DCC. Dafne Rosso Pelayo
La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.
En el artículo anterior comenzamos nuestra plática sobre los análisis predictivos. En este artículo ejemplificaremos la utilidad de este tipo de análisis avanzado y daremos algunas pautas para aplicarlos en otro tipo de problemas y alcances.
Análisis predictivos
Recordemos del artículo anterior que un análisis predictivo se basa en la información histórica para determinar el comportamiento que se puede esperar a futuro. En este ejemplo realizamos el análisis de venta de una franquicia de café, basado en la información de venta de los meses anteriores.
Premisa uno
Mientras más grande sea su muestra histórica, más exacta será la predicción realizada y el margen de error será menor.
Uno de los principales problemas de las franquicias de café y de muchas otras es la planeación de los flujos de efectivo, la compra y la distribución de los productos, necesarios en cada localidad para satisfacer las necesidades de venta y de servicio en cada sitio.
Un modelo de pronóstico por muy bueno que sea, difícilmente logrará un 100% de exactitud con un margen de error de 0.0 al realizar el pronóstico de venta a futuro, pero mientras mejor y más exacto sea el pronóstico permitirá a las franquicias de café en este caso, optimizar los recursos y distribución de materia prima y como resultado minimizar las pérdidas, disminuir gastos y aumentar las utilidades. Por ejemplo, pueden lograr disminuir el producto que se desecha por no ser vendido, evitar quedarse sin producto para la venta, y contar con el personal de servicio adecuado cuando hay un exceso de clientes. Ha visto usted las enormes cantidades de comida que se desechan en los establecimientos comerciales de alimentos, pues ese es un ejemplo de una mala planeación, una falta de análisis de comportamiento o una falta de un pronóstico de venta a futuro.
El presente ejemplo ayuda a minimizar estos problemas, estimando la posible venta futura por producto en los sitios en donde se encuentra ubicada la franquicia. El total de productos que se venden en cada una de las 13 franquicias son 47, de estos se han seleccionado solo tres (para efectos del ejemplo) de los productos más significativos de acuerdo a su volumen de venta.
Premisa dos
Establezca claramente el objetivo del pronóstico, esto ayuda a determinar cuál es la variable que quiere pronosticar, ej. venta, distribución, gasto, etc.
Objetivo del pronóstico
Estimar el pronóstico de venta diaria del siguiente trimestre de los productos de mayor venta para las franquicias de café.
Como resultado de contar con el pronóstico de venta, la franquicia además, podrá estimar con mayor exactitud los flujos de efectivo, así como también realizar una mejor distribución de la materia prima por local.
Variables empleadas
Los datos proporcionados por la franquicia son los volúmenes diarios de venta por producto de enero a diciembre y el primer trimestre del siguiente año.
De los datos fuente obtenemos para nuestro ejemplo la variable Fecha y Venta de los tres productos
La variable incluida para el análisis con una afectación directa en la venta es la temperatura, mientras más baja sea la temperatura más se vende.
Otra de las variables que también tiene una influencia sobre la venta es la lluvia, la cual mediremos con la precipitación pluvial.
Los datos de la temperatura y de la precipitación fueron obtenidos del servicio meteorológico nacional
Como comentamos en el artículo anterior, es posible encontrar técnicas de análisis predictivos tanto estadísticas como de minería de datos. La naturaleza del problema es la que dicta (como debería de ser en todos los casos) cual técnica se adapta mejor al problema, aunque en la mayoría de los casos podrá ser más de una técnica y la diferencia en los resultados será mínima.
Análisis estadístico vs Análisis avanzado de minería de datos
Con dos variables de predicción empleadas para determinar la venta, más todas las diferentes clasificaciones que se encontraron en los datos, la manera estadística de solucionar este problema sería con una regresión lineal múltiple, en donde las clasificaciones y las dos variables (temperatura y precipitación) serían los parámetros para lograr estimar la venta. En estadística una técnica ampliamente aplicada en los pronósticos son los análisis de regresión, dependiendo del problema y del objetivo es el tipo de regresión que se emplea.
En nuestro caso, la regresión ya no es tan simple dado el número de variables y el número de productos que maneja, además de que habría que estimar los estadísticos (bi), apropiados para cada variable de predicción.
Premisa tres
Para una mejor clasificación de los datos es probable que tenga que agregar variables que mejoren las clasificaciones o expliquen el comportamiento.
Los datos a analizar en nuestro caso, presentan distintas características en referencia a la venta, que son asociadas con diferentes categorías de períodos de venta. Estos comportamientos estadísticamente pueden desviar el resultado ya que contienen datos aberrantes por ej., la falta de venta en caso de vacaciones o días festivos. De realizar un análisis estadístico estos datos aberrantes deberían ser eliminados antes de realizarlo, sin embargo, también son el resultado que se obtiene bajo la clasificación agregada de "vacaciones" .
El uso de un método de minería de datos nos permitirá introducir las clasificaciones encontradas en los datos de acuerdo a su comportamiento, y poder predecir de una mejor manera la venta.
Otra gran ventaja de la minería es que se estimará la venta correspondiente a todos los diferentes productos en un solo análisis, la regresión múltiple tendría que aplicarse para cada producto.
Creación del modelo de Minería de datos para predicción
Premisa cuatro
El modelo generado deberá afinarse hasta que el margen de error encontrado sea aceptable.
Debemos seleccionar un método de minería de datos que nos permita realizar el pronóstico, pueden ser algoritmos que se basen en la construcción de árboles de decisión, en reglas, en redes bayesianas, ó bien en redes neuronales. En otro artículo me encargare de aclarar las dudas respecto a cómo trabaja cada uno de estos métodos.
El método que emplearemos en este ejemplo es una red neuronal, la cual puede construir con productos de uso gratuito especializados en manejar redes neuronales, o bien con un producto comercial especializado en análisis avanzado. Y déjeme decirle que muchos de los productos incluidos en las suites de inteligencia de negocios que se ofertan y que el proveedor promete que hacen grandes análisis avanzados, no traen muchas de las técnicas que se usan en pronóstico para crear mejores y más exactos análisis.
En el siguiente artículo seguiremos con la construcción del modelo de de minería de datos para pronóstico.
Copyright © 2011 Dafne Rosso Pelayo. Todos los derechos reservados.
