Primera actividad de la rubrica 1.2.1
1.2.1 Elabora un documento que contenga las reglas del negocio y el argumento de la elección de la técnica analítica a implementar.
Realizaran un documento teórico en PDF el cual tenga un análisis profundo sobre los siguientes términos
A. Reglas de negocio.
• Contextualización de las reglas de negocio.
• Elaboración del modelo de acuerdo a las restricciones y políticas de la organización o del problema de negocio.
lee los distintos modelos
selecciona uno y checa el ejemplo que se da
creea un ejemplo de la vida real
pide a la IA que te de una base de datos creado por la ia
investiga el modelo y pregunta a la IA como lo puedeo abordar
trata de que e te de un codigo de PYTHON y pide a la IA QUE TE EXPLIQUE LINEA POR LINEA
de ser posible coreer el programa en colab
Los modelos prescriptivos son herramientas que ayudan a tomar decisiones óptimas basadas en datos y restricciones específicas. Estos modelos no solo predicen resultados, sino que también sugieren acciones para alcanzar objetivos deseados. A continuación, te presento algunos modelos prescriptivos comunes y su aplicación en la vida real:
1. Optimización Lineal (Programación Lineal)
Descripción: Busca maximizar o minimizar una función objetivo lineal sujeta a restricciones lineales.
Aplicaciones:
Planificación de producción en fábricas.
Optimización de rutas de transporte y logística.
Asignación de recursos limitados (presupuestos, personal, etc.).
Ejemplo: Una empresa quiere maximizar sus ganancias determinando cuánto producir de cada producto, considerando restricciones de materiales y mano de obra.
2. Optimización Entera (Programación Entera)
Descripción: Similar a la optimización lineal, pero las variables deben tomar valores enteros.
Aplicaciones:
Planificación de horarios (trabajadores, turnos, etc.).
Diseño de redes de distribución.
Asignación de tareas en proyectos.
Ejemplo: Una aerolínea decide cuántos aviones asignar a cada ruta, considerando que no se pueden asignar fracciones de aviones.
3. Optimización No Lineal
Descripción: Se utiliza cuando la función objetivo o las restricciones no son lineales.
Aplicaciones:
Diseño de ingeniería (optimización de formas, materiales, etc.).
Modelado financiero (maximización de rendimientos con restricciones de riesgo).
Ejemplo: Optimizar la forma de un ala de avión para minimizar la resistencia al aire.
4. Simulación de Monte Carlo
Descripción: Utiliza muestreo aleatorio para modelar escenarios complejos y evaluar resultados probabilísticos.
Aplicaciones:
Análisis de riesgos en inversiones financieras.
Planificación de proyectos con incertidumbre.
Evaluación de políticas públicas.
Ejemplo: Una empresa evalúa el riesgo de lanzar un nuevo producto bajo diferentes escenarios de demanda.
5. Teoría de Colas (Modelos de Filas de Espera)
Descripción: Analiza el comportamiento de sistemas donde los recursos son limitados y hay demanda fluctuante.
Aplicaciones:
Diseño de sistemas de atención al cliente (call centers).
Optimización de servicios en hospitales (salas de emergencia).
Planificación de tráfico y semáforos.
Ejemplo: Un banco decide cuántos cajeros deben estar disponibles para minimizar el tiempo de espera de los clientes.
6. Modelos de Inventarios
Descripción: Ayudan a determinar cuándo y cuánto ordenar para minimizar costos de inventario.
Aplicaciones:
Gestión de inventarios en retail.
Control de suministros en manufactura.
Ejemplo: Un supermercado decide cuántas unidades de un producto ordenar para evitar faltantes o excesos.
7. Redes Neuronales y Aprendizaje Automático (ML)
Descripción: Aunque más asociados con modelos predictivos, también pueden usarse para prescribir acciones.
Aplicaciones:
Recomendación de productos en plataformas de e-commerce.
Personalización de tratamientos médicos.
Ejemplo: Netflix recomienda películas basadas en el historial de visualización del usuario.
8. Árboles de Decisión y Análisis de Decisiones
Descripción: Evalúan diferentes opciones y sus posibles resultados para tomar decisiones óptimas.
Aplicaciones:
Evaluación de inversiones.
Diagnóstico médico.
Ejemplo: Un médico decide el mejor tratamiento para un paciente basado en probabilidades de éxito y riesgos.
9. Algoritmos Genéticos
Descripción: Utilizan principios de evolución natural para encontrar soluciones óptimas en problemas complejos.
Aplicaciones:
Diseño de circuitos electrónicos.
Planificación de rutas de entrega.
Ejemplo: Una empresa de logística optimiza las rutas de entrega para minimizar costos y tiempo.
10. Sistemas de Soporte de Decisiones (DSS)
Descripción: Combina datos, modelos y herramientas analíticas para ayudar en la toma de decisiones.
Aplicaciones:
Gestión de crisis en empresas.
Planificación estratégica.
Ejemplo: Un gobierno utiliza un DSS para asignar recursos durante una emergencia.
Elección del Modelo
La elección del modelo depende del problema específico que estés analizando. Considera:
Objetivo: ¿Qué quieres optimizar (costos, tiempo, recursos)?
Restricciones: ¿Qué limitaciones existen (presupuesto, capacidad, tiempo)?
Complejidad: ¿Es un problema lineal, no lineal o con incertidumbre?
Si proporcionas más detalles sobre el problema que deseas resolver, puedo ayudarte a seleccionar el modelo más adecuado. ¡No dudes en preguntar!
Presentación y análisis prescriptivo de los datos
1. Inspección del proceso de análisis prescriptivo de los datos y técnicas analíticas.
Unidad: 1. Inspección del proceso de análisis prescriptivo de los datos y técnicas analíticas.
• Realizar una presentación digital sobre el concepto del análisis prescriptivo y los casos en los que se aplica.
• Elaborar un mapa conceptual sobre la relación entre los análisis descriptivo, predictivo y prescriptivo.
• Desarrollar una investigación documental sobre el análisis de los errores de generalización del modelo predictivo.
Resultado de aprendizaje 1.1.1
Analiza la relación directa entre el análisis descriptivo, predictivo
y prescriptivo, para identificar la importancia de elegir un modelo
explicable con una generalización óptima.
Conceptualización del Modelo Prescriptivo
El modelo prescriptivo es un enfoque basado en la toma de decisiones que no solo analiza datos históricos y predictivos, sino que también proporciona
recomendaciones concretas sobre qué acciones tomar para alcanzar un objetivo específico. Se basa en técnicas avanzadas como inteligencia artificial, simulaciones y algoritmos de optimización para sugerir la mejor estrategia posible.
Definición de Análisis Prescriptivo
El análisis prescriptivo es la fase más avanzada del análisis de datos. Mientras que el análisis descriptivo responde a la pregunta "¿Qué pasó?" y el análisis predictivo responde "¿Qué podría pasar?", el análisis prescriptivo responde "¿Qué deberíamos
hacer?"
Este tipo de análisis usa datos, modelos matemáticos y algoritmos para recomendar decisiones óptimas. Se apoya en herramientas como:
• Machine Learning: Para mejorar las predicciones y ajustar recomendaciones.
• Optimización matemática: Para encontrar la mejor solución dentro de múltiples opciones.
• Simulación: Para modelar escenarios y evaluar diferentes estrategias antes de implementarlas.
Casos en los que se Aplica el Análisis Prescriptivo (Con Ejemplos)
El análisis prescriptivo se usa en diversas industrias para mejorar la toma de decisiones. Aquí algunos ejemplos:
1. Salud: Diagnóstico y Tratamiento Personalizado
En hospitales y clínicas, el análisis prescriptivo ayuda a los médicos a elegir los mejores tratamientos para los pacientes basándose en su historial médico, datos genéticos y resultados de laboratorio.
Ejemplo:
Un sistema de inteligencia artificial analiza los síntomas y la historia clínica de un paciente con diabetes. Luego, sugiere el mejor tratamiento combinando medicamentos, cambios en la dieta y ejercicios, optimizando así la calidad de vida del paciente.
2. Finanzas: Gestión de Riesgos y Prevención de Fraudes
Los bancos y aseguradoras utilizan este modelo para prevenir fraudes y tomar mejores decisiones de inversión.
Ejemplo:
Una institución financiera analiza el comportamiento de un cliente y detecta transacciones inusuales que podrían indicar fraude. En lugar de solo alertar del posible fraude, el sistema recomienda bloquear la transacción o pedir una autenticación extra al usuario.
3. Logística y Cadena de Suministro
El análisis prescriptivo optimiza rutas de transporte, gestiona inventarios y mejora la eficiencia operativa.
Ejemplo:
Una empresa de envíos como FedEx usa análisis prescriptivo para recomendar la mejor ruta de entrega en tiempo real, considerando el clima, tráfico y disponibilidad de vehículos. Esto reduce costos y mejora tiempos de entrega.
4. Marketing y Personalización de Ofertas
Las empresas utilizan análisis prescriptivo para diseñar estrategias de publicidad y ventas basadas en los intereses de sus clientes.
Ejemplo:
Netflix analiza el historial de visualización de un usuario y no solo recomienda películas, sino que también ajusta el contenido que muestra en la pantalla principal para aumentar la probabilidad de que el usuario siga viendo contenido en la plataforma.
5. Industria Manufacturera: Mantenimiento Predictivo
Las fábricas pueden evitar fallos en maquinaria al anticiparse a posibles problemas.
Ejemplo:
Una planta de ensamblaje de automóviles usa sensores en sus máquinas para recopilar datos sobre vibraciones y temperatura. Con análisis prescriptivo, el sistema detecta patrones anormales y recomienda hacer mantenimiento antes de que ocurra una falla costosa.
Conclusión
El modelo prescriptivo es una herramienta poderosa para la toma de decisiones en
múltiples sectores. Gracias al uso de inteligencia artificial, algoritmos de optimización y simulaciones, permite no solo anticipar problemas, sino también actuar antes de que ocurran. Su aplicación está transformando industrias al hacerlas más eficientes y proactivas en la toma de decisiones.
