Hola lectores de SharingAway y bienvenidos a un nuevo tutorial.

Tal como fue prometido en el anterior artículo donde vimos la posibilidad de generar un modelo de Lead Scoring aquí les traigo un nuevo caso de uso.

En esta oportunidad trabajaremos otro tipo de modelo, modelos de regresión. A diferencia de los modelos de clasificación que nos dicen A o B, los modelos de regresión arrojan como resultado un valor continuo, es decir un valor numérico que podría responder a “¿Cuál es el lifetime value de este cliente?” o “¿Cuál es la probabilidad de venderle a un cliente?”. Como ven ambos casos arrojan un número mientras que en los modelos de clasificación, arrojaban Si o No.

En este caso en particular vamos a estar trabajando un caso de uso bastante interesante y es la fijación de precios dinámicos. Dice el mito que empresas como Uber o Amazon cambian sus precios millones de veces al día en función de muchísimas variables, bueno a quien no le pasó esperar un ratito a que Uber esté más barato un día de lluvia 🥴. Esto se conoce como dynamic pricing o fijación de precios dinámica. En resumidas cuentas consiste en una práctica comercial que fija un precio pura y exclusivamente según determinadas variables lo que por lo general permite definir un precio para un cliente, es decir, en una relación uno a uno.

Esto puede resultar bastante beneficioso dado que permite aprovechar al máximo los márgenes de venta vendiendo a mayor precio a quienes tienen mayor disposición a pagar por un producto o servicio, o bien, reduciendo el precio a quienes si bien quieren comprar no tienen tanta disposición.

En la membresía PRO vas a poder encontrar más casos de uso y más detalles sobre esta práctica, pero por aquí creo que es hora de ir a lo que vinimos 💪🏼

¿Cómo lo haremos?

Una vez más, para evitar escribir una sola línea de código, tener que invertir cientos de horas en aprender asuntos bastante complejos o solo poder hacerlo con un equpipo de 4 data engeneers, usaremos Obviously.

Por si no leíste nuestro posteo anterior (te recomiendo profundamente que lo hagas cuando termines este 😉 ) Obviously es una herramienta NoCode, muy sencilla y amigable que nos permite ejecutar en pocos minutos un modelo de Machine Learning.

En primer lugar con una cuenta ya creada en obviously.ai/ y entraremos en la pantalla principal. Allí podremos rápidamente realizar nuestra primera predicción utilizando algunos data sets que ya vienen preparados por obviously y son de gran ayuda para los primeros pasos.

En nuestro caso utilizamos los siguientes:

Source: Sample Datasets

Table: Dynamic Pricing

Pick a column to predict…: fare_amount

‍

‍

Una vez con eso definido damos en “Go”

‍

‍

En esta pantalla visualizamos un resumen  de nuestro data set o conjunto de datos. Cómo se aprecia tendremos algunas métricas importantes acerca de la calidad y la composición de los datos. Siempre es importante revisar esta información antes de entrenar un modelo de Machine Learning dado que de esto dependerá luego cuan preciso o acertados sean los resultados de nuestras predicciones. Haremos un análisis más profundo de como interpretar estos datos en nuestra membresía PRO así que ya sabes que habrá cosas interesantes por allá.

A continuación hacemos clic en “Start Predicting”, veremos una pantalla de carga por unos asombrosos 5 o 10 segundos y luego, boom, ya tenemos los resultados:

‍

‍

Lo más importante para interpretar los resultados

Ni bien obteenemos los resultados, lo primero que nos encontramos es la siguiente frase “Tu modelo es Voting Regressor con un Score R2 de 0.798. Esto es un desempeño excelente”. Por suerte, Obviously lo hace muy sencillo y nos dice en idioma español, que el desempeño del model es “excelente”, con eso ya podemos estar tranquilos.

De todas formas, Obviously no deja de darnos información que es muy importante si nuestra idea es seguir perfeccionando el modelo con el paso del tiempo, algo que de hecho es obligatorio hacer. Allí es donde se vuelve importante entender que significa el R2 Score, aunque dejaremos estos detalles técnicos para nuestra membresía PRO 😎

Usando el modelo

Si nos movemos a la pestaña Use Model se nos ofrecen ciertas opciones mediante las que podemos utilizar nuestro modelo para predecir casos.

‍

‍

Tenemos tres principales opciones:

1. Launch Model
2. Utilizar Zapier
3. Utilizar el modelo vía API

En este How To vamos a revisar la primera opción, Launch Model. Si presionan en Launch Model Obviously nos ofrece una interfaz propia en donde podremos evaluar nuestro modelo para determinada información que le pasemos, veamos 🤯

En el ejemplo que vemos debajo, el modelo evaluó que la tarifa justa o el “fare_amount” es de 7.92 dólares, según los datos que especificamos. Observen que además, el modelo nos da un grado de incertidumbre especificando +- 1.499 dólares. Quedará luego de nuestro lado cuanta de esa incertidumbre quisiéramos aceptar.

‍

‍

Si por ejemplo, proporcionamos otros datos:

‍

‍

Podemos observar claramente, un resultado mayor. Estamos manteniendo las coordenadas pero cambiamos día del mes y mes a 31 de diciembre, además seleccionamos la hora 23:00, lo cual evidentemente podría ser un momento  más costoso para moverse por la ciudad. Quizás mejor esperar un rato 😂.

Un aspecto bastante interesante es que podemos compartir la URL de esta interfaz con cualquier persona para que realice predicciones sobre nuestro modelo, solo necesitará tener una cuenta en obviously. Imaginen los beneficios de poder compartir con personas de nuestro equipo todo este potencial.

Por aquí les queda otro ejemplo de cómo utilizar este tipo de modelos. No olviden que las aplicaciones son muchísimas y los modelos de regresión pueden ser aplicados para predecir otro tipo de valores, precios de las casas, precios de autos, estimación de daños en accidentes de tránsito, etc. No olviden que tendrán contenido más profundo y detallado en nuestra membresía PRO. ¡Esto no tiene límites!

Nos leemos en un próximo ejemplazo de casos de uso de la Inteligencia Artificial 🚀

¡Saludos!

‍