La importancia de la

Investigación cualitativa en
la construcción de modelos
cuantitativos
Prof. Econ. José Francisco Pinto Castro
¿Cuál es la habilidad más
importante de los profesionales
que manejan datos?
Capacidad de traducir los datos
en información que sea clara y
significativa para alguien que no
tiene conocimientos cuantitativo
Investigación Cualitativa versus
Investigación Cuantitativa
 Los métodos cualitativos son más esquivos: sin embargo, en general, giran en
torno a la recopilación de datos de personas sobre una experiencia.
 Los resultados cuantitativos todavía se examinan en contexto (a menudo se
comparan con otros números y datos), y se les da una métrica de importancia
como un valor de p o r cuadrado para evaluar si los resultados, o una parte de
Ellos, son significativos.
 Un enfoque cuantitativo es un paradigma positivista, mientras que los métodos
cualitativos encajan mejor con los paradigmas construccionistas o pragmáticos
( Savin-Baden y Major 2013 ).
 Si bien también hay medidas cuantitativas de cosas como la ansiedad o
el dolor que se pueden usar como proxy para hacer inferencias en una gran
población. Sin embargo, para una comprensión detallada de estos problemas
y cómo afectan a las personas, estas métricas pueden ser rudimentarias y no
llegar al detalle de la experiencia vivida.
Investigación Cualitativa versus
Investigación Cuantitativa
 Incluso en las ciencias físicas, la investigación cualitativa es lo primero, y establece
preguntas para responder con métodos cuantitativos.
 Los proyectos de investigación cuantitativa generalmente crecen a partir de
observaciones cualitativas del mundo físico, tales como: 'Puedo ver que el hielo parece
derretirse cuando se calienta. ¿A qué temperatura se derrite el hielo? o exploración
cualitativa de la literatura existente para encontrar cosas de otras investigaciones que
sean sorprendentes o inexplicables.
 Se podría argumentar que lo mismo es cierto para la investigación cualitativa. Si le
pregunta a la gente sobre su helado favorito, obtendrá una mejor respuesta preguntando
a un gran número de personas
 La investigación cualitativa tiene como objetivo dar una respuesta definitiva: es más
exploratoria e interesada en los casos atípicos tanto como en los casos comunes
 Con la investigación cualitativa, generalmente aprendemos a hacer mejores preguntas
 La investigación cualitativa nos ayuda a crear una buena investigación cuantitativa.
Investigación Cualitativa versus
Investigación Cuantitativa
 Incluso en las ciencias físicas, la investigación cualitativa es lo primero, y establece
preguntas para responder con métodos cuantitativos.
 Los proyectos de investigación cuantitativa generalmente crecen a partir de
observaciones cualitativas del mundo físico, tales como: 'Puedo ver que el hielo parece
derretirse cuando se calienta. ¿A qué temperatura se derrite el hielo? o exploración
cualitativa de la literatura existente para encontrar cosas de otras investigaciones que
sean sorprendentes o inexplicables.
 Se podría argumentar que lo mismo es cierto para la investigación cualitativa. Si le
pregunta a la gente sobre su helado favorito, obtendrá una mejor respuesta preguntando
a un gran número de personas
 La investigación cualitativa tiene como objetivo dar una respuesta definitiva: es más
exploratoria e interesada en los casos atípicos tanto como en los casos comunes
 Con la investigación cualitativa, generalmente aprendemos a hacer mejores preguntas
 La investigación cualitativa nos ayuda a crear una buena investigación cuantitativa.
Los datos se abordan de manera
distinta en función de 4 objetivos
de análisis
 ¿Que te dicen los datos?
Descriptivo: ¿Qué está sucediendo en mi negocio? Valor
• Datos completos, precisos y en vivo.
• Visualización efectiva Prescriptivo
Diagnóstico: ¿Porqué está pasando?
Predictivo
• Capacidad de identificar la causa raíz.
• Capacidad de aislar todas los datos enredados
Predictivo: ¿Qué probable que suceda? Diagnostico
• La estrategia empresarial se ha mantenido bastante
consistente a lo largo del tiempo Descriptivo
• Patrones históricos son usados para predecir
resultados específicos utilizando algoritmos
• Las decisiones son automatizadas utilizando algoritmos
y tecnología
Complejidad
Prescriptivos: ¿Qué necesito hacer?
• Acciones recomendadas y estrategias basadas en el
resultado de la estrategia de la prueba campeón/
retador
• Aplicar técnicas analíticas avanzadas para hacer
recomendaciones especificas
1. Analítica descriptiva: ¿qué está pasando?
Este es el más común de todas las formas. En los negocios, proporciona al analista
una visión de las métricas y medidas clave dentro de la empresa.
Un ejemplo de esto podría ser un estado de pérdidas y ganancias mensual. De
manera similar, un analista podría tener datos sobre una gran cantidad de
clientes. La comprensión de la información demográfica de sus clientes (por
ejemplo, el 30% de nuestros clientes son empleados por cuenta propia) se
categorizaría como "análisis descriptivo". El uso de herramientas de visualización
útiles mejora el mensaje de análisis descriptivo.
 Problemas of cuantification
Cuando se modelan variables duras tales como producción, flujo de
caja, etc., hay pocas dificultades en la cuantificación. Sin embargo,
los sistemas dinámicos , y con razón, es estratégico en la orientación
que se ve a menudo como necesaria para presentar variables
'suavizadas' tal como la satisfacción del consumidor como una
influencia en la, digamos, nueva tasa de flujos de ordenes. Hay varias
maneras en que esto se puede hacer, por lo general:
tasa — flujo entrada — nuevo — orden = Flujo entrada— básico *
multiplicador de satisfacción, en que el multiplicador de satisfacción
es una variable, rangeada desde 0 tal vez, hasta un límite máximo
que puede exceder 1 y tiene una relación no-lineal con la
satisfacción del consumidor.
3. Análisis predictivo: ¿Qué es probable que suceda?
El análisis predictivo tiene que ver con la previsión. Ya sea la probabilidad de que
ocurra un evento en el futuro, pronosticando una cantidad cuantificable o
estimando un punto en el tiempo en el que algo podría suceder, todo esto se hace
a través de modelos predictivos.
Los modelos predictivos suelen utilizar una variedad de datos variables para hacer
la predicción. La variabilidad de los datos de los componentes tendrá una relación
con lo que es probable que prediga (por ejemplo, a mayor edad, más susceptibles
de sufrir un ataque cardíaco, diríamos que la edad tiene una correlación lineal con
el riesgo de ataque cardíaco) . Estos datos se compilan juntos en una puntuación o
predicción.
En un mundo de incertidumbre significativa, poder predecir permite tomar mejores
decisiones. Los modelos predictivos son algunos de los más importantes utilizados en
muchos campos.
Los principales errores de análisis
predictivo que se deben evitar
Hacer suposiciones incorrectas sobre los datos
de entrenamiento subyacentes.
El apresurarse y hacer demasiadas suposiciones
sobre los datos de entrenamiento subyacentes
a menudo puede llevar a la cara
proverbial. Tómese tiempo para comprender los
datos y las tendencias en las distribuciones, los
valores faltantes, los valores atípicos, etc.
Trabajando con bajos volúmenes.
Los volúmenes bajos es el lugar infeliz del
científico de datos: pueden llevar a modelos
estadísticamente débiles, inestables y poco
confiables.
Los principales errores de análisis
predictivo que se deben evitar
La castaña sobredimensionada.
En otras palabras, la creación de un modelo
que tiene muchas ramas y, por lo tanto, parece
proporcionar una mejor discriminación de la
variable objetivo, pero se cae en el mundo real
ya que ha introducido demasiado ruido en el
modelo.
Sesgo en los datos de entrenamiento.
Por ejemplo, solo ofreciste un determinado
producto a los Millennials. ¿Adivina que? Los
Millennials van a salir adelante con fuerza en el
modelo.
Los principales errores de análisis
predictivo que se deben evitar
 Incluyendo datos de prueba en los datos de entrenamiento.
Ha habido algunos fallos épicos en los que los datos de prueba se han
incluido en los datos de entrenamiento, lo que da la impresión de que el
modelo funcionará de manera fantástica, pero en realidad da como
resultado un modelo roto. En el mundo del análisis predictivo, si los
resultados son demasiado buenos para ser verdad, vale la pena dedicar
más tiempo a sus validaciones e incluso obtener una segunda opinión
para verificar su trabajo.
 No ser creativo con los datos proporcionados.
Los modelos predictivos pueden mejorarse significativamente mediante la
creación de algunas características inteligentes o características que
pueden utilizarse para explicar mejor las tendencias en los datos. Muy a
menudo, los científicos de datos trabajarán con lo que se ha
proporcionado y no pasarán el tiempo suficiente considerando las
características más creativas de los datos subyacentes que pueden
fortalecer los modelos de manera que un algoritmo mejorado no pueda
lograr.
Los principales errores de análisis
predictivo que se deben evitar
 Esperando que las máquinas entiendan el negocio.
Las máquinas no pueden descubrir (todavía) cuál es el problema de la
empresa y cuál es la mejor manera de resolverlo. Esto no siempre es
sencillo y puede requerir una reflexión cuidadosa, que involucre
discusiones sanas con las partes interesadas del negocio.
 Usando la métrica incorrecta para medir el rendimiento de un modelo.
Por ejemplo, de los 10,000 casos, solo tiene dos casos que son fraudulentos
y 9,998 casos que no son fraude. Si la métrica de rendimiento utilizada en
el entrenamiento del modelo fuera una precisión directa, el modelo
intentaría maximizar la precisión. Por lo tanto, si predice que los 10,000
casos no serán un fraude, el modelo tendría una precisión del 99,98%, lo
que parece sorprendente, pero no sirve para identificar
fraudes. Simplemente identifica el 99,98% de las instancias no fraudulentas
correctamente. Por lo tanto, para el modelado de eventos raros (de los
cuales el fraude es un buen ejemplo), se deben aplicar enfoques
alternativos.
Los principales errores de análisis
predictivo que se deben evitar
 Usando modelos lineales planos en la interacción no lineal.
Esto ocurre comúnmente cuando, por ejemplo, la construcción de
clasificadores binarios y regresión logística se elige como el método
preferido, cuando en realidad la relación entre las características no es
lineal. El uso de modelos basados en árboles o las máquinas de vectores
de soporte funcionan mejor en tales casos. No saber qué métodos son
aplicables a qué problemas resultan en modelos deficientes y
predicciones posteriores.
 Olvidarse de los valores atípicos. Los valores atípicos por lo general
merecen una atención especial o deben ignorarse por completo, algunos
métodos de modelado son extremadamente sensibles a los valores
atípicos y el hecho de olvidarlos o atenderlos puede causar un bajo
rendimiento en su modelo.
Los principales errores de análisis
predictivo que se deben evitar
 Realización de la regularización sin estandarización.
Muchos profesionales no son conscientes de la redundancia de aplicar la
regularización a las características del modelo sin primero estandarizar los
datos, por lo que todos los datos están en la misma escala. La
regularización estaría sesgada, ya que penalizaría más las características
que están en escalas más pequeñas. Por ejemplo, si hay una característica
que está en una escala de 3,000 a 10,000, y otra variable que está en la
escala de 0 a 1, y otra en la escala de -9,999 a 9,999.
 Sin tener en cuenta el entorno de puntuación en tiempo real.
Los profesionales a veces pueden distraerse construyendo el modelo más
perfecto, pero cuando se trata de implementación, es tan complejo que
el modelo no puede integrarse en el sistema operativo.
Los principales errores de análisis
predictivo que se deben evitar
 Uso de características que no estarán disponibles en el futuro, debido a
razones operativas.
Uno puede identificar una característica muy predictiva (como el género),
pero debido a las regulaciones, este campo no se puede usar en el
modelado, o la captura del campo se ha suspendido y estará disponible
en el futuro para su uso en el modelo.
 Sin considerar las implicancias en el mundo real y las posibles
consecuencias de la aplicación de análisis predictivos efectivos.
La minorista estadounidense Target llegó a los titulares hace cuatro años
cuando el reportero del New York Times Charles Duhigg llamó la atención
del público sobre el ahora famoso incidente de los modelos
analíticos de Target que predecían el embarazo de una
adolescente antes de que su padre lo supiera. Como algunos han
señalado, solo porque puedas, no significa que debas hacerlo.
4. Analítica prescriptiva: ¿Qué necesito hacer?
El siguiente paso en relación con el valor y la complejidad es
el modelo prescriptivo. El modelo prescriptivo utiliza una
comprensión de lo que ha sucedido, por qué ha ocurrido y
una variedad de análisis de "qué podría suceder" para
ayudar al usuario a determinar el mejor curso de acción a
seguir. Un análisis prescriptivo generalmente no es solo con
una respuesta individual sino que, de hecho, es una serie de
otras acciones.
Un excelente ejemplo de esto es una aplicación de tráfico
que le ayuda a elegir la mejor ruta a casa y tener en cuenta
la distancia de cada ruta, la velocidad a la que se puede
viajar en cada carretera y, fundamentalmente, las
restricciones de tráfico actuales.
Otro ejemplo podría ser producir un calendario de
exámenes tal que ningún alumno tenga horarios conflictivos.
Conclusión

 Si bien las diferentes formas de análisis pueden proporcionar cantidades

variables de valor a una empresa, todas tienen su lugar.
 Se necesita de las investigaciones cualitativas para tener un buen modelo
cuantitativo