Publicamos grabación del webinar grabado el día 30/06/2022
Ponentes:Pedro Enrique Chávez Farfán
El Esquema Jerárquico o Árbol de Descomposición Visual, es una técnica que permite que un indicador clave de la empresa sea explicado con claridad a través de otras variables y atributos asociados definidos.
Así por ejemplo podemos determinar qué variables y atributos explican las utilidades de mi empresa. Es decir de qué manera la marca, el producto, la oficina de venta, el tipo de venta, etc., explican las utilidades de modo que podamos encontrar las raíces de ciertos problemas.
En forma general un árbol de descomposición puede usarse para realizar análisis de causa raíz para ver cómo las categorías individuales en un grupo contribuyen al valor global. Esta nueva visualización permite descomponer, o desglosar, un grupo para ver sus categorías individuales y cómo se pueden clasificar de acuerdo con una medida seleccionada.
Los modelos de Factores de Influencia forman parte de los algoritmos de aprendizaje supervisado del Machine Learning.
El modelo de Factores de Influencia (Key Influencers) de Power BI utiliza el Machine Learning para encontrar co-relaciones, patrones y representaciones entre varios campos del modelo de datos, para establecer factores o grupos de factores que influyen de manera predominante en el resultado de una variable.
Estos modelos fueron introducidos en preview en la actualización de Power BI Desktop de febrero de 2019 y está disponible desde agosto de 2019.
El modelo y la charla tendrá como base un modelo de datos de una empresa de reparaciones de celulares que opera en la ciudad de Milano, Italia.
¿Por qué tienes que apuntarte?
- Los modelos de Factores de Influencia forman parte de los algoritmos de clasificación del Análisis Predictivo y del Machine Learning.
- Los modelos de clasificación a diferencia de los de regresión que predicen o analizan variables continuas trabajan con variables discretas.
- Estos modelos se utilizan cuando el resultado a predecir es un valor discreto, es decir, son útiles cuando la variable a predecir se aloja dentro de un conjunto finito de resultados posibles
PLAY
