Guía de aplicaciones de IBM SPSS Modeler 15

424 Pages·2012·12.27 MB·Spanish

i
Guía de aplicaciones de IBM SPSS
Modeler 15
Nota: Antesdeutilizarestainformaciónyelproductoqueadmite,lealainformacióngeneral
en Avisos el p. .
Esta edición se aplica a IBM SPSS Modeler 15 y a todas las versiones y modificaciones
posterioreshastaqueseindiquelocontrarioennuevasediciones.
Capturas de pantalla de productos de Adobe reimpresas con permiso de Adobe Systems
Incorporated.
CapturasdepantalladeproductosdeMicrosoftreimpresasconpermisodeMicrosoftCorporation.
Materialesbajolicencia: PropiedaddeIBM
©CopyrightIBMCorporation1994,2012.
DerechosrestringidosparalosusuariosdelgobiernodeEstadosUnidos: Uso,duplicacióno
revelaciónrestringidosporGSAADPScheduleContractconIBMCorp.
Prefacio
IBM®SPSS®ModelereselconjuntodeprogramasdemineríadedatosdeIBMCorp. orientado
alasempresas. SPSSModelerayudaalasorganizacionesamejorarlarelaciónconsusclientesy
losciudadanosatravésdelacomprensiónprofundadelosdatos. Lasorganizacionesutilizanla
comprensiónquelesofreceSPSSModelerparareteneralosclientesmásrentables,identificarlas
oportunidadesdeventacruzada,atraeranuevosclientes,detectarelfraude,reducirelriesgoy
mejorarlaprestacióndeserviciosdelgobierno.
LainterfazvisualdeSPSSModelerinvitaalapericiaempresarialespecíficadelosusuarios,
loquederivaenmodelospredictivosmáseficacesylareduccióndeltiemponecesariopara
encontrarsoluciones. SPSSModelerofrecemuchastécnicasdemodeladotalescomopronósticos,
clasificaciones,segmentaciónyalgoritmosdedeteccióndeasociaciones. Unavezquesecreanlos
modelos,IBM®SPSS®ModelerSolutionPublisherpermitesudistribuciónentodalaempresaa
losencargadosdetomarlasdecisionesoaunabasededatos.
Acerca de IBM Business Analytics
ElsoftwareIBMBusinessAnalyticsofreceinformacióncompleta, coherenteyprecisaenla
que losórganos de toma de decisionesconfían para mejorarel rendimiento comercial. Un
conjunto integral de inteligenciaempresarial, análisispredictivo,, rendimientocomercialy
gestióndeestrategias, asícomodeaplicacionesdeanálisisleofreceunainformaciónclara,
inmediataeinteractivadelrendimientoactualylacapacidadparapredecirresultadosfuturos. En
combinaciónconextensassolucionessectoriales,prácticasprobadasyserviciosprofesionales,las
organizacionesdecualquiertamañopuedenconseguirelmáximodeproductividadyalcanzar
mejores resultados.
Como parte de esta familia, el software de análisis predictivo de IBM SPSS ayuda a las
organizacionesapredecireventosfuturosyactuarproactivamentesegúnesainformaciónpara
lograrmejoresresultadoscomerciales. Losclientescomerciales,gubernamentalesyacadémicos
detodoelmundoconfíanenlatecnologíadeIBMSPSScomoventajaantelacompetenciapara
atraer,reteneryhacercrecerlosclientes,reduciendoalmismotiempoelfraudeyreduciendoel
riesgo. AlincorporarelsoftwaredeIBMSPSSensusoperacionesdiarias,lasorganizacionesse
conviertenenempresaspredictivas,capacesdedirigiryautomatizardecisionesparaalcanzarlos
objetivoscomercialesylograrunaventajaconsiderablesobrelacompetencia. Paraobtenermás
informaciónocontactarconunrepresentante,visitehttp://www.ibm.com/spss.
Asistencia técnica
Laasistenciatécnicaestádisponibleparaelmantenimientodelosclientes. Losclientespodrán
ponerse en contacto con el servicio de asistencia técnica si desean recibir ayuda sobre la
utilizacióndelosproductosdeIBMCorp. osobrelainstalaciónenlosentornosdehardware
admitidos. Paraponerseencontactoconelserviciodeasistencia,visiteelIBMCorp. sitioWeb
enhttp://www.ibm.com/support. Prepáreseparaidentificarse,identificarasuorganizaciónysu
acuerdodeasistenciaalsolicitarasistencia.
©CopyrightIBMCorporation1994,2012. iii
Contenido
1 Acerca de IBM SPSS Modeler 1
ProductosIBMSPSSModeler ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 1
IBMSPSSModeler.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 1
IBMSPSSModelerServer .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 2
IBMSPSSModelerAdministrationConsole.. ... ... ... ... ... ... ... ... ... ... ... ... 2
IBMSPSSModelerBatch... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 2
IBMSPSSModelerSolutionPublisher... ... ... ... ... ... ... ... ... ... ... ... ... ... 3
IBMSPSSModelerServerAdaptadoresparaIBMSPSSCollaborationandDeployment
Services . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 3
EdicionesdeIBMSPSSModeler . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 3
DocumentacióndeIBMSPSSModeler... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 4
DocumentacióndeSPSSModelerProfessional.. ... ... ... ... ... ... ... ... ... ... ... 4
DocumentacióndeSPSSModelerPremium.. ... ... ... ... ... ... ... ... ... ... ... ... 5
Ejemplosdeaplicaciones. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 6
CarpetaDemos... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 7
Parte I: Introducción
2 Conceptos básicos de IBM SPSS Modeler 9
Primerospasos... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 9
InicieIBMSPSSModeler. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 9
Ejecucióndesdelalíneadecomandos .. ... ... ... ... ... ... ... ... ... ... ... ... ... 10
ConexiónconIBMSPSSModelerServer. ... ... ... ... ... ... ... ... ... ... ... ... ... 11
Modificacióndeldirectoriotemporal. ... ... ... ... ... ... ... ... ... ... ... ... ... ... 15
IniciodevariassesionesdeIBMSPSSModeler . ... ... ... ... ... ... ... ... ... ... ... 15
ConceptosbásicossobrelainterfazdeIBMSPSSModeler .. ... ... ... ... ... ... ... ... ... 16
LienzoderutasdeIBMSPSSModeler... ... ... ... ... ... ... ... ... ... ... ... ... ... 16
Paletadenodos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 16
AdministradoresdeIBMSPSSModeler.. ... ... ... ... ... ... ... ... ... ... ... ... ... 18
ProyectosdeIBMSPSSModeler ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 19
BarradeherramientasdeIBMSPSSModeler... ... ... ... ... ... ... ... ... ... ... ... 20
Personalizacióndelabarradeherramientas. ... ... ... ... ... ... ... ... ... ... ... ... 21
PersonalizacióndelaventanadeIBMSPSSModeler ... ... ... ... ... ... ... ... ... ... 22
Cambiodeltamañodeiconodeunaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... 23
UtilizacióndelratónenIBMSPSSModeler.. ... ... ... ... ... ... ... ... ... ... ... ... 24
Usodeteclasdemétodoabreviado.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... 24
Impresión. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 25
iv
AutomatizacióndeIBMSPSSModeler... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 26
3 Introducción al modelado 27
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 29
Exploracióndelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 34
Evaluacióndelmodelo ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 39
Puntuaciónderegistros .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 43
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 44
4 Modelado automatizado para un objetivo de marca 45
Modeladoderespuestadeclientes(clasificadorautomático). ... ... ... ... ... ... ... ... ... 45
Datoshistóricos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 45
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 46
Generaciónycomparacióndemodelos .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... 51
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 56
5 Modelado automatizado para objetivo continuo 57
Valoresdepropiedad(Autonumérico). ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 57
Datosdeentrenamiento.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 58
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 58
Comparacióndelosmodelos . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 62
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 64
Parte II: Ejemplos de preparación de datos
6 Preparación automática de datos (ADP) 66
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 67
Comparacióndelaprecisióndemodelos . ... ... ... ... ... ... ... ... ... ... ... ... ... ... 72
v
7 Preparación de los datos para análisis (Auditar datos) 75
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 75
Exploracióndeestadísticasygráficos ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 79
Gestióndevaloresatípicosyperdidos ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 82
8 Tratamientos con medicamentos (Gráficos
exploratorios/C5.0) 87
Lecturadedatosdetexto. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 87
Adicióndeunatabla.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 91
Creacióndeungráficodedistribución... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 92
Creacióndeundiagramadedispersión .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... 94
Creacióndeungráficodemalla.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 96
Derivarunnuevocampo.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... 97
Generacióndeunmodelo. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 100
Exploracióndelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 103
UtilizacióndelnodoAnálisis.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 105
9 Predictores de filtrado (Selección de características) 107
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 108
Generacióndelosmodelos... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 111
Comparacióndelosresultados... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 112
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 114
10 Reducción de la longitud de cadena de datos de entrada (Nodo
Reclasificar) 115
Reduccióndelalongituddecadenadedatosdeentrada(Reclasificar) .. ... ... ... ... ... .. 115
Reclasificacióndelosdatos . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 115
vi
Parte III: Ejemplos de modelado
11 Modelado de respuesta de clientes (Lista de decisiones) 121
Datoshistóricos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 122
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 123
Creacióndelmodelo.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 126
CálculodelasmedidaspersonalizadasconExcel. ... ... ... ... ... ... ... ... ... ... ... .. 139
ModificacióndelaplantilladeExcel . ... ... ... ... ... ... ... ... ... ... ... ... ... .. 145
Almacenamientoderesultados... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 148
12 Clasificación de clientes de telecomunicaciones (Regresión
logística multinomial) 150
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 151
Exploracióndelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 156
13 Pérdida de clientes de telecomunicaciones (Regresión
logística binomial) 160
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 160
Exploracióndelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 168
14 Predicción del uso de la banda ancha (serie temporal) 175
PrediccionesconelnodoSerietemporal . ... ... ... ... ... ... ... ... ... ... ... ... ... .. 175
Creacióndelaruta .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 177
Examendelosdatos . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 178
Definicióndelasfechas.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 182
Definicióndelosobjetivos... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 184
Configuracióndelintervalodetiempo ... ... ... ... ... ... ... ... ... ... ... ... ... .. 185
Creacióndelmodelo . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 187
Examendelmodelo.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 189
Resumen. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 198
vii
Nuevaaplicacióndemodelosdeseriestemporales .. ... ... ... ... ... ... ... ... ... ... .. 198
Recuperacióndelaruta.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 199
Recuperacióndelmodeloguardado.. ... ... ... ... ... ... ... ... ... ... ... ... ... .. 201
Generacióndeunnododemodelado. ... ... ... ... ... ... ... ... ... ... ... ... ... .. 202
Generacióndenuevosmodelos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 203
Examendelnuevomodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 204
Resumen. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 206
15 Predicción de ventas por catálogo (Serie temporal) 207
Creacióndelaruta... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 207
Examendelosdatos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 211
Suavizadoexponencial... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 211
ARIMA... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 216
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 223
16 Realización de ofertas a clientes (Autoaprendizaje) 224
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 225
Exploracióndelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 231
17 Predicción de moras en préstamos (red bayesiana) 236
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 236
Exploracióndelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 241
18 Reentrenamiento de un modelo mensualmente (red
bayesiana) 246
Generacióndelaruta. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 247
Evaluacióndelmodelo ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 251
viii
19 Promoción de ventas al por menor (Red neuronal/C&RT) 259
Examendelosdatos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 259
Aprendizajeycomprobación . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 262
20 Control de estado (Red neuronal/C5.0) 264
Examendelosdatos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 265
Preparacióndedatos. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 267
Aprendiendo.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 268
Comprobación ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 268
21 Clasificación de clientes de telecomunicaciones (Análisis
discriminante) 270
Creacióndelaruta... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 270
Examendelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 276
Análisisdiscriminanteporpasos. ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 278
Notadeadvertenciasobrelosmétodosporpasos... ... ... ... ... ... ... ... ... ... .. 279
Comprobacióndelajustedelmodelo. ... ... ... ... ... ... ... ... ... ... ... ... ... .. 279
Matrizdeestructura . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 280
Mapaterritorial.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 281
Resultadosdelaclasificación... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 282
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 282
22 Análisis de datos de supervivencia censurados por intervalos
(modelos lineales generalizados) 284
Creacióndelaruta... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 284
Pruebasdeefectosdelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 290
Ajustedelosmodelosexclusivosdetratamiento . ... ... ... ... ... ... ... ... ... ... ... .. 290
Estimacionesdelosparámetros.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 292
Probabilidadesderecurrenciapronosticadaysupervivencia. ... ... ... ... ... ... ... ... .. 293
Modeladodeprobabilidadesderecurrenciaporperíodo . ... ... ... ... ... ... ... ... ... .. 298
Pruebasdeefectosdelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 304
Ajustedemodelosreducidos . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 304
ix
Estimacionesdelosparámetros.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 306
Probabilidadesderecurrenciapronosticadaysupervivencia. ... ... ... ... ... ... ... ... .. 307
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 312
23 Uso de la regresión de Poisson para analizar las tasas de
daños sufridos por barcos (modelos lineales generalizados)314
AjustedeunaregresióndePoisson“sobredispersada” .. ... ... ... ... ... ... ... ... ... .. 314
Estadísticosdebondaddeajuste . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 319
ContrasteOmnibus... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 320
Pruebasdeefectosdelmodelo... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 320
Estimacionesdelosparámetros.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 321
Ajustedemodelosalternativos... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 322
Estadísticosdebondaddeajuste . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 325
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 326
24 Ajuste de una regresión gamma a reclamaciones de seguros
de coches (modelos lineales generalizados) 327
Creacióndelaruta... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 327
Estimacionesdelosparámetros.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 331
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 332
25 Clasificación de muestras de células (SVM) 333
Creacióndelaruta... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 334
Examendelosdatos.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 339
Pruebadeunafuncióndiferente.. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 341
Comparacióndelosresultados... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 343
Resumen . ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. 344
x