1

INTELIGENCIA PREDICTIVA
INSTRUMENTACION ELECTRONICA
Oscar David Amaya Blanco 1663494
Tecnología en Electrónica Universidad de Valle, Palmira

I. INTRODUCCION futuras. Los modelos de análisis predictivo permiten

evaluar los riesgos desde un determinado punto de vista.
La realidad contemporánea del mercado muestra que
Cuando aplicamos la analítica predictiva al mundo de los
los consumidores obligan a las marcas a cumplir
negocios, las empresas pueden aprovechar las ventajas
estándares muy altos, exigiendo intercambios más
del Big Data en su propio beneficio.
proactivos e inteligentes que logren predecir sus
necesidades. Incluso la mitad de los consumidores han
dicho que están dispuestos a cambiar de marca si una
empresa no se anticipa a sus necesidades, según
un estudio publicado en Forbes.
La supervivencia de las empresas en un entorno
altamente versátil y competitivo depende de su capacidad
para adaptar sus estrategias de forma proactiva a los
cambios y adelantarse a las nuevas tendencias. Es decir,
para producir y gestionar conocimiento de manera
innovadora. Por ello, la información se está Fig. 1 Análisis predictivo
transformando en un valioso activo para las
organizaciones. La minería de datos y los textos analíticos, en
conjunción con las estadísticas, permiten a los
A menudo llamado “inteligencia predictiva” o propietarios de un negocio construir su inteligencia
“análisis predictivo”, estas metodologías ayudan a las predictiva, descubriendo tendencias y relaciones, tanto en
empresas a predecir y responder a las oportunidades más el conjunto de datos estructurados como no estructurados.
rápidamente. Es muy valorada por los principales líderes
de marketing en la actualidad, que ven en ella una forma Los datos estructurados que se pueden utilizar son por
de ahorrar tiempo y dinero, al mismo tiempo que obtienen ejemplo la edad, el género, el estado civil, nivel de
elevados estándares de participación y satisfacción en los ingresos, etc. Los datos no estructurados pueden ser los
consumidores. contenidos en redes sociales u otros tipos de textos,
incluso elementos que se pueden derivar de sus
contenidos, como el sentimiento con el que pueden
II. ANALISIS PREDICTIVO clasificarse.
El análisis predictivo es una parte de la analítica La analítica predictiva permite a las organizaciones ser
avanzada que se utiliza para hacer predicciones sobre un poco más proactivas, tener la vista en el futuro,
sucesos futuros desconocidos. Emplea diversas técnicas anticipando resultados y comportamientos, basándose así
de la minería de datos para reunir toda la información en datos y no en una serie de especulaciones. La analítica
tecnológica, la gestión y el proceso de construcción prescriptiva va un poco más allá y sugiere acciones que
empresarial para elaborar predicciones de cara al futuro. podemos poner en marcha, a raíz de las predicciones y sus
implicaciones.
Los datos históricos y transaccionales de la empresa se
pueden usar para identificar riesgos y oportunidades
Instrumentación Electrónica

III. TÉCNICAS DE ANÁLISIS PREDICTIVO
El análisis predictivo depende de varios enfoques para la
solución de problemas. Algunas técnicas útiles que son parte
de la analítica predictiva son:
A. Data mining
Se trata del proceso de recolectar cantidades ingentes
de información en bruto. Para que un programa pueda
tomar la mejor decisión posible y dibujar las conclusiones
que se pueden extrapolar de una situación, necesita tener
la mayor cantidad de información posible de inicio.
Así, el data mining incide en el núcleo existencial de la
analítica, dando la habilidad de realizar predicciones sobre
lo que ya ha pasado. Se trata solamente de la fase inicial
de análisis y sus resultados deben pasar por diferentes
fases posteriores para obtener una decisión final factible.
B. Inteligencia artificial
La inteligencia artificial emplea algoritmos para
conectar todos los puntos de datos y llegar a soluciones a
problemas específicos, ya sea jugando al ajedrez o
creando gráficas de predicciones comerciales. En esencia,
la inteligencia artificial aspira a que las computadoras
razonen y se comporten como humanos.
Fig. 2 Inteligencia Artificial
El aprendizaje automático puede ser el fenómeno que
haga crecer a estos programas de forma más eficiente y
efectiva, pero es la estructura de la inteligencia artificial
lo que les puede permitir utilizar los datos disponibles y
realizar el modelado predictivo requerido para tomar
decisiones.
C. Machine learning
El aprendizaje automático utiliza la minería de datos
para crear sistemas inteligentes que aprendan en un
entorno supervisado o no antes de exponerse a nuevos
datos. Como subconjunto de la inteligencia artificial, es
Instrumentación Electrónica
2
responsable de la recuperación eficiente y efectiva de
información útil de los datos extraídos, así como de
eliminar los datos innecesarios del proceso de análisis
predictivo.
Dado que una buena parte de la analítica
predictiva depende en gran medida de los datos brutos
recopilados sobre numerosos temas, el programa debe
aprender a separar la información útil del ruido y realizar
las conexiones más lógicas. Los algoritmos de machine
learning que se usan en la predicción hacen esto posible y
se aplican en diferentes campos, incluyendo la robótica, la
computación, la detección de fraudes o el procesamiento
de lenguajes naturales.
D. Deep learning
Se trata de un fenómeno recuente que ha desbancado
al aprendizaje automático como palabra de moda en
inteligencia artificial. El aprendizaje profundo, en
realidad, es un subconjunto del machine learning que se
ha expandido por el incremento del poder computacional
y la habilidad para almacenar grandes cantidades de datos
de forma económica y eficiente.
Uno de los grandes ejemplos de deep learning lo
tenemos en el experimiento de los gatos de Google
Brain con 10 millones de imágenes aleatorias sin etiquetas
en una red neutral. De forma fascinante, una de las
neuronas artificiales descubrió cuáles eran imágenes de
gatos por su propia cuenta; sin tener la descripción de un
gato ni haber recibido información en imágenes de lo que
es un gato.
IV. BIG DATA APLICADO CON ANÁLISIS
PREDICTIVO
El Big data presenta un mundo de nuevas
oportunidades, pero también nuevos retos en la analítica:
predictiva, el análisis de datos no estructurados, explosión
de redes sociales, toma de decisiones rápidas ante un
volumen masivo de datos creciente, etc.
La analítica predictiva es utilizada por empresas e
individuos en todo el mundo para extraer el valor de los
datos históricos obtenidos de personas y sensores. Los
datos sobre personas incluyen todos los movimientos que
hacen los clientes por cualquier tipo de vía telemática,
transacciones y operaciones en las redes sociales.

Además, cada vez más, los dispositivos contienen
elementos electrónicos, están instalados en nuestros
teléfonos, edificios, carreteras, hospitales, satélites… y
están creando datos que se van almacenando y de los
cuales podemos hacer análisis y crear los modelos que
explican la realidad y que a la vez permiten hacer
predicciones sobre el futuro. Estos modelos predictivos ya
están influyendo en nuestras vidas, ya tomamos
decisiones con predicciones sobre el tiempo, el tráfico,
averías de aparatos, inversiones bursátiles, cambio
climático, etc.
Fig. 3 Big Data Aplicado Con Análisis Predictivo
La analítica predictiva ha crecido en prominencia junto
con la aparición de los sistemas de grandes volúmenes de
datos, o big data. A medida que las empresas han
acumulado grupos de datos más grandes y más amplios en
los clústeres Hadoop y otras grandes plataformas de datos,
han creado mayores oportunidades para que exploten esos
datos para obtener información predictiva. El mayor
desarrollo y comercialización de herramientas de
aprendizaje automático por parte de los proveedores de TI
también ha ayudado a expandir las capacidades de análisis
predictivo.
Las aplicaciones de software de análisis predictivo
utilizan variables que pueden medirse y analizarse para
predecir el comportamiento probable de individuos,
maquinaria u otras entidades. Por ejemplo, es probable
que una compañía de seguros tenga en cuenta las posibles
variables de seguridad de conducción como la edad, el
sexo, la ubicación, el tipo de vehículo y el historial de
conducción al momento de fijar el precio y emitir pólizas
de seguro de automóvil. Las variables múltiples se
combinan en un modelo predictivo capaz de evaluar las
probabilidades futuras con un nivel aceptable de
fiabilidad. El software se basa en gran medida en
algoritmos avanzados y metodologías tales como
Instrumentación Electrónica
3
regresiones logísticas, análisis de series de tiempo y
árboles de decisión.
V. CÓMO SE USA LA INTELIGENCIA
PREDICTIVA?
Los asistentes virtuales como Siri y Cortana son el uso
más visible del procesamiento del lenguaje natural hoy en
día y del uso de la inteligencia predictiva, pero hay
muchas otras aplicaciones en uso. Algunas empresas han
invertido una gran cantidad de recursos en estos
desarrollos, ya que se relaciona con búsquedas, lo que nos
permite escribir o realizar una pregunta natural y recibir
una respuesta relevante.
Fig. 4 Asistentes virtuales
Varios servicios y plataformas también utilizan el
procesamiento de lenguaje natural para crear respuestas
de texto predictivo a, por ejemplo, los correos electrónicos
de sus clientes, o los mensajes en las redes sociales, lo que
permite a los usuarios elegir entre una de tres respuestas y
responder a un email o mensaje con un solo clic.
Es muy posible que un usuario haya utilizado este
procesamiento alguna vez, como cuando quisiste usar la
opción de “traducir” dentro de alguna red social o servicio
de búsqueda para entender un idioma extranjero (con
resultados variables). Una traducción automática
confiable ha sido un objetivo del procesamiento de
lenguaje natural desde la década de los cincuenta, y los
resultados han ido mejorando con el tiempo.
Otros programas están siendo desarrollados y
utilizados para poder resumir automáticamente
documentos largos o extraer palabras clave relevantes en
el proceso de búsqueda. El sistema legal está utilizando
este tipo de aplicaciones, por ejemplo, para ayudar a los
abogados a clasificar miles de páginas de documentos en
cualquier caso y encontrar información relevante.

Los mismos vendedores están utilizando el
procesamiento de lenguaje natural para el análisis del
sentimiento de los consumidores, combinando los millones
de tweets y otros mensajes de medios sociales para
determinar cómo se sienten los usuarios acerca de un
producto o servicio en particular.
Tiene el potencial de convertir todo Twitter o Facebook
en un grupo de enfoque gigante, a una fracción del costo.
VI. ¿POR QUÉ UTILIZAR INTELIGENCIA
PREDICTIVA?
Las empresas que ya están utilizando la Inteligencia
Artificial en sus estrategias de marketing, están
ofreciendo experiencias altamente personalizadas a sus
clientes, obteniendo índices de satisfacción muy elevados.
fig. 5 ¿por qué utilizar inteligencia predictiva?
Por otra parte, las empresas que aún no están
realizando esfuerzos en IA piensan dedicar parte de su
inversión de marketing en instaurarlo, y más al ver que los
competidores que lo están aplicando generan mucho más
volumen de negocio, tienen un ROI mucho más rápido y
obtienen grados de satisfacción muy elevados.
El 64% de las empresas que ya utilizan IA en sus
estrategias de marketing, dicen que han aumentado
considerablemente su eficiencia general de marketing, no
sólo al obtener más conocimientos sobre sus
consumidores y profundizar en el análisis de sus
campañas, sino que consiguen que los viajes de sus
consumidores sean mucho más predictivos y
personalizados que nunca y de forma automática.
De ese total de empresas, el 57% afirma que la
Inteligencia Predictiva es esencial para ayudar a su
empresa en el marketing 1 a 1.
Instrumentación Electrónica
4
VII. APLICACIONES
Las nuevas grandes fuentes de datos, incluyendo
el Internet de las cosas (IoT), están empujando a las
empresas desde este tipo de análisis reactivos a tratar de
conseguir una analítica más proactiva que proporcione
alertas y cuadros de mando en tiempo real. De esta forma
se consigue un mejor uso de los datos operacionales, ya
que los datos se utilizan mientras todavía son actuales,
antes de que las condiciones hayan cambiado.
A. Marketing
El marketing en línea es un área en la cual el análisis
predictivo ha tenido un impacto significativo para el
negocio. Los minoristas, los proveedores de servicios de
marketing y otras organizaciones utilizan herramientas de
análisis predictivo para identificar las tendencias en el
historial de navegación de un visitante del sitio web para
personalizar los anuncios. Los minoristas también usan
análisis de clientes para tomar decisiones más informadas
sobre qué tipos de productos debe almacenar el minorista.
La gestión de las relaciones con clientes se puede
aplicar a lo largo del ciclo de vida de los clientes,
empezando por el proceso de adquisición, crecimiento de
la relación, retención y reconquista
B. Mantenimiento
El mantenimiento predictivo está emergiendo como
una valiosa aplicación para los fabricantes que monitorean
una pieza de equipo en busca de señales de algo que puede
estar a punto de descomponerse. A medida que se
desarrolla el internet de las cosas (IoT), los fabricantes
están conectando sensores a la maquinaria en el piso de la
fábrica ya los productos mecatrónicos, como los
automóviles. Los datos de los sensores se usan para
pronosticar cuando se deben realizar trabajos de
mantenimiento y reparación para evitar problemas.
IoT también permite usos de análisis predictivo-
similares para monitorear oleoductos y gasoductos,
plataformas de perforación, granjas de molinos de viento
y varias otras instalaciones industriales de IoT. Los
pronósticos meteorológicos localizados para los
agricultores, basados parcialmente en datos recopilados
en estaciones de datos meteorológicos equipados con

sensores instalados en campos de cultivo, son otra
aplicación de modelado predictivo impulsada por IoT.
Fig. 6 Mantenimiento Predictivo
C. Sanidad
Las aplicaciones de análisis predictivo también se
pueden utilizar en sanidad para determinar los pacientes
que están en riesgo de desarrollar algunas enfermedades
como asma, diabetes y otras patologías.
D. Analítica de recopilación de datos
Las aplicaciones de análisis predictivo además se
pueden emplear para la optimización de la asignación de
recursos de datos, identificando bien a las agencias de
recolección, las estrategias de contacto y las acciones
legales para incrementar la recuperación de la información
y reducir los costes de la recogida de datos.
E. Detección de Fraude
Los sistemas predictivos han sido usados durante
muchos años en la industria financiera para detección de
fraudes. Actualmente, la mayoría de las transacciones de
tarjetas de crédito son evaluadas para su riesgo de fraude
por una solución predictiva en tiempo real. Si la
consideran de alto riesgo, estas soluciones pueden incluso
declinar una transacción y prevenir así que suceda el
fraude.
F. Gestión del riesgo
Las aplicaciones de analítica predictiva también pueden
usarse para predecir la mejor cartera para maximizar el
retorno en el modelo de valoración de precios de los
activos financieros (también conocido como CAPM o
Capital Assets Pricing Model).
G. Salud
Instrumentación Electrónica
5
La analítica predictiva, junto con el conocimiento
experto, ha sido usada para ayudar con el diagnóstico de
tratamientos de muchas enfermedades. Los sistemas como
Next y HYCONES son los primeros ejemplos. Las
soluciones predictivas en este campo pueden causar un
enorme impacto en áreas donde la experiencia médica es
escasa o inexistente. A medida que los datos online y los
sistemas predictivos se vuelven penetrantes, permiten
herramientas más rápidas y precisas para ayudar con la
toma de decisiones para proveedores del cuidado de la
salud.
La analítica predictiva puede señalar exactamente qué
pacientes necesitan recibir un seguimiento cercano, como
para supervisar a los bebés prematuros en los cuales las
lecturas biomédicas pueden ser usadas para detectar
infecciones que pongan en riesgo la vida hasta 24 horas
antes de que cuando normalmente serían detectadas.
Fig. 7 Inteligencia Predictiva en el sector de la Salud
En cualquier caso, cuando existen los resultados del
uso intensivo de analítica predictiva han sido muy
exitosos. En la clínica CrescentCare dirigida al
tratamiento de HIV y SIDA en Nueva Orleans, USA el
uso de la información contenida en bases de datos (SQL)
les ha permitido definir indicadores de riesgo de los
pacientes, que actualizados de manera diaria, permiten
definir políticas de atención de pacientes y orientar de
manera eficiente el uso de recursos humanos,
recomendaciones de hospitalización o proyectar
tratamientos especializados.
Al saber con anticipación que un grupo de pacientes
tiene un bajo o alto riesgo para una enfermedad o
condición, la minería de datos y la analítica predictiva
también están ayudando a los proveedores del cuidado de
la salud a crear medidas de tratamiento dirigidas para
distintas poblaciones. Por ejemplo, en el caso de las
enfermedades cardiovasculares, al trabajar mano a mano

con pacientes identificados por una solución predictiva
por estar en un alto riesgo, se pueden implementar
medidas preventivas simples tales como reducir la ingesta
de grasas transgénicas, perder peso y dejar de fumar, lo
que reduce sustancialmente el riesgo de un ataque al
corazón. De esta manera, los proveedores del cuidado de
la salud pueden idear distintas estrategias para mantener a
los pacientes de bajo riesgo en bajo riesgo, mientras se
mitiga el riesgo asociado con los pacientes de alto riesgo.
Mientras más se conozca sobre un individuo o una
población, es decir, mientras se cuente con más
información, las predicciones serán más precisas. Con
más puntos de datos, los modelos pueden ser ajustados
para un paciente o grupo de pacientes específico que
finalmente generen tratamientos más precisos y efectivos
que estén destinados a mejorar la eficacia general del
sistema del cuidado de la salud mientras que al mismo
tiempo reduzcan los costos.
Las posibilidades del uso de herramientas de analítica
predictiva en la gestión de salud son casi infinitas y
representan un gran reto sobre todo en sistemas más
precarios donde el manejo eficiente de recursos humanos,
hospitalarios, clínicos y farmacéuticos puede significar el
acceso a un sistema de salud de primera calidad
reduciendo los costos globales.
VIII. HERRAMIENTAS Y TÉCNICAS DE
ANÁLISIS
Una amplia gama de herramientas y técnicas se utiliza
en la predicción de modelos y análisis. IBM, Microsoft, el
SAS Institute y muchos otros proveedores de software
ofrecen herramientas analíticas predictivas, incluyendo
software de aprendizaje automático y tecnologías
relacionadas que soportan aplicaciones de aprendizaje
profundo.
Además, el software de código abierto juega un papel
importante en el mercado del análisis predictivo. El
lenguaje de código abierto R se utiliza comúnmente en
aplicaciones de análisis predictivo, al igual que los
lenguajes de programación Python y Scala. También están
disponibles varias plataformas de análisis predictivo y de
aprendizaje automático de código abierto, incluyendo una
biblioteca de algoritmos incorporados al motor de
procesamiento Spark.
Instrumentación Electrónica
6
Los equipos de análisis pueden utilizar las ediciones
base de código abierto de R y otros idiomas de análisis o
pagar por versiones comerciales ofrecidas por
proveedores como Microsoft. Las herramientas
comerciales pueden ser costosas, pero vienen con el
soporte técnico del proveedor, mientras que los usuarios
de liberaciones de código abierto puro suelen estar solos
cuando tratan de resolver problemas con la tecnología.
IX. VENTAJAS DE LA INTEIGENCIA
PREDICTIVA
Las herramientas de análisis predictivo
permiten avanzar las necesidades manifestadas por los
clientes, aportando un conocimiento exhaustivo de sus
preferencias y deseos, y apuntando qué decisiones
conviene tomar para satisfacerlas cumpliendo con sus
expectativas y exigencias.
Para mejorar esta oferta de bienes y servicios, ajustada
a los deseos y las necesidades del cliente (no solo las
presentes, sino especialmente las de futuro), es
preciso segmentar adecuadamente el mercado y definir el
público objetivo lo más detalladamente posible. Las
herramientas de analítica avanzada permiten, además
de segmentar el mercado en distintos grupos y perfiles de
consumidor, considerar también cada cliente como un
elemento escalable en este sentido; es decir,
permiten segmentar en distintas etapas la vida del cliente
en tanto consumidor, detectando variaciones en sus
necesidades y preferencias a lo largo del tiempo para
ajustar mejor la oferta.
La monitorización constante de la relación con los
clientes es un asunto clave: las predicciones realizadas
pueden cambiar sustancialmente en función de nuevos
datos aportados, algo que resulta crítico para el apoyo in
situ a la fuerza de ventas. Cuando un agente comercial,
por ejemplo, visita a un cliente y este manifiesta cualquier
preferencia sensible de ser tenida en cuenta, las
herramientas de analítica avanzada permiten incluirla en
un nuevo análisis predictivo realizado en tiempo real y
ajustado a las nuevas necesidades expresadas.
Por último, la inteligencia predictiva posee un fuerte
carácter prescriptivo: no se limita únicamente a diseñar
escenarios posibles, también apunta qué decisiones
resulta más adecuado tomar en función del momento y las
circunstancias.
 7

X. CONCLUSIONES
Ya se trate de Internet de las cosas, big data o machine
learning, las compañías tienen ahora muchos más datos en
los que basar sus decisiones. El siguiente paso más allá de
las decisiones basadas en datos es conseguir una
inteligencia de negocios predictiva con sistemas de
soporte a las decisiones e incluso de automatización.
Los sistemas inteligentes han sido históricamente
aplicados a la clasificación y diagnóstico de distintas
enfermedades. Sin embargo, los proveedores del cuidado
de la salud y los pacientes apenas comienzan a
beneficiarse de la analítica predictiva. A medida que más
y más datos se mueven online, estamos destinados a ver
muchas más soluciones predictivas, desde la supervisión
de pacientes en una UCI hasta la detección de fraudes y
abusos. Todas estas soluciones ahora tienen la capacidad
de volverse más precisas que nunca no sólo debido a la
disponibilidad de grandes volúmenes de datos digitales,
sino también debido al almacenamiento costeable y el
enorme poder de procesamiento disponible mediante
distintas soluciones de TI, incluyendo la Computación en
Nube y los entornos de Hadoop.

XI. BIBLIOGRAFIA

[1]. https://saimasolutions.com/que-es-el-
analisis-predictivo/
[2]. https://ignsl.es/analisis-predictivo/
[3]. https://searchdatacenter.techtarget.com/e
s/definicion/Analitica-predictiva-o-
analisis-predictivo
[4]. https://blog.es.logicalis.com/analytics/la-
inteligencia-predictiva-en-la-
fidelizacion-de-clientes
[5]. https://www.quanticsolutions.es/blog/int
eligencia-artificial-predictiva/

Instrumentación Electrónica