarte en los procesos de migración y estabilización de arquitecturas en nube.

Somos expertos en lake formation y en maximizar las tecnologías de AWS, AZURE y GOOGLE para ingestar, transformar y gestionar datos creando repositorios eficientes que faciliten la administración de información.

Procesos ETL y ELT en entornos SQL y NoSQL

Bases de datos relacionales y no relacionales

Una vez tus datos están en nube, acompañamos procesos que faciliten la creación de modelos de datos, bodegas de datos o lake houses con el objetivo de organizar la información y ponerla a hablar en términos de negocio.

Controlamos costo de nube mediante metodologías de implementación eficientes.

Visualización y consumo de información

El negocio solo verá valor cuándo vea los resultados del proceso, cuando experimente la data con reportes pertinentes, dinámicos y atractivos que faciliten la toma de decisiones.

Aunque nuestro equipo se encuentra certificado en tecnologías como Qlick, Tableau y Power BI entre otras, la arquitectura AWS sugiere QuickSight como una buena práctica de trabajo en nube.