Predictive Model

Predictive Model aprende de tus propios datos históricos, organizados como una tabla (una fila por registro y una columna por dato), y guarda lo aprendido como un modelo con nombre. Después, en el mismo flujo o en otro, usas ese modelo para hacer predicciones sobre filas nuevas o para medir qué tal acierta.

Sirve para cuatro tipos de problema: predecir una categoría (por ejemplo, si un cliente se dará de baja), predecir un número (por ejemplo, el precio de una vivienda), detectar filas que no se parecen a las demás (por ejemplo, transacciones sospechosas) y agrupar filas parecidas (por ejemplo, segmentos de clientes). No necesita un modelo de IA ni credenciales: todo ocurre dentro de NappAI.

Cuándo usarlo

Predecir qué clientes tienen más probabilidad de darse de baja a partir de su historial de compras y contactos.
Estimar el precio o el importe de una operación a partir de sus características.
Señalar pagos o pedidos que se salen de lo habitual para revisarlos.
Dividir tu cartera de clientes en grupos con hábitos parecidos para campañas distintas.
Comprobar cada cierto tiempo si un modelo ya entrenado sigue acertando con datos recientes.

Cómo se trabaja

El campo Operation decide qué hace el componente en cada ejecución:

Train: aprende de tus datos históricos y guarda el modelo con el nombre de Model Name. Lo haces una vez, o cada vez que quieras volver a entrenar.
Predict: aplica un modelo guardado a filas nuevas y devuelve la predicción de cada una.
Evaluate: compara las predicciones de un modelo guardado con resultados reales que ya conoces y devuelve medidas de acierto.

Los modelos entrenados se guardan en tu almacenamiento, en la sección Modelos predictivos. Desde allí puedes descargarlos, borrarlos o subirlos a otro entorno (consulta Subir un modelo entrenado).

Configuración

Los campos cambian según la operación elegida.

Campo	Qué hace
Operation (obligatorio)	Train, Predict o Evaluate. Por defecto: Train.
Data (obligatorio)	Las filas con las que trabaja el componente; conecta aquí una lista de datos, por ejemplo desde una consulta a base de datos, una llamada a una API o un CSV. En Train, son los datos históricos y deben incluir las columnas de entrada y, si hace falta, la columna que se quiere predecir. En Predict, son las filas nuevas, con las mismas columnas de entrada que en el entrenamiento. En Evaluate, son filas con resultados reales conocidos.
Model Type (obligatorio en Train)	El tipo de problema: Classification (predecir una categoría de una lista), Regression (predecir un número), Anomaly Detection (señalar filas distintas al resto) o Clustering (agrupar filas parecidas). Por defecto: Classification.
Algorithm (obligatorio en Train)	El método de aprendizaje. Las opciones dependen del tipo de problema. Si no sabes cuál elegir, deja el que viene por defecto: Random Forest en Classification y Regression, Isolation Forest en Anomaly Detection y K-Means en Clustering.
Model Name (obligatorio)	En Train, el nombre con el que se guarda el modelo; se propone uno con la fecha y la hora, y puedes cambiarlo por algo reconocible como `bajas_clientes_v1`. No puede coincidir con el de un modelo que ya tengas. En Predict y Evaluate, es un desplegable con tus modelos entrenados; usa el botón de actualizar si acabas de entrenar uno.
Number of Features	Solo en Train. Cuántas columnas de entrada usa el modelo, de 1 a 50. Por defecto: 3. Por cada una aparece un campo Feature 1, Feature 2…, donde escribes o arrastras el nombre exacto de la columna. Las columnas pueden ser números o texto. No incluyas aquí la columna que quieres predecir.
Target Column (obligatorio en Classification y Regression)	La columna que quieres predecir, por ejemplo `precio` o `se_da_de_baja`. Aparece en Train y en Evaluate.

Opciones avanzadas

Campo	Qué hace
Test Size	Solo en Train, con Classification y Regression. Qué parte de los datos se aparta para medir el acierto en lugar de usarse para aprender. Por defecto: 0,2 (el 20 %). Con 0 se aprende con todo y no se mide sobre datos apartados.
Number of Clusters	Solo en Train, con Clustering. Cuántos grupos buscar con K-Means o Agglomerative. Por defecto: 3. DBSCAN decide por sí mismo el número de grupos e ignora este valor.

Resultado

La salida Result devuelve datos que puedes conectar a cualquier componente que trabaje con datos, por ejemplo para guardarlos en una base de datos, enviarlos por correo o pasarlos a un agente.

Train: un resumen del entrenamiento con el nombre del modelo, las columnas usadas, el número de filas y las medidas de acierto. En Classification incluye la proporción de aciertos (accuracy) y otras medidas de calidad (precision, recall, f1); en Regression, el error medio (mae, rmse) y cuánto explica el modelo (r2); en Anomaly Detection, cuántas filas del entrenamiento parecen anómalas; en Clustering, cuántos grupos ha encontrado.
Predict: una fila por cada fila de entrada, con sus columnas originales y el resultado añadido: prediction (con la probabilidad de cada categoría en Classification), is_anomaly (verdadero o falso) en Anomaly Detection o cluster_id (el número de grupo) en Clustering.
Evaluate: las mismas medidas de acierto que en el entrenamiento, calculadas sobre los datos que has conectado.

Ejemplo

Una cadena de gimnasios, Gimnasios Brisa, quiere saber qué socios pueden darse de baja:

En un flujo, una consulta a su base de datos devuelve el historial de socios con las columnas visitas_mes, meses_alta, tarifa y se_dio_de_baja.
Conecta esos datos a Data, elige Train, Classification, pon Number of Features en 3 y escribe visitas_mes, meses_alta y tarifa en los campos Feature. En Target Column escribe se_dio_de_baja y llama al modelo bajas_socios_v1.
En otro flujo programado cada lunes, la consulta devuelve los socios actuales. Con Predict y el modelo bajas_socios_v1, cada socio sale con su predicción y su probabilidad, y el flujo envía al equipo comercial la lista de los que tienen más riesgo.

Buenas prácticas

Empieza con pocas columnas que creas que influyen de verdad. Más columnas no siempre mejoran el resultado.
Usa los mismos nombres de columna en Train, Predict y Evaluate: deben coincidir exactamente, incluidas mayúsculas y minúsculas.
Evalúa con datos recientes de vez en cuando para saber si el modelo ha dejado de acertar.
Para volver a entrenar, usa un nombre nuevo (por ejemplo v2) o borra antes el modelo anterior desde el almacenamiento: si el nombre ya existe, el entrenamiento se detiene con un error para no sobrescribirlo.

Componentes relacionados

Text Classifier: para clasificar textos libres en lugar de tablas.
Recommender: para recomendar productos o contenidos a partir de un historial.
CSV to Data List: para convertir un CSV en la lista de filas que necesita Data.