En las empresas agrícolas, la capacidad de predecir con precisión el rendimiento de un cultivo cada año es crucial para mejorar la eficiencia, la rentabilidad y la sostenibilidad del negocio. Cuanto antes se pueda predecir el rendimiento, más eficientemente se podrán asignar recursos, gestionar la cadena de suministro, programar la cosecha y determinar la logística de almacenamiento.
Un desafío actual en la industria de la remolacha azucarera es el cambio climático, que está provocando una mayor variabilidad en los rendimientos de un año a otro. La rápida evolución de las condiciones climáticas dificulta la previsibilidad de la estimación del rendimiento y, en última instancia, incrementa los costos para todas las partes interesadas.
Aprovechar el potencial del análisis de datos y el aprendizaje automático es una forma de mejorar la precisión y la puntualidad de las predicciones de rendimiento. Se creó un modelo predictivo en JMP para predecir el rendimiento de la remolacha azucarera. Todo el proceso fue posible solo en JMP: recopilación de datos, limpieza, preprocesamiento, análisis exploratorio de datos, ingeniería de características, selección de modelos, entrenamiento, evaluación, ajuste y posterior implementación y mantenimiento.
Hola a todos. Hoy estamos aquí para analizar JMP y su modelado predictivo, específicamente para el rendimiento agrícola. Cabe destacar que este proceso no solo se aplica al rendimiento agrícola. Se puede usar para cualquier cosa. Espero que sea una guía práctica para que lo hagan ustedes mismos. Algunos de los pequeños trucos que pueden usar en JMP les serán útiles, especialmente para el rendimiento agrícola. Pero como dije, este proceso es válido para cualquier predicción que intenten hacer.
A continuación, les proporcionaré una guía general con algunos ejemplos sobre cómo crear modelos predictivos en JMP, específicamente para el rendimiento agrícola. Como acabo de mencionar, pueden usarlo para cualquier proceso predictivo que deseen implementar. El problema específico radica en que las predicciones tempranas y precisas del rendimiento de los cultivos son fundamentales para la toma de decisiones empresariales en el sector agrícola. Un problema que dificulta su consecución es la gran variación interanual en el rendimiento y la calidad de la remolacha azucarera. Esta variación aumenta con el tiempo en frecuencia y gravedad, lo que dificulta su predicción. El uso de aplicaciones como JMP, por sus capacidades predictivas, es cada vez más importante y necesario para predecir el rendimiento con precisión.
Una de las principales razones por las que la variación parece estar aumentando es el cambio climático. Como veremos, quería darles una visión general del cultivo de remolacha azucarera. Cuando digo rendimiento, ¿qué significa exactamente? Aquí tenemos una remolacha azucarera, y esto tiene dos aspectos. El primero es el tamaño. Aquí pueden ver el peso de la raíz limpia. Como pueden ver, la remolacha tiene algo de tierra. Luego se limpia, y el tamaño de la remolacha en relación con el peso es un componente del rendimiento.
El segundo componente es el de calidad, que se refiere a la concentración de azúcar presente en la remolacha. En resumen, la concentración de azúcar multiplicada por el tamaño de la remolacha da como resultado el rendimiento que se obtendrá.
¿Cómo podemos predecir con precisión el rendimiento? Empecemos por lo primero. El concepto es el mismo, independientemente del tipo de negocio. Pero lo que queremos hacer es recopilar la mayor cantidad de datos posible, de la mayor cantidad posible de ubicaciones y años, para generar un conjunto de datos tabulares con la mayor cantidad posible de factores que podrían afectar el rendimiento agrícola, junto con los resultados y valores de rendimiento que luego podemos comparar. Generamos un amplio conjunto de datos históricos con numerosas variables independientes junto con nuestra variable dependiente.
Para la agricultura, algunos de estos ejemplos realmente necesitan los datos de rendimiento, idealmente datos sobre la salud del suelo, el clima, las plagas y enfermedades, las prácticas de gestión agrícola, la variedad de semillas, los datos del terreno del suelo, los datos de detección remota, etc. Cuantos más datos tenga, mejor será la calidad de estos datos, con mayor precisión podrá predecir su rendimiento y cuanto mayor sea la variación en el rendimiento que pueda asignar con precisión a uno de estos factores y, por lo tanto, más variación podrá discernir entre estas variables.
En la agricultura, existen numerosas variables potenciales que pueden afectar el rendimiento final. Es casi imposible, si no imposible, reunir toda la información en un solo conjunto de datos. Sin embargo, el objetivo es obtener la mayor cantidad de datos posible para obtener una buena predicción del rendimiento. Primero, se deben encontrar todos los datos disponibles, combinarlos en un solo conjunto, depurarlos y procesarlos. Posteriormente, en JMP, se realiza el análisis exploratorio de datos, con el objetivo de descubrir patrones y tendencias ocultos en el conjunto de datos. A partir de ahí, se identifican los predictores más importantes de la calidad y el rendimiento de la remolacha azucarera. Posteriormente, se construyen modelos predictivos utilizando estos predictores importantes para pronosticar los rendimientos futuros.
Brevemente, el resumen del proceso en JMP. El primer paso es la recopilación de datos, y este es, de hecho, el más importante. No puedo enfatizarlo lo suficiente. La calidad de los datos es fundamental. Uno de mis mentores suele decir: "Si entra basura, sale basura". Si no tienes buenos datos, no vas a construir un buen modelo, por muy bueno que sea el proceso. Es fundamental centrarse en obtener datos de muy buena calidad.
Una ventaja de la agricultura es que una variable importante en el rendimiento es el clima. Gracias a la tecnología actual, disponemos de excelentes métodos para adquirir datos meteorológicos retroactivamente de un campo, de una región, sea cual sea. Existe una tecnología que nos permite extraer con gran precisión esos datos meteorológicos de otra fuente y utilizarlos.
En términos de agricultura, este es un aspecto realmente positivo, ya que, en muchos casos, depende de que la empresa con la que trabaja o su compañía ya cuente con buenas prácticas de gestión de datos, que hayan monitoreado muchas de las variables importantes, recopilando la mayor cantidad de datos posible y almacenándolos adecuadamente para facilitar su acceso. De no ser así, la probabilidad de haber construido un buen modelo predictivo es menor, y podría llevar muchos años recopilar los datos necesarios para tener un modelo realmente bueno.
Luego, tenemos la limpieza de datos, el preprocesamiento, la ingeniería de características, el análisis exploratorio de datos, la selección de modelos, el entrenamiento, el ajuste y la evaluación. Finalmente, la implementación del modelo y, posiblemente, el mantenimiento. El primer paso es recopilar datos. Como mencioné, y a menudo ocurre, los datos se almacenan en muchas ubicaciones diferentes, bases de datos diferentes y, posiblemente, en diferentes hojas de cálculo, y el objetivo de JMP es integrarlos todos.
En este caso particular, con los rendimientos agrícolas, se utilizaron tres conjuntos de datos: datos de muestra de la temporada, datos meteorológicos y datos de rendimiento final. Lo importante es encontrar un hilo conductor entre todos los conjuntos de datos, que mostraremos en breve. A continuación, se puede usar el generador de consultas de JMP para reunir todas estas fuentes de datos en un solo lugar de forma rápida, sencilla, precisa y sencilla. En este caso particular, el hilo conductor fue el número y el año del contrato, donde pudimos combinar los datos.
Pasemos directamente al primer paso que les mostraré: el preprocesamiento de datos. Algo que podrían necesitar o no, dependiendo de los datos que tengan y del análisis que deseen realizar, es la normalización de datos, pero esto podría mejorar el rendimiento de su modelo. Analicemos esto en JMP. Aquí tenemos la plataforma JMP, algunos datos meteorológicos. Si abrimos la plataforma y entramos en la distribución, tenemos algunas variables meteorológicas. Las introducimos en la distribución.
Ahora, si observamos aquí, permítanme ampliar esto. Lo que pueden ver con esta precipitación es que hay una desviación hacia la izquierda. Ahora bien, con datos no normalizados, el modelo puede tener problemas. Puede ser más difícil para el modelo discernir relaciones en datos sesgados. Una forma de corregir esto es normalizar los datos. Con la precipitación acumulada, vayan a JMP, busquen ese conjunto de datos. Insertemos una nueva columna: Fórmula. La columna en cuestión era la precipitación.
Para normalizar estos datos, queremos hallar la raíz cuadrada con los datos sesgados a la izquierda. Añádala a la fórmula en nuestra columna. Haga clic en "Aplicar". Vemos que tenemos esta nueva columna. Cámbiele el nombre a "Precipitación Normalizada". Volvamos a la distribución y observemos las dos columnas juntas. Ignoren esto. Esto se verá más adelante. Aquí podemos ver los datos originales. Peguemos esos ejes aquí.
Como pueden ver en la distribución, los datos originales presentan una clara desviación a la izquierda. Con los datos normalizados, tras aplicar la raíz cuadrada, el modelado será mucho más sencillo. Sin embargo, hay un problema que deben recordar: al trabajar con un cliente, la precipitación, por ejemplo, es muy fácil de interpretar. Si intentan mostrarle un modelo con estos datos, que se han aplicado la raíz cuadrada, esta ya no es interpretable, y a menudo la gente busca datos bien explicables. Al final del proceso, posiblemente deban aplicar la raíz cuadrada inversa a estos valores para que tengan sentido para el cliente.
Bueno, eso es algo que podemos hacer. Volvamos a la presentación. El siguiente paso es limpiar los datos; el formato suele ser muy útil. Lo primero que podemos ver es la división de tablas. En este conjunto de datos, observarán que tenemos diferentes columnas para precipitación, temperatura, temperatura mínima y máxima, y una columna para el mes. Para nuestro análisis, puede que no sea ideal tener una columna para el mes con una columna para cada variable de temperatura. Quizás queramos cambiar eso, así que vamos a las tablas y la división. Queremos dividir por mes. Queremos dividir los datos meteorológicos y queremos conservar todas las columnas restantes.
Ahora, en este nuevo conjunto de datos, verán rápidamente que tenemos una columna para cada mes, lo cual nos facilita mucho el trabajo. Vean eso: mes 1, mes 2. Ahora tenemos una columna para cada mes. Es algo que podemos revisar. Cerremos esto, mantengámoslo por ahora. Lo siguiente que podemos hacer es combinar datos, una función muy útil de JMP que permite combinar rápidamente dos conjuntos de datos. Veamos esto rápidamente.
Aquí pueden ver que hemos abierto el clima. Acabamos de dividirlo y ahora tenemos una segunda tabla, que contiene el ID del contrato y el rendimiento, y también el sitio. Queremos combinar este conjunto de datos con el clima. ¿Cómo lo hacemos? Tomamos nuestro conjunto de datos de rendimiento, las tablas y el generador de consultas. Tenemos los datos de rendimiento aquí. Queremos incorporar el clima. Ya pueden ver que JMP ha localizado dos columnas idénticas a JMP, el ID del contrato, y eso es lo que queremos.
Si no fuera así, a menudo sería necesario eliminarlo. Haga clic en la X para eliminarlo, en cuyo caso no es necesario. Luego, puede agregar su propio ID de contrato. Lo identificaremos como el hilo común. Luego, decidimos qué combinación queremos. Esta es una consulta SQL: Left Outer Join. No, no la queremos. Solo queremos una combinación interna donde los datos de ambos conjuntos de datos coincidan. Cree la consulta. Podemos agregar todas las columnas, ejecutar la consulta y obtener un conjunto de datos que combina ambas tablas. Aquí están los datos de rendimiento. Aquí tenemos todos nuestros datos meteorológicos, que ahora podemos comenzar a analizar.
El siguiente paso es explorar los valores atípicos. En un conjunto de datos pequeño, con pocas columnas, es muy fácil analizarlos rápidamente en JMP, introduciendo todos los datos que queremos analizar. Veamos un ejemplo en un análisis de distribución. A menudo, es muy fácil identificar dónde pueden estar o no los valores atípicos. Aquí se puede ver claramente que tenemos un valor atípico.
Sin embargo, en un conjunto de datos grande con cientos de columnas como el que tenemos aquí, esto consume demasiado tiempo. Lo que podemos hacer en JMP es analizar, filtrar y explorar valores atípicos. Aquí, podemos agregar todas nuestras columnas y ejecutar los valores atípicos. Probemos con Valores Atípicos de Rango Cuantil. Instantáneamente, tenemos una lista de todas las columnas y el número de valores atípicos según esta prueba. Hay muchas maneras de ver estos valores atípicos, pero es solo una forma rápida. Luego, desde aquí, podemos seleccionar nuestros valores atípicos, excluirlos y eliminarlos. Podemos seleccionarlos y colorear las celdas para revisarlas más tarde. Hay muchas opciones aquí. Podemos excluir todos nuestros valores atípicos muy rápidamente de esta manera con conjuntos de datos grandes.
El siguiente paso es la ingeniería de características, donde podríamos mejorar el rendimiento de nuestro modelo futuro proporcionándole mejor información. Esto puede requerir conocimiento del dominio o, a partir de los hallazgos de su análisis exploratorio de datos, podría intuir que combinar ciertas columnas de ciertas maneras puede mejorar la capacidad predictiva. En este ejemplo, podríamos querer crear una característica que represente la lluvia de verano en los molinos. ¿Cómo se hace?
En pocas palabras, volvamos a JMP. Aquí tenemos nuestro conjunto de datos y añadimos una nueva columna: milímetros de precipitación de verano. Fórmula: Vayamos a nuestra precipitación de verano. Aquí, con las estadísticas, podemos obtener fácilmente la media y arrastrar las variables que queremos aplicar. Ahora tenemos una característica, información de verano, como podemos ver aquí. Estos son los datos enrutados al cuadrado que teníamos anteriormente. La ingeniería de características es algo que deberíamos considerar para intentar mejorar la capacidad predictiva del modelo mediante la incorporación de características que aumenten la predictibilidad de los datos.
Aquí hay otras cosas que podemos hacer en el Análisis Exploratorio de Datos. El cribado de respuestas y el cribado de predictores son herramientas realmente excelentes en JMP. No analizaremos el cribado de respuestas. El principio de cómo llegar aquí es el mismo que el del cribado de predictores. El cribado de respuestas examina variables individuales con un análisis de tipo Y por X, y se pueden observar variables independientes individuales y cómo afectan a la variable dependiente.
Analizaremos con más detalle el cribado de predictores. Esta es una herramienta muy útil en grandes conjuntos de datos para encontrar tendencias ocultas. En JMP, analizamos, pasamos al cribado, al cribado de predictores y esto utiliza el aprendizaje automático de bosque aleatorio. Queremos ver cuáles son los predictores más importantes de nuestra respuesta, el rendimiento, ¿por qué? Al analizar esto, el sitio puede ser importante. Queremos incluir tantas variables como podamos encontrar en todos nuestros datos.
Estos son datos de muestra, así que no esperemos nada. También podemos ejecutarlos en paralelo para acelerar el proceso. Simplemente introdúzcalos aquí. Podemos ejecutar esto, y lo que encontraremos es que, en segundo plano, se ejecutará este bosque de bootstrap, y analizaremos los predictores más importantes del rendimiento. Como pueden ver, según este análisis, deben ser cautelosos, ya que son literalmente datos de muestra. Hay que tomar las cosas con pinzas. Como pueden ver, el predictor más importante del rendimiento en este caso es el sitio. Tenemos tres sitios diferentes y una temperatura mínima de 11.
A partir de esto, podemos identificar algunas variables importantes que queramos incluir posteriormente en nuestro modelo para resaltarlas y copiarlas. Quizás queramos usarlas más adelante. El cribado de predictores es una excelente plataforma para identificar rápidamente los predictores más importantes en un conjunto de datos de la variable de respuesta dada.
Ahora, con los predictores que hemos localizado, podemos analizar rápidamente el Análisis de Componentes Principales. A partir de aquí, básicamente... Añadimos las variables que acabamos de aislar y que podrían ser predictores importantes del rendimiento. Además, también incluimos el rendimiento. Ejecutamos este análisis. Quitemos las etiquetas. El resultado que obtenemos nos proporciona rápidamente mucha información sobre el conjunto de datos. En un conjunto de datos muy complejo, podemos empezar a ver de forma muy sencilla las relaciones que pueden estar ocurriendo.
Aquí se puede observar esta fuerte correlación. Cuando estas columnas... ¿qué tenemos aquí? El término máximo del suelo 4 y el segundo, la temperatura máxima 4. Cuando estos son muy altos, también veremos una baja radiación global, según esto. Al observar un ángulo recto, en este caso, no observamos relación entre estas variables.
En cuanto al proceso de modelado, esto resulta útil porque, como era de esperar, estas dos variables (temperatura máxima del suelo 2 y temperatura máxima 2) tienen una correlación positiva muy estrecha. Es muy improbable que nuestro modelo obtenga mucha más información utilizando ambas, en cuyo caso podemos seleccionar una para el proceso de modelado y excluir la otra. Lo mismo ocurre en este caso, solo para refinar nuestro modelo. El análisis de componentes principales también es una herramienta muy útil para refinar nuestro proceso de modelado.
Volvamos a la presentación. Cribado de modelos. Ahora tenemos nuestras variables importantes. Quizás queramos encontrar el modelo más adecuado para nosotros. Ahora simplemente volvemos a JMP, a la consulta, cribado, no cribado, modelado predictivo, cribado de modelos. Abramos la plataforma JMP aquí y, con suerte, podremos pegar aquí las variables importantes que encontramos anteriormente. Luego, podemos introducir el resultado que buscamos. Podemos elegir todos los modelos que queremos comparar. Es muy importante, en todos los escenarios, intentar establecer las semillas aleatorias para la reproducibilidad.
Si desea volver a esto más tarde y no ha introducido una semilla aleatoria, podría obtener resultados diferentes. En cambio, si introducimos aquí el valor de la semilla aleatoria (uno, dos, tres, muy fácil, siempre), los resultados son repetibles. Podemos entonces examinar todas estas diferentes opciones. Ya podemos incorporar la opción de pedir a JMP que construya una columna de validación. Podemos añadir diferentes variables cuadráticas. No lo haré hoy porque puede llevar algo de tiempo, pero podemos elegir, en función de diferentes métricas, el modelo con mejor rendimiento, generalmente basado en el RSC y el R² del modelo. Además, dentro de la plataforma, existen otras opciones. Además, es otra buena herramienta para encontrar el modelo que mejor se ajuste a nuestros datos.
El siguiente paso es la validación. Esto ayudará al entrenamiento del modelo. Es fundamental asegurarse de no sobreajustar el conjunto de datos. En JMP, podemos crear rápidamente columnas de validación, y les mostraré cómo. Aquí tenemos nuestro conjunto de datos. Vamos a analizar, modelado predictivo y creamos una columna de validación. Aquí, se ofrece la opción de estratificar según una columna.
En este ejemplo, el conjunto de datos contiene tres sitios de donde provienen estos campos. Ahora, queremos estratificar según el sitio, ya que dividiremos las columnas en un momento y se asignará aleatoriamente el valor uno, dos o tres. Si no estratificamos según el sitio, podemos generar problemas. Si hay un número desigual de sitios en el conjunto de datos y un número desigual de filas para cada lado, se podría sesgar desproporcionadamente el conjunto de datos y el modelo.
Es importante pensar en qué columnas se necesita estratificar con el conjunto de datos. Bien. Podemos crear rápidamente varios conjuntos de datos con varias opciones para dividir los datos: 70 % para entrenamiento, 20 % para validación y 10 % para pruebas.
Ahora puede ver aquí las tasas ajustadas y la cantidad de filas que obtendrá. Es importante considerar el tamaño de su conjunto de datos para determinar si usará entrenamiento, validación y prueba, o quizás solo entrenamiento y validación, y qué división necesita hacer. Ahora bien, dependiendo de su conjunto de datos, estos valores pueden variar ligeramente.
Desde ahí, ¡adelante! Como pueden ver, hemos creado rápidamente una columna de validación que nos permite, al crear nuestro modelo, añadir nuestra columna de validación. Como vemos a la derecha, este sería un modelo de árbol potenciado. Cabe mencionar que se debe ajustar el modelo al número óptimo de divisiones, la tasa de aprendizaje, las divisiones mínimas, etc. También pueden usar una tabla de diseño de ajuste. Vale la pena dedicar un tiempo a probar diferentes opciones para ver cómo se obtiene el mejor rendimiento en términos de error y R² al modificar estos parámetros.
Sin embargo, JMP suele ofrecer valores recomendados para estos parámetros según el conjunto de datos disponible. Me parecieron muy precisos y, de hecho, suelen tener el mejor rendimiento. Incluso al probar otras opciones, funciona bastante bien. Este es otro aspecto a considerar.
Ahora vamos a Evaluación del Modelo y, como mencioné, aquí están el R² y el RMSE. Veremos algunas maneras de evaluar el rendimiento del modelo. Si volvemos a JMP, tenemos un modelo que acabamos de crear. Aquí podemos ir a Perfiles de Factores, Generador de Perfiles. Ya está activado. Aquí está nuestro modelo, nuestro generador de perfiles, y algo que podemos hacer rápidamente: guardar columnas y generar la fórmula de predicción.
La fórmula que se ejecuta en segundo plano para realizar las predicciones se almacenará en una columna del conjunto de datos. Esto ya está hecho. Acceda a nuestro conjunto de datos. Aquí puede ver los valores predichos para nuestro rendimiento. Ahora podemos analizar el ajuste de Y por X. Hay muchas maneras de hacerlo en JMP. Esta es solo una. Nuestra respuesta fue el rendimiento. Vamos hacia abajo. Obtuvimos un valor predicho en X. Bien. No es un modelo muy bueno, como podemos ver. Podemos ajustar una línea desde esta línea, podemos ir a ese ajuste de línea. Profiler. Ahora tenemos esta plataforma aquí y podemos ver nuestra predicción de rendimiento.
Digamos que acertamos, no lo hagamos. Digamos 50. Podemos decir: "Bien, cuando predecimos 50, ¿cuál es el valor real probable?" 49.694. Estamos sobreestimando la predicción. Entonces, dos números ingeniosos que se obtienen instantáneamente son el intervalo de confianza del 95% inferior y el intervalo de confianza del 95% superior. Esta es solo una forma de ver qué tan bien predice tu modelo en tiempo real con conjuntos de datos. Son una herramienta muy útil en este caso.
Ahora, Implementación del Modelo. Contamos con componentes muy interesantes del generador de perfiles, especialmente útiles para el rendimiento agrícola. Si busca predecir algo en el futuro y existen diversos factores en diferentes épocas del año, podemos usar el simulador de modelos para pronosticar posibles escenarios, como les mostraré aquí.
Digamos que aquí tenemos nuestro modelo. Pasemos al Perfilador. ¿Cómo podemos usarlo en agricultura? Como ven, tenemos tres sitios diferentes. Tenemos variables diferentes que llegan en diferentes épocas del año. Vayamos al Simulador. Podemos cambiarlas a aleatorias. Un número es... Si mantenemos presionada la tecla Mayús y luego la mantenemos presionada, hacemos clic en Mayús, no en Mayús, y luego en Control. Listo. Mantenemos la tecla Control, hacemos clic y vamos a Aleatorio.
Aquí pueden ver que ahora tendremos la opción de... Reducirlo un poco. Tendremos la opción de generar ejecuciones aleatorias del modelo aquí abajo. Número de ejecuciones: 10,000. Podemos cambiarlo a la cantidad que consideren adecuada. Digamos 10,000. Tienen la opción de agregar ruido. Supongamos que estamos en marzo. Algunas de estas variables son anteriores a marzo. En marzo, podemos evaluar...
La radiación global acumulada en marzo fue en realidad de 60.000. Fijamos ese valor y el resto de los valores, podemos dejarlo aleatorio y luego podemos ejecutar 10.000 iteraciones del modelo usando la media y la desviación estándar. Vamos a crear más valores alrededor de la media y menos en los extremos. Pero si hiciéramos eso, podemos simularlo en una tabla, crear un conjunto de datos enorme. También podemos, lo que puede ser muy útil, ejecutar escenarios potenciales. Digamos que vamos a normal censurado aquí. Queremos excluir ciertas partes del conjunto de datos. Aquí queremos excluir valores inferiores a 20 y superiores a 30. Intro.
Aquí pueden ver que hemos censurado la distribución. Eliminamos cualquier posibilidad de alcanzar estos valores extremos. Podemos hacerlo aún más. Podemos extraer los datos y analizar escenarios de lo que podría ocurrir y simularlos. Ahora tenemos todos nuestros resultados potenciales. Creamos la tabla. A partir de aquí, analizamos la distribución. Podemos agregar el rendimiento. Bien. Ahora tenemos un resultado de los valores generados por nuestro modelo con esas 10,000 ejecuciones de lo que podría ocurrir.
Ahora puede ver la media, 53, y la mediana, 52,96. El escenario más probable en este caso, con los valores ingresados, fue de alrededor de 53. Puede ver la probabilidad claramente representada aquí. Puede copiar esta columna, pegarla donde necesite como salida y comenzar a graficar diferentes resultados según las distintas entradas del modelo, lo cual es muy útil para predecir rendimientos futuros con diferentes escenarios climáticos de verano y para asegurarse de que todos los escenarios posibles se incluyan en el análisis. Volvamos a nuestro Excel.
En resumen, JMP es una plataforma integral que permite crear modelos predictivos. En diversos casos de negocio, hemos mostrado información sobre agricultura. Sin embargo, este proceso es muy aplicable a cualquier caso de uso donde se intente predecir el futuro. Permite a las empresas que, a menudo, cuentan con grandes conjuntos de datos que no aprovechan al máximo; combinarlos y explorarlos, lo que nos permite descubrir las tendencias ocultas que realmente existen para facilitar la toma de decisiones basada en datos en el futuro. Sin embargo, algo fundamental es contar con suficientes datos de buena calidad para generar un buen modelo. Espero que les haya sido útil. Si tienen alguna pregunta, no duden en contactarnos. Eso fue todo. Gracias.
