Introducció
L'anàlisi i modelatge de dades són components essencials en l'analítica de negocis. Aquest procés implica l'extracció d'informació significativa de les dades i la construcció de models que poden ajudar a predir futurs comportaments i resultats. En aquesta secció, explorarem les tècniques i metodologies clau per a l'anàlisi i el modelatge de dades.
Objectius d'Aprenentatge
Al final d'aquest tema, hauràs de ser capaç de:
- Comprendre els conceptes bàsics de l'anàlisi de dades.
- Identificar i aplicar diferents tècniques de modelatge de dades.
- Utilitzar eines per a la construcció i validació de models predictius.
- Interpretar els resultats dels models per a la presa de decisions.
- Conceptes Bàsics d'Anàlisi de Dades
1.1. Definició
L'anàlisi de dades és el procés d'examinar, netejar, transformar i modelar dades amb l'objectiu de descobrir informació útil, arribar a conclusions i suportar la presa de decisions.
1.2. Tipus d'Anàlisi
- Anàlisi Descriptiva: Resumir les dades per entendre què ha passat.
- Anàlisi Predictiva: Utilitzar models estadístics i algorismes per predir futurs resultats.
- Anàlisi Prescriptiva: Proporcionar recomanacions sobre accions a prendre basant-se en els resultats de l'anàlisi predictiva.
- Tècniques de Modelatge de Dades
2.1. Regresió Lineal
La regressió lineal és una tècnica estadística que modela la relació entre una variable dependent i una o més variables independents utilitzant una línia recta.
Exemple de Codi en Python
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# Carregar les dades
data = pd.read_csv('data.csv')
X = data[['feature1', 'feature2']]
y = data['target']
# Dividir les dades en entrenament i prova
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Crear el model de regressió lineal
model = LinearRegression()
model.fit(X_train, y_train)
# Predir els resultats
y_pred = model.predict(X_test)
# Avaluar el model
mse = mean_squared_error(y_test, y_pred)
print(f'Error quadràtic mitjà: {mse}')2.2. Regresió Logística
La regressió logística és utilitzada per modelar resultats binaris (per exemple, sí/no, èxit/fallida).
Exemple de Codi en Python
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# Crear el model de regressió logística
log_model = LogisticRegression()
log_model.fit(X_train, y_train)
# Predir els resultats
y_pred_log = log_model.predict(X_test)
# Avaluar el model
accuracy = accuracy_score(y_test, y_pred_log)
print(f'Precisió: {accuracy}')2.3. Arbres de Decisió
Els arbres de decisió són models predictius que utilitzen un conjunt d'arbres de decisions per arribar a una conclusió sobre el valor d'una variable objectiu.
Exemple de Codi en Python
from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import classification_report # Crear el model d'arbre de decisió tree_model = DecisionTreeClassifier() tree_model.fit(X_train, y_train) # Predir els resultats y_pred_tree = tree_model.predict(X_test) # Avaluar el model report = classification_report(y_test, y_pred_tree) print(report)
2.4. Random Forest
El Random Forest és una tècnica d'aprenentatge automàtic que utilitza múltiples arbres de decisió per millorar la precisió i evitar el sobreajustament.
Exemple de Codi en Python
from sklearn.ensemble import RandomForestClassifier
# Crear el model de Random Forest
rf_model = RandomForestClassifier(n_estimators=100)
rf_model.fit(X_train, y_train)
# Predir els resultats
y_pred_rf = rf_model.predict(X_test)
# Avaluar el model
accuracy_rf = accuracy_score(y_test, y_pred_rf)
print(f'Precisió del Random Forest: {accuracy_rf}')
- Validació de Models
3.1. Divisió de Dades
Dividir les dades en conjunts d'entrenament i prova és essencial per avaluar la capacitat predictiva del model.
3.2. Cross-Validation
La validació creuada és una tècnica per avaluar la robustesa del model utilitzant múltiples divisions de les dades.
Exemple de Codi en Python
from sklearn.model_selection import cross_val_score
# Validació creuada
scores = cross_val_score(model, X, y, cv=5)
print(f'Precisió mitjana: {scores.mean()}')
- Interpretació dels Resultats
4.1. Mètriques de Rendiment
- Precisió: Percentatge de prediccions correctes.
- Error Quadràtic Mitjà (MSE): Mesura de la diferència mitjana quadrada entre els valors predits i els valors reals.
- Informe de Classificació: Inclou precisió, record i F1-score per a cada classe.
4.2. Visualització de Resultats
Utilitzar gràfics per visualitzar els resultats dels models pot ajudar a comprendre millor el seu rendiment.
Exemple de Codi en Python
import matplotlib.pyplot as plt
# Gràfic de prediccions vs valors reals
plt.scatter(y_test, y_pred)
plt.xlabel('Valors Reals')
plt.ylabel('Prediccions')
plt.title('Prediccions vs Valors Reals')
plt.show()Exercici Pràctic
Exercici: Construcció i Validació d'un Model de Regressió Lineal
- Carrega un conjunt de dades de vendes.
- Divideix les dades en conjunts d'entrenament i prova.
- Construeix un model de regressió lineal per predir les vendes.
- Avalua el model utilitzant l'error quadràtic mitjà.
- Visualitza els resultats utilitzant un gràfic de prediccions vs valors reals.
Solució
# Pas 1: Carregar les dades
data = pd.read_csv('sales_data.csv')
X = data[['feature1', 'feature2']]
y = data['sales']
# Pas 2: Dividir les dades
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Pas 3: Construir el model
model = LinearRegression()
model.fit(X_train, y_train)
# Pas 4: Avaluar el model
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f'Error quadràtic mitjà: {mse}')
# Pas 5: Visualitzar els resultats
plt.scatter(y_test, y_pred)
plt.xlabel('Valors Reals')
plt.ylabel('Prediccions')
plt.title('Prediccions vs Valors Reals')
plt.show()Conclusió
En aquesta secció, hem explorat les tècniques clau per a l'anàlisi i el modelatge de dades, incloent la regressió lineal, la regressió logística, els arbres de decisió i el Random Forest. També hem après a validar i interpretar els resultats dels models. Aquestes habilitats són fonamentals per a qualsevol professional que vulgui utilitzar l'analítica de dades per a la presa de decisions informades.
Curs d'Analítica de Negocis
Mòdul 1: Introducció a l'Analítica de Negocis
- Conceptes Bàsics d'Analítica de Negocis
- Importància de l'Analítica en les Operacions Comercials
- Tipus d'Analítica: Descriptiva, Predictiva i Prescriptiva
Mòdul 2: Eines d'Analítica de Negocis
- Introducció a les Eines d'Analítica
- Microsoft Excel per a Analítica de Negocis
- Tableau: Visualització de Dades
- Power BI: Anàlisi i Visualització
- Google Analytics: Anàlisi Web
Mòdul 3: Tècniques d'Anàlisi de Dades
- Neteja i Preparació de Dades
- Anàlisi Descriptiu: Resum i Visualització
- Anàlisi Predictiu: Models i Algoritmes
- Anàlisi Prescriptiu: Optimització i Simulació
Mòdul 4: Aplicacions de l'Analítica de Negocis
Mòdul 5: Implementació de Projectes d'Analítica
- Definició d'Objectius i KPIs
- Recopilació i Gestió de Dades
- Anàlisi i Modelatge de Dades
- Presentació de Resultats i Presa de Decisions
Mòdul 6: Cases Pràctics i Exercicis
- Cas Pràctic 1: Anàlisi de Vendes
- Cas Pràctic 2: Optimització d'Inventaris
- Exercici 1: Creació de Dashboards en Tableau
- Exercici 2: Anàlisi Predictiu amb Excel