En su afán de aportar contenido orientativo a los profesionales que se dedican a la gestión de los procesos con propósitos de mejoramiento de la productividad, Quality, entrega esta 3ª y última publicación sobre el módulo de analítica predictiva que está disponible en el software Minitab en su versión 21. Sin embargo, los algoritmos que se utilizan están disponibles en las bibliotecas de herramientas de Machine Learning para cualquiera que los necesite utilizar, por ejemplo vía programación con el lenguaje Python.

Es muy probable que nuestros lectores se estén preguntando:

Esperemos que podamos dar respuesta a esas inquietudes, desde el contenido multimedial de estas tres publicaciones en serie, sobre la temática de la Analítica Predictiva y su facilidad para desarrollar el modelo de un procesos muy complejo o de muchas variables, con el apoyo de los datos históricos

Vamos avanzando ¿Cuál es el principal desafío que enfrenta cualquier operador de un proceso? Conocerlo a tal profundidad, que, ante un evento inusual, tenga la capacidad de anticiparse a los resultados a lograr o dicho de otro modo, lo conozca tan bien que pueda modelar y predecir su comportamiento con relativa certeza.

La idea parece atractiva; pero hasta hace poco, era tremendamente laborioso de lograr, dado que sólo se tenía acceso a las herramientas tradicionales, como las regresiones simples, que eran muy restringidas o herramientas más complejas aún, como las regresiones multivariables no lineales, que exigen mucha creatividad. Siendo así y tras muchas horas de trabajo, si se llegaba a lograr un modelo con un coeficiente de determinación o R2 superior a 75%, podía considerarse muy satisfecho, ya que eso significaba que el 75% de la variabilidad de la variable objetivo de salida, se explicaba por el comportamiento de los predictores analizados.

Felizmente en la actualidad, se cuenta con algoritmos muy eficaces empaquetados en un software, que otorgan mucha facilidad a los ingenieros; para configurar las bases de un modelo y el software se encarga de entregar un modelo, también empaquetado, que viabiliza esa respuesta de predicción que se necesita ¿cómo se comportará el proceso si tengo este nuevo conjunto de variables? con estas nuevas herramientas, tendrá su respuesta con relativa facilidad y valores de R2 superiores a 90%, claro que eso será muy dependiente de la cantidad de registro de datos que utilice.

Si no ha tenido la oportunidad de conocer esta nueva opción de analítica predictiva y dado que estos son temas de reciente divulgación, le sugerimos acceda previamente a https://www.quality.cl/minitab-21-y-la-regresion-cart-de-analitica-predictiva/ en la que se tratan gradualmente: la regresión lineal múltiple, la regresión no lineal multivariable clásica y se finaliza con la presentación de la herramienta CART® (Classification and Regression Trees). En la eventualidad que ya esté familiarizado con el uso y aplicación de CART®, puede salvar tiempo e ir directo a su temática de interés.

Si tiene inconvenientes en acceder al link de CART® ya indicado, el video también está disponible en nuestro canal de Youtube “Grupo Quality”, seleccione https://youtu.be/yEU9OLdAgWg y en 32 minutos (21 minutos si lo configura a la velocidad de 1,5 entendible para hispano parlantes) lo guiará por los temas ya mencionados, creando árboles de decisión para una respuesta continua con muchas variables predictoras categóricas y continuas.

Como ya fue presentada en la segunda sección de esta serie, si le interesa como opera un algoritmo como Random Forest, le invitamos a ver el contenido de nuestro video https://youtu.be/Pnlx6PwODqE que en 25 minutos (20 minutos si lo configura a la velocidad 1,25 claramente entendible para hispano parlantes) le permitirá visualizar como lograr un modelo con el algoritmo RandomForest®; que no es un prerrequisito, para el entendimiento del modelamiento con TreeNet®, como si lo es el de Cart®.

Finalmente, les invitamos a visitar el tercero y último de nuestros videos sobre modelos de analítica predictiva https://youtu.be/FWxBzZ-4kdQ en el que se presenta el análisis con el algoritmo TreeNet®, que por su grado de elaboración, permite entregar análisis adicionales como las gráficas de dependencia parcial de un predictor respecto de otros predictores de importancia para el modelo, en 2 y en 3 dimensiones, lo que resulta clave para entender las interacciones entre los distintos predictores. Los invitamos a suscribirse a nuestro canal, para recibir oportunamente nuestras notificaciones.

Tal como lo hicimos para los casos prácticos en la sección de Random Forest®; mostramos el mismo caso de las probetas de concreto y también dos de los modelos de procesos mineros que escogimos para mostrar las bondades del enfoque de la analítica predictiva:

Desempeño de la Producción de molino SAG, ante la presencia de 11 predictores, en la que se utilizan 1003 registros de datos, el cuadro adjunto, muestra algunos de esos resultados comparativos.

Análisis del Rendimiento de 523 Pilas de Lixiviación. Se necesitaba predecir su comporta-miento frente a 10 predictores, fundamentalmente de dimensionamiento físico de las pilas.

Esperamos que con este contenido pueda formarse una idea de las herramientas que están disponibles para que un profesional, medianamente entrenado en el uso de estas herramientas de analítica predictiva, esté en condiciones de proponer en horas, modelos muy eficaces de los procesos productivos o transaccionales de cualquier organización.

La gran ventaja, es que no se tienen restricciones sobre la cantidad de predictores a utilizar; no requiere la identificación previa de las interacciones entre predictores; no es necesario eliminar los datos faltantes o atípicos, etc. Estos nuevos algoritmos empaquetados en el Módulo de Analítica Predictiva, disponibles en Minitab 21, le podrán facilitar tremendamente su trabajo.

Estamos atentos para proponerle agendas de cursos que se puedan adecuar a sus necesidades específicas o para apoyarlo en el análisis de datos; si su necesidad fuera más inmediata http://www.quality.cl

link para ver PDF