Identificar la importancia de los datos analíticos

¿Qué es la significación?

La toma de decisiones basada en datos necesita el apoyo de una medida sólida de confianza en los datos.

A raíz de un acontecimiento de algún tipo (inicio de una campaña, nueva función de una aplicación, pandemia mundial), si observamos algún cambio en nuestros datos tenemos que estar seguros de que la "cosa" que ocurrió fue realmente responsable del cambio en los datos, no solo una correlación. Tenemos que ser capaces de demostrar que si esto no hubiera ocurridolos datos no habrían cambiado.

Entonces podremos inferir una relación causal entre el suceso y el cambio en los datos. Recuerde: sigue siendo una probabilidad, nunca podremos demostrar la causalidad en un sentido categórico, pero podemos podemos pero podemos estar muy seguros (¡y es mucho mejor que adivinar!). Podemos eliminar las emociones y los prejuicios inconscientes de la toma de decisiones. No miramos los datos a los ojos ni utilizamos nuestro instinto: las matemáticas informan el proceso de toma de decisiones.

Aquí está la charla completa y las diapositivas del episodio "Live with MightyHive" de la semana pasada (desplázate hasta el final para ver las diapositivas):

¿Cómo funciona?

La tecnología que hay detrás del paquete CausalImpact R de Google que se mostró en el episodio construye un modelo bayesiano estructural de series temporales y luego intenta predecir el contrafactual.

En pocas palabras, el modelo matemático utiliza datos anteriores al suceso para predecir cómo serían los datos si el suceso no hubiera ocurrido. Importante: la predicción es en realidad un rango probabilístico de valores. Si los datos históricos tienen ruido, la precisión de la predicción cambiará. Véase la siguiente captura de pantalla de la demostración enlazada más arriba. En la imagen inferior, el área sombreada en azul es la predicción (estimador de control sintético) del modelo. Si los datos observados caen fuera de la región azul, ¡tenemos significación!

La región azul aumenta con los datos más ruidosos. Cuanto más amplia sea la región azul, más extrema deberá ser la observación para obtener una señal significativa.

Uso de Google CausalImpact

Puede utilizar el paquete CausalImpact con tan sólo tres líneas de R. R Studio es de código abierto o puede probarlo utilizando rstudio.cloud.

Ten en cuenta que si instalas el paquete CausalImpact localmente, debido a las dependencias, necesitarás al menos la versión 3.5 de R. Actualicé Linux en el Chromebook para obtener la última versión de R y R Studio a través de este artículo muy útil y la instalación del paquete fue muy sencilla.

Hay otra opción gracias a Mark Edmondson de IIH Nordic. Mark escribió una gran aplicación Shiny para CausalImpact que es de uso gratuito, para que pueda explorar la significación en sus propios datos de AG.

Utilizar la significación para establecer la causalidad y tomar medidas

Utilizamos el paquete para analizar los datos del cliente y responder con confianza a las preguntas clave de negocio que surgieron en relación con los cambios en los KPI desde el bloqueo del Reino Unido.

Además de considerar los datos interanuales (fijando el "evento" en el 1 de enero), utilizamos periodos de fechas anteriores y posteriores al bloqueo (9 de marzo). Los datos muestran pautas claras en el comportamiento de compra de los sitios de venta al por menor. Los sitios de medios de comunicación parecen mostrar un crecimiento explosivo. Sin embargo, los datos específicos relativos a las áreas de crecimiento de los contenidos son muy informativos, y no lo que cabría esperar observando los datos desde lejos.

Para los clientes minoristas y de medios de comunicación, la capacidad de identificar con confianza las áreas de crecimiento actuales y futuras es una táctica muy valiosa. A nivel estratégico, los resultados de las previsiones de CausalImpact son muy útiles para determinar el contenido de las campañas, los presupuestos y los plazos.

Aunque las tácticas para la situación global actual incluyen "gestionar", hay una clara necesidad de preparación preparación. Tomar decisiones basadas en datos actuales y utilizar las previsiones con confianza resulta muy valioso para nuestros clientes.

Recursos adicionales

Gracias por su lectura Puede acceder a las diapositivas del episodio aquí:

Vea el vídeo introductorio del paquete CausalImpact R aquí (¡vista obligatoria!):