L'anàlisi prescriptiu és una tècnica avançada d'anàlisi de dades que no només prediu el que podria passar en el futur, sinó que també recomana accions específiques per aconseguir els millors resultats possibles. Aquesta tècnica combina dades històriques, models predictius i algorismes d'optimització per proporcionar recomanacions accionables.

• Optimitzar les decisions empresarials: Proporcionar recomanacions concretes per millorar els processos empresarials.
• Millorar l'eficiència operativa: Identificar les millors accions per reduir costos i augmentar l'eficiència.
• Maximitzar els beneficis: Ajudar a identificar les estratègies més rendibles.
• Minimitzar els riscos: Proporcionar accions per mitigar els riscos potencials.

1. Dades Històriques:

   • Recopilació de dades passades per identificar patrons i tendències.
   • Exemple: Dades de vendes dels últims cinc anys.

2. Models Predictius:

   • Utilització de tècniques estadístiques i d'aprenentatge automàtic per predir futurs escenaris.
   • Exemple: Model de regressió per predir les vendes futures.

3. Algorismes d'Optimització:

   • Algorismes que determinen la millor acció a prendre basant-se en les prediccions.
   • Exemple: Algorisme de programació lineal per optimitzar la distribució de recursos.

Context: Una empresa de venda al detall vol optimitzar el seu inventari per reduir costos d'emmagatzematge i evitar ruptures d'estoc.

1. Recopilació de Dades:

   • Dades històriques de vendes per producte.
   • Costos d'emmagatzematge.
   • Temps de lliurament dels proveïdors.

2. Model Predictiu:

   import pandas as pd
   from sklearn.linear_model import LinearRegression
   
   # Carregar dades històriques
   dades = pd.read_csv('vendes_historic.csv')
   X = dades[['mes', 'producte_id']]
   y = dades['vendes']
   
   # Crear i entrenar el model
   model = LinearRegression()
   model.fit(X, y)
   
   # Predir vendes futures
   prediccions = model.predict([[1, 101], [2, 101], [3, 101]])  # Prediccions per al producte 101
   print(prediccions)
   

3. Algorisme d'Optimització:

   from scipy.optimize import linprog
   
   # Funció objectiu: Minimitzar costos d'emmagatzematge
   costos = [2, 3, 1]  # Costos per unitat d'emmagatzematge per producte
   demanda = [100, 150, 200]  # Demanda prevista per producte
   
   # Restriccions: No excedir la capacitat d'emmagatzematge
   capacitat = [120, 180, 220]
   
   # Configurar el problema d'optimització
   resultat = linprog(costos, A_ub=[capacitat], b_ub=[500], bounds=(0, None))
   
   print(resultat)
   

Context: Una fàbrica vol optimitzar la seva producció per maximitzar els beneficis, tenint en compte els costos de producció i la demanda prevista.

1. Dades:

   • Costos de producció per unitat.
   • Demanda prevista per producte.
   • Capacitat de producció.

2. Tasques:

   • Crear un model predictiu per estimar la demanda futura.
   • Utilitzar un algorisme d'optimització per determinar la quantitat òptima de producció per a cada producte.

Solució:

• No considerar totes les variables: Assegura't d'incloure totes les variables rellevants en el teu model.
• Dades de baixa qualitat: Utilitza dades precises i actualitzades per obtenir resultats fiables.
• No validar el model: Valida el teu model amb dades reals per assegurar-te que les prediccions són acurades.

L'anàlisi prescriptiu és una eina poderosa per a la presa de decisions empresarials, ja que no només prediu el futur, sinó que també recomana accions concretes per aconseguir els millors resultats. Mitjançant la combinació de dades històriques, models predictius i algorismes d'optimització, les empreses poden millorar l'eficiència, reduir costos i maximitzar els beneficis.