Los retos organizacionales de data del día a día, muestran una tendencia en creciente a considerar los pronósticos como una herramienta necesaria en los procesos de planeación de trabajo. Los centros de trabajo cada día producen data de manera exponencial, y un gran porcentaje no es utilizado para enriquecer el conocimiento de la operación.
Los usos de la inteligencia artificial aplicada a problemas diarios en la industria, se encuentran dentro de un área gris todavía en 2021.
Implementar un departamento de científicos de datos e ingenieros de inteligencia artificial en organizaciones que buscan incorporar esa tecnología en sus operaciones, puede ser retador cuando no se han definido las metas específicas que se busca lograr.
En este blog, muestro un ejemplo de como con la ayuda de la extensión NeuralTools, se pueden obtener resultados alineados a las capacidades de una red neural programada en algún lenguaje de programación como Python, pero haciéndolo directamente desde una sencilla hoja de Excel con pocos datos.
Con análisis de este tipo, una organización puede comenzar su incorporación al uso recurrente de métodos de análisis y producción más sofisticados, para evaluar lo preparado de su sistema de trabajo y sus necesidades reales, antes de escalar a formar un departamento específico.
Definiendo una red neuronal (NN)
Una red neuronal es esencialmente una caja negra (por el término black box utilizado para definir Machine Learning) que busca en muchos modelos, incluidos los modelos no lineales que involucran interacciones, para encontrar una relación que involucre las variables independientes que mejor predicen la variable dependiente. En una red neuronal, las variables independientes se denominan celdas de entrada y la variable dependiente se denomina celda de salida (denominados en inglés como input y output, respectivamente). Las redes neuronales tienen un cierto número de observaciones (llamadas N) y cada observación contiene un valor para cada variable independiente y dependiente.
El uso de estos modelos está aumentando rápidamente en todas las industrias porque son excelentes para encontrar patrones.
Por ejemplo, cuando utiliza modelos de regresión lineal, solo puede encontrar un patrón si sabe lo que está buscando. Una ventaja de las redes neuronales es que no es necesario "decirle" la naturaleza de la relación entre las variables independientes y dependientes. Si proporciona suficientes datos a una red neuronal, encontrará patrones existentes por sí misma "aprendiendo" de los datos.
Caso: Utilizando una red neuronal para predecir ventas
En este ejemplo, estoy usando un pequeño subconjunto de datos:
Contiene la cantidad de ventas semanales del producto, su precio y cantidad de veces que fue publicitado en cientos de dólares. Las ventas pueden construirse por la NN, bajo el supuesto de que cuando el precio es alto, la publicidad no tiene ningún efecto, tal como sucede en escenarios de la vida real.
Las reglas de los datos son las siguientes:
si el precio es ≤ 8 entonces las ventas =500-15 x precio + 0.1 x publicidad
si el precio es > 8 entonces las ventas =500-15 x precio
Comienza el experimento ejecutando una regresión lineal múltiple para predecir las ventas a partir del precio y la publicidad. La regresión tiene un R2 alto y un error estándar de 2.03 unidades.
Problemas de este tipo, generalmente se resuelven en la industria utilizando solamente este método.
Link de descarga de NeuralTools para Excel:
Se pude implementar la barra de herramientas en el archivo de Excel y seleccionar los datos que se analizarán. NeuralTools clasificará las columnas de datos como variables independientes o dependientes y categóricas o numéricas.
El administrador de conjuntos de datos permitirá especificar la naturaleza de las variables de entrada y las variables dependientes. El rango al que se aplicará serán variables numéricas, por lo que la selección debe incluir solo celdas con valores numéricos.
Desde la barra, se selecciona entrenar y se completa el cuadro de diálogo. Se marca Probar automáticamente en casos seleccionados aleatoriamente para que NeuralTools "retenga" un 20% elegido aleatoriamente de los datos para probar la NN. Esto ayuda a evitar que tengamos NN resultantes que se sobre ajusten a los datos utilizados y tengamos un rendimiento deficiente en datos que no han sido"vistos" por la red. Marcamos activar predicción en vivo para imprimir las predicciones de la red neuronal en la hoja de cálculo.
Seleccionemos Siguiente, esto hará que NeuralTools ajuste una red neuronal a los datos. En este punto, el 80% del conjunto de datos se está utilizando para entrenar la red y aparecerá un reporte en una hoja externa.
Interpretando el reporte:
Se usaron 266 datos para entrenar a la red neuronal
67 datos se usaron para probarla.
Ambas observaciones fueron elegidas al azar.
Esto significa que cada dato tiene un 80% de posibilidades de ser usado para entrenamiento, y 20% para prueba.
El error absoluto medio en el entrenamiento y la prueba de la red neuronal es bastante cercano, con 0.02073 y 0.02466 respectivamente.
De la misma manera, la desviación estándar del error absoluto son cercanas con 0.02285 y 0.02867.
Estos resultados indican una red neuronal que consiguió "pensar" de una manera muy cercana a lo esperado con los datos existentes en nuestra base de datos, y consiguió identificar un patrón de una manera muy efectiva.