Introducción a los modelos de regresión en SAP Analytics Cloud Smart Predict

En el caso práctico, le guiamos a través de un escenario para utilizar modelos de regresión en la previsión de pagos.

• Medir cómo un aumento en los costos de un producto impacta en las ganancias de una empresa.
• Comprender cuán sensibles son las ventas de una empresa a los cambios en el gasto publicitario, las promociones o los precios.
• Analizar cómo afecta una modificación en los tipos de interés a un precio de stock.
• Predecir los valores de siniestros y accidentes para una compañía de seguros de automóviles, en función de factores como los atributos del automóvil, la información del conductor y la demografía.
• Prever el consumo futuro de electricidad, basado en la demanda histórica, las previsiones meteorológicas y los precios.

¿Qué es el análisis de regresión? El análisis de regresión es un nombre colectivo para las técnicas utilizadas para el modelado y el análisis de datos numéricos que consisten en valores de una variable de destino y de una o más variables de influencia.

Los parámetros de la regresión se estiman y dan un "mejor ajuste" de los datos.

La variable de destino en la ecuación de regresión se modela como una función de las variables de influencia, un término de constantes y un término de error. El destino es una variable continua.

La fórmula para una línea de regresión simple se representa como una ecuación: y = a + bx.

Donde:

• Y es el objetivo.
• a es el intercept (el nivel de y donde x es 0).
• b es la pendiente de la línea.
• x es la variable de influencia.

• La regresión lineal múltiple se utiliza para explicar la relación entre una variable de destino continua y dos o más variables de influencia. 
• Las variables de influencia pueden ser continuas o categóricas.
• El análisis de regresión lineal múltiple es la tarea de ajustar una sola línea a través de un diagrama de dispersión, con múltiples dimensiones de puntos de datos.
• La regresión se utiliza con mayor frecuencia para:
  • Identifique la fuerza del efecto que tienen las variables de influencia en una variable de destino.
  • Efectos de previsión o impactos de modificaciones: para comprender cuánto cambia la variable de destino cuando modifica las variables de influencia. Por ejemplo, una regresión lineal múltiple puede explicar cuántos volúmenes de ventas se espera que aumenten (o disminuyan) por cada punto de aumento (o disminución) de las horas de personal.
  • Predecir tendencias y valores futuros. El análisis de regresión lineal múltiple se puede utilizar para obtener estimaciones de puntos. Una pregunta de ejemplo es: ¿Cuál será el precio del oro dentro de seis meses?