Ver la precisión y el rendimiento de los modelos de puntuación predictiva

Conocer la precisión de un modelo de puntuación predictivo le ayuda a decidir si el modelo está listo para usar o si necesita ajustarlo para una mayor precisión. También lo ayuda a convencer a su equipo de liderazgo y a los vendedores de que adopten el modelo para obtener mejores resultados comerciales.

Las métricas descritas en este artículo se aplican tanto a la puntuación de oportunidades como a la puntuación de clientes potenciales.

Requisitos de licencia y rol

Tipo de requisito	Debe tener
Licencia	Dynamics 365 Sales Premium o Dynamics 365 Sales Enterprise Más información: Precios de Dynamics 365 Sales
Roles de seguridad	Administrador del sistema Más información: Roles de seguridad predefinidos para Sales

Factores que influyen en la precisión

Un modelo de puntuación predictivo calcula la probabilidad de que una oportunidad o cliente potencial se convierta en una venta. La precisión del modelo depende de los siguientes factores:

• La calidad y tamaño de los datos disponibles para entrenar el modelo
• Selección de flujo de proceso de negocio y filtros
• Etapas y atributos elegidos, si el modelo está usa el modelado por etapa

El modelo se entrena utilizando el 80% de las oportunidades cerradas o clientes potenciales en el conjunto de datos de entrenamiento. Se valida usando el 20 % restante como un conjunto de datos de prueba, que consta de los registros más recientes. La precisión del modelo se calcula en la prueba validada conjunto de datos en función de varios parámetros, como verdaderos positivos, falsos positivos, etc.

Ver métricas de precisión y rendimiento

1. Vaya a Cambiar área en la esquina inferior izquierda de la aplicación Centro de ventas y seleccione Configuración de Sales Insights.

2. En el mapa del sitio, en Modelos predictivos, seleccione Puntuación de oportunidades o Puntuación de clientes potenciales.

3. En la lista Seleccionar modelo, seleccione un modelo.

4. Seleccione la pestaña Rendimiento.

   

La pestaña Rendimiento muestra las siguientes métricas. Si no ve ninguna métrica en la pestaña Rendimiento, editar y volver a entrenar un modelo de puntuación de oportunidad.

• Rendimiento del modelo: especifica si el modelo está listo para publicar según los siguientes parámetros:

  • Precisión: Indica la frecuencia con la que su modelo realiza predicciones correctas, ya sea como positivas o negativas. Esta métrica es más útil cuando el conjunto de datos está equilibrado y el coste de los falsos positivos y los falsos negativos es el mismo. La puntuación de precisión se calcula mediante la fórmula siguiente:

    Precisión = (TP + TN) / (Número total de oportunidades o clientes potenciales calificados) *100

  • Coincidencia: Indica con qué frecuencia el modelo predijo correctamente un resultado positivo en comparación con los resultados positivos reales. Una puntuación de coincidencia baja significa que el modelo predice menos positivos verdaderos. La puntuación de coincidencia se calcula mediante la fórmula siguiente:

    Coincidencia = TP / (TP + FN) * 100

  • Tasa de conversión: el porcentaje de oportunidades o clientes potenciales que calificaron o ganaron según los datos históricos, o la probabilidad de que una oportunidad o cliente potencial se convierta. El modelo usa este valor para determinar cómo un atributo influirá en la puntuación predictiva. La puntuación de conversión se calcula mediante la fórmula siguiente:

    Tasa de conversión = (TP + FN) / (Número total de oportunidades o clientes potenciales calificados) *100

• Matriz de confusión: Indica lo bien que su modelo puede predecir los resultados cuando se probó con datos históricos. La matriz muestra el número de verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos.

  Metric	Previsto	Real
  Verdadero positivo (VP)	Sí	Sí
  Verdadero negativo (VN)	No	No
  Falso positivo (FP)	Sí	No
  Falso negativo (FN)	No	Sí

• Zona por debajo de la curva: Muestra la puntuación del área bajo la curva (AUC) del modelo. La puntuación AUC determina la probabilidad de que un modelo clasifique una instancia positiva elegida al azar (una oportunidad ganada o un cliente potencial cualificado) más alta que una negativa elegida al azar (una oportunidad perdida o un cliente potencial descalificado). Un modelo con un AUC más alto es mejor para predecir verdaderos positivos y verdaderos negativos.

• Puntucuación F1: Muestra la puntuación F1 calculada en función de la precisión del modelo y las puntuaciones de recuperación. La puntuación F1 le permite determinar la calidad del modelo incluso en casos de desequilibrio de datos.

• Umbral: Define el umbral en el que el cliente potencial o la oportunidad se considera calificado o ganado. Por ejemplo, si el umbral es 45, las oportunidades con una puntuación superior a 45 se pronosticarán como ganadas. El umbral se selecciona para optimizar la puntuación F1.

Ejemplo: métricas de rendimiento del modelo

Veamos los resultados de predicción para una muestra de conjunto de datos de 1000 oportunidades:

Datos	Número de oportunidades
Verdadero positivo	650
Falso positivo	200
Verdadero negativo	100
Falso negativo	50

El modelo predijo que se ganarían 850 oportunidades (TP+FP), sin embargo, solo se ganaron 650 (TP) oportunidades. De manera similar, el modelo predijo que se perderían 150 (TN + FN) oportunidades, pero solo se perdieron 100 (TN) oportunidades.

La tabla siguiente muestra las métricas para los datos.

Metric	Puntuación
Precisión	(650 + 100) / 1000 = 75 %
Recuperar	650 / (650 + 50) = 92 %
Tasa de conversión	(650 + 50) / 1000 = 70 %

Mejorar el rendimiento del modelo

Si su modelo no está listo para publicarse o no está funcionando bien, pruebe los siguientes pasos para mejorar sus puntajes.

• Revisar los atributos que usa.
• Vea información de atributos para comprender su influencia en la predicción general del modelo.
• Ignore los valores vacíos para los atributos que tienen un mayor porcentaje de valores vacíos y, por lo tanto, puedan contribuir a falsos positivos o falsos negativos.
• Incluya campos inteligentes para ayudar a un modelo de puntuación de clientes potenciales a distinguir entre los factores que mejoran o perjudican la puntuación.
• Utilice modelos por etapa en un modelo de puntuación de oportunidades para elegir los atributos que se aplicarán a cada etapa del proceso empresarial.
• Refine los criterios de filtro, el período de tiempo para los datos de entrenamiento u otras configuraciones del modelo. Por ejemplo, si ha elegido un período de tiempo de dos años para los datos de entrenamiento y hay demasiadas pruebas o registros incorrectos durante ese período, elija un período de tiempo menor, seis meses o un año, cuando la calidad de los datos sea mejor.

¿No encuentra las opciones en su aplicación?

Hay tres posibilidades:

• No tienes la licencia o rol necesario. Consulte la sección Requisitos de licencia y rol en la parte superior de esta página.
• Su administrador no ha activado la característica.
• Su organización está usando una aplicación personalizada. Consulte al administrador para conocer los pasos exactos. Los pasos descritos en este artículo son específicos de las aplicaciones Centro de ventas y Sales Professional lista para usar.

Información relacionada

Configurar la puntuación de clientes potenciales predictiva
Configurar puntuación predictiva de oportunidades