Hispanopedia Wiki
Articulo de referencia

Análisis predictivo

El análisis predictivo abarca una variedad de técnicas estadísticas, desde la minería de datos , el modelado predictivo y el aprendizaje automático , que analizan hechos actuale...

Hispanopedia WikiContenido en espanolLectura gratuita

El análisis predictivo abarca una variedad de técnicas estadísticas, desde la minería de datos , el modelado predictivo y el aprendizaje automático , que analizan hechos actuales e históricos para hacer predicciones sobre eventos futuros o desconocidos. [ 1 ]

En el ámbito empresarial, los modelos predictivos aprovechan los patrones presentes en los datos históricos y transaccionales para identificar riesgos y oportunidades. Estos modelos capturan las relaciones entre múltiples factores, lo que permite evaluar el riesgo o el potencial asociado a un conjunto específico de condiciones y orientar la toma de decisiones para posibles transacciones. [ 2 ]

El efecto funcional que define estos enfoques técnicos es que el análisis predictivo proporciona una puntuación predictiva (probabilidad) para cada individuo (cliente, empleado, paciente sanitario, SKU de producto, vehículo, componente, máquina u otra unidad organizativa) con el fin de determinar, informar o influir en los procesos organizativos que afectan a un gran número de individuos, como en marketing, evaluación de riesgos crediticios, detección de fraudes, fabricación, atención médica y operaciones gubernamentales, incluidas las fuerzas del orden.

Desde 2022, el campo ha evolucionado significativamente con la integración de la IA generativa y los grandes modelos de lenguaje (LLM), pasando de la predicción puramente numérica a la "GenAI predictiva", que combina la predicción con la generación automatizada de contenido y los flujos de trabajo basados ​​en agentes. [ 3 ]

Definición

El análisis predictivo es un conjunto de tecnologías de inteligencia empresarial (BI) que descubre relaciones y patrones dentro de grandes volúmenes de datos que pueden usarse para predecir comportamientos y eventos. A diferencia de otras tecnologías de BI, el análisis predictivo mira hacia el futuro, utilizando eventos pasados ​​para anticipar el futuro. [ 4 ]

Las técnicas estadísticas de análisis predictivo incluyen el modelado de datos , el aprendizaje automático , la inteligencia artificial , los algoritmos de aprendizaje profundo y la minería de datos . A menudo, el evento desconocido de interés se sitúa en el futuro, pero el análisis predictivo puede aplicarse a cualquier tipo de incógnita, ya sea del pasado, del presente o del futuro. Por ejemplo, la identificación de sospechosos tras la comisión de un delito o el fraude con tarjetas de crédito en el momento en que se produce. [ 5 ]

La base del análisis predictivo reside en capturar las relaciones entre las variables explicativas y las variables predichas a partir de sucesos pasados, y explotarlas para predecir el resultado desconocido. La precisión y la utilidad de los resultados dependen en gran medida del nivel de análisis de datos y de la calidad de las suposiciones. [ 1 ]

Evolución e integración de la IA generativa (2022-presente)

Tradicionalmente, el análisis predictivo se centraba en modelos discriminativos : algoritmos que clasifican datos o predicen un valor (por ejemplo, "¿Este cliente se dará de baja?"). Desde 2023, la aparición de la IA generativa ha ampliado las capacidades de este campo.

  • GenAI predictiva: Este enfoque híbrido utiliza modelos predictivos para identificar un evento futuro y modelos generativos para crear una intervención. Por ejemplo, un modelo predictivo puede señalar a un cliente de alto riesgo, mientras que un modelo generativo redacta un correo electrónico de retención personalizado. [ 6 ]
  • Generación de datos sintéticos: Las redes generativas antagónicas ( GAN ) y los autoencoders variacionales se utilizan para crear conjuntos de datos sintéticos, lo que permite a las organizaciones entrenar modelos predictivos con datos que imitan patrones del mundo real sin comprometer la privacidad del usuario. [ 7 ]
  • Consultas en lenguaje natural: Los usuarios empresariales ahora pueden utilizar el procesamiento del lenguaje natural (PLN) para consultar datos (por ejemplo, "Muéstrame las previsiones de ventas para el cuarto trimestre ajustadas por la inflación") sin necesidad de conocimientos de SQL o Python, lo que reduce la barrera de entrada para el análisis de datos. [ 8 ]

Conjunto de tecnologías

La pila tecnológica moderna para el análisis predictivo, a menudo denominada "Pila de Datos Moderna", ha pasado de utilizar servidores locales a arquitecturas nativas de la nube y en tiempo real.

Infraestructura

  • Data Lakehouses: Plataformas como Databricks y Snowflake combinan la estructura de los almacenes de datos con la flexibilidad de los lagos de datos. Esto permite que los modelos predictivos se ejecuten directamente sobre grandes volúmenes de datos sin procesar. [ 9 ]
  • Bases de datos vectoriales: Para respaldar el análisis impulsado por IA, las bases de datos vectoriales (como Pinecone o Weaviate) almacenan datos como vectores de alta dimensión. Esto permite la búsqueda semántica y que los modelos predictivos incorporen datos no estructurados como texto, audio y video. [ 10 ]

Técnicas analíticas

Los enfoques y las técnicas utilizadas para realizar análisis predictivos se pueden agrupar, a grandes rasgos, en técnicas de regresión y técnicas de aprendizaje automático.

Aprendizaje automático

El aprendizaje automático puede definirse como la capacidad de una máquina para aprender y luego imitar el comportamiento humano que requiere inteligencia. Esto se logra mediante inteligencia artificial, algoritmos y modelos. [ 11 ]

Modelo autorregresivo integrado de media móvil (ARIMA)

Los modelos ARIMA son un ejemplo común de modelos de series temporales . Estos modelos utilizan autorregresión, lo que significa que se pueden ajustar con un software de regresión que emplea aprendizaje automático para realizar la mayor parte del análisis de regresión y el suavizado. Se sabe que los modelos ARIMA no presentan una tendencia general, sino una variación alrededor de la media con amplitud constante, lo que da como resultado patrones temporales estadísticamente similares. De esta manera, se analizan las variables y se filtran los datos para comprender y predecir mejor los valores futuros. [ 12 ] [ 13 ]

Un ejemplo de método ARIMA son los modelos de suavizado exponencial. El suavizado exponencial tiene en cuenta la diferencia de importancia entre los conjuntos de datos más antiguos y los más recientes, ya que los datos más recientes son más precisos y valiosos para predecir valores futuros. Para lograr esto, se utilizan exponentes para dar mayor peso a los conjuntos de datos más recientes en los cálculos que a los más antiguos. [ 14 ]

Modelos de series temporales

Los modelos de series temporales son un subconjunto del aprendizaje automático que utiliza series temporales para comprender y pronosticar datos a partir de valores pasados. Una serie temporal es la secuencia del valor de una variable en periodos igualmente espaciados, como años o trimestres en aplicaciones empresariales. [ 15 ] Para lograr esto, los datos deben suavizarse, o bien se debe eliminar la varianza aleatoria de los datos para revelar las tendencias. Existen varias maneras de lograrlo.

Media móvil única

Los métodos de media móvil simple utilizan conjuntos de datos pasados ​​cada vez más pequeños para disminuir el error asociado con el cálculo de una sola media, lo que resulta en una media más precisa que la que se obtendría al calcular la media de todo el conjunto de datos. [ 16 ]

Media móvil centrada

Los métodos de media móvil centrada utilizan los datos de los métodos de media móvil simple calculando la media del conjunto de datos con la mediana. Sin embargo, dado que el conjunto de datos con la mediana es difícil de calcular con conjuntos de datos pares, este método funciona mejor con conjuntos de datos impares que con pares. [ 17 ]

Modelado predictivo

El modelado predictivo es una técnica estadística que se utiliza para predecir el comportamiento futuro. Emplea modelos predictivos para analizar la relación entre una unidad específica de una muestra determinada y una o más características de dicha unidad. El objetivo de estos modelos es evaluar la probabilidad de que una unidad de otra muestra presente el mismo patrón. Las soluciones de modelado predictivo pueden considerarse un tipo de tecnología de minería de datos. Los modelos pueden analizar datos históricos y actuales y generar un modelo para predecir posibles resultados futuros. [ 18 ]

Independientemente de la metodología empleada, en general, el proceso de creación de modelos predictivos implica los mismos pasos. Primero, es necesario determinar los objetivos del proyecto y los resultados deseados, y traducirlos en objetivos y tareas de análisis predictivo. Luego, se analizan los datos de origen para determinar el enfoque de datos y construcción de modelos más apropiado (los modelos son tan útiles como los datos aplicables utilizados para construirlos). Se seleccionan y transforman los datos para crear los modelos. Se crean y prueban los modelos para evaluar su validez y su capacidad para cumplir con los objetivos y métricas del proyecto. Se aplican los resultados del modelo a los procesos de negocio apropiados (identificar patrones en los datos no significa necesariamente que una empresa comprenda cómo aprovecharlos o capitalizarlos). Posteriormente, se gestionan y mantienen los modelos para estandarizar y mejorar el rendimiento (la demanda de gestión de modelos aumentará para cumplir con las nuevas normativas de cumplimiento). [ 19 ]

Análisis de regresión

Generalmente, el análisis de regresión utiliza datos estructurales junto con los valores pasados ​​de las variables independientes y la relación entre ellas y la variable dependiente para formular predicciones. [ 12 ]

Regresión lineal

En la regresión lineal , se construye un gráfico donde los valores anteriores de la variable dependiente se representan en el eje Y y la variable independiente que se está analizando en el eje X. A continuación, un programa estadístico construye una línea de regresión que representa la relación entre las variables independiente y dependiente, la cual se puede utilizar para predecir los valores de la variable dependiente basándose únicamente en la variable independiente. Junto con la línea de regresión, el programa también muestra una ecuación de pendiente-ordenada al origen para la línea, que incluye un término de error de la regresión; cuanto mayor sea el valor del término de error, menos preciso será el modelo de regresión. Para disminuir el valor del término de error, se introducen otras variables independientes en el modelo y se realizan análisis similares sobre estas variables independientes. [ 12 ] [ 20 ]

Aplicaciones

Revisión analítica y expectativas condicionales en auditoría

Un aspecto importante de la auditoría es la revisión analítica. En la revisión analítica, se determina la razonabilidad de los saldos de las cuentas que se investigan. Los auditores llevan a cabo este proceso mediante modelos predictivos para generar predicciones, denominadas expectativas condicionales, de los saldos auditados, utilizando métodos de promedio móvil integrado autorregresivo (ARIMA) y métodos generales de análisis de regresión, [ 12 ] específicamente mediante los métodos de la Técnica Estadística para la Revisión Analítica (STAR). [ 21 ]

El método ARIMA para la revisión analítica utiliza el análisis de series temporales de saldos auditados anteriores para generar expectativas condicionales. Estas expectativas condicionales se comparan con los saldos reales registrados en la cuenta auditada para determinar la proximidad de los saldos registrados a las expectativas. Si los saldos registrados se aproximan a las expectativas, no se realiza una auditoría adicional de las cuentas. Si los saldos registrados difieren significativamente de las expectativas, existe una mayor probabilidad de un error contable material y se lleva a cabo una auditoría adicional. [ 21 ]

Los métodos de análisis de regresión se implementan de manera similar, excepto que el modelo de regresión utilizado asume la disponibilidad de una sola variable independiente. La materialidad de la variable independiente que contribuye a los saldos de las cuentas auditadas se determina utilizando saldos de cuentas anteriores junto con datos estructurales actuales. [ 12 ] La materialidad es la importancia de una variable independiente en su relación con la variable dependiente. [ 22 ] En este caso, la variable dependiente es el saldo de la cuenta. A través de esto, la variable independiente más importante se utiliza para crear la expectativa condicional y, de manera similar al método ARIMA, la expectativa condicional se compara con el saldo de la cuenta reportado y se toma una decisión en función de la proximidad de los dos saldos. [ 12 ]

Los métodos STAR operan mediante análisis de regresión y se dividen en dos métodos. El primero es el enfoque de saldo mensual STAR, donde las expectativas condicionales y el análisis de regresión se basan en un mes específico auditado. El otro método es el enfoque de saldo anual STAR, que se aplica a mayor escala al basar las expectativas condicionales y el análisis de regresión en un año completo auditado. Aparte de la diferencia en el período auditado, ambos métodos funcionan de la misma manera: comparan los saldos esperados y los reportados para determinar qué cuentas requieren una investigación más profunda. [ 21 ]

Valor empresarial

A medida que avanzamos hacia un mundo de avances tecnológicos donde cada vez se crea y almacena más datos digitalmente, las empresas buscan maneras de aprovechar esta oportunidad y utilizar esta información para generar ganancias. El análisis predictivo puede utilizarse y ofrece numerosos beneficios a una amplia gama de empresas, incluyendo gestoras de activos, aseguradoras, empresas de comunicación y muchas otras. En un estudio realizado por IDC Analyze the Future, Dan Vasset y Henry D. Morris explican cómo una gestora de activos utilizó el análisis predictivo para desarrollar una mejor campaña de marketing. Pasaron de un enfoque de marketing masivo a uno centrado en el cliente, donde en lugar de enviar la misma oferta a todos, personalizaban cada oferta según las necesidades de cada cliente. El análisis predictivo se utilizó para predecir la probabilidad de que un cliente potencial aceptara una oferta personalizada. Gracias a la campaña de marketing y al análisis predictivo, la tasa de aceptación de la empresa se disparó, triplicando el número de personas que aceptaron sus ofertas personalizadas. [ 23 ]

Los avances tecnológicos en el análisis predictivo han incrementado su valor para las empresas. Un avance tecnológico importante es la mayor potencia de los ordenadores, lo que permite al análisis predictivo generar pronósticos sobre grandes conjuntos de datos con mucha mayor rapidez. Esta mayor capacidad de procesamiento también conlleva un mayor volumen de datos y aplicaciones, lo que se traduce en una gama más amplia de datos de entrada para el análisis predictivo. Otro avance tecnológico incluye una interfaz más intuitiva, lo que reduce las barreras de entrada y la necesidad de una formación menos extensa para que los empleados utilicen el software y las aplicaciones de forma eficaz. Gracias a estos avances, cada vez más empresas están adoptando el análisis predictivo y observando los beneficios en la eficiencia y la eficacia de sus empleados, así como en sus beneficios. [ 24 ]

Predicción del flujo de caja

Los modelos ARIMA univariados y multivariados pueden utilizarse para pronosticar los flujos de efectivo futuros de una empresa , ya que sus ecuaciones y cálculos se basan en los valores pasados ​​de ciertos factores que contribuyen a dichos flujos. Mediante el análisis de series temporales, se pueden analizar y extrapolar los valores de estos factores para predecir los flujos de efectivo futuros de la empresa. En los modelos univariados, los valores pasados ​​de los flujos de efectivo son el único factor utilizado en la predicción. Por otro lado, los modelos multivariados utilizan múltiples factores relacionados con los datos de acumulación, como el resultado operativo antes de la depreciación. [ 25 ]

Otro modelo utilizado para predecir flujos de efectivo se desarrolló en 1998 y se conoce como el modelo de Dechow, Kothari y Watts, o DKW (1998). DKW (1998) utiliza análisis de regresión para determinar la relación entre múltiples variables y flujos de efectivo. Mediante este método, el modelo encontró que los cambios en los flujos de efectivo y los devengos están relacionados negativamente, específicamente a través de las ganancias actuales, y utilizando esta relación predice los flujos de efectivo para el siguiente período. El modelo DKW (1998) deriva esta relación a través de las relaciones de los devengos y los flujos de efectivo con las cuentas por pagar y por cobrar, junto con el inventario. [ 26 ]

protección infantil

Algunas agencias de bienestar infantil han comenzado a utilizar análisis predictivos para identificar casos de alto riesgo. [ 27 ] Por ejemplo, en el condado de Hillsborough, Florida , el uso de una herramienta de modelado predictivo por parte de la agencia de bienestar infantil ha evitado muertes infantiles relacionadas con el abuso en la población objetivo. [ 28 ]

La predicción del resultado de las decisiones judiciales puede realizarse mediante programas de IA. Estos programas pueden utilizarse como herramientas de apoyo para los profesionales de este sector. [ 29 ] [ 30 ]

Predicción a nivel de cartera, producto o economía

A menudo, el foco del análisis no es el consumidor, sino el producto, la cartera, la empresa, la industria o incluso la economía. Por ejemplo, un minorista podría estar interesado en predecir la demanda a nivel de tienda para la gestión de inventario. O la Reserva Federal podría estar interesada en predecir la tasa de desempleo para el próximo año. Este tipo de problemas se pueden abordar mediante análisis predictivos utilizando técnicas de series temporales (véase más adelante). También se pueden abordar mediante enfoques de aprendizaje automático que transforman la serie temporal original en un espacio vectorial de características, donde el algoritmo de aprendizaje encuentra patrones con poder predictivo. [ 31 ] [ 32 ]

Suscripción

Muchas empresas deben tener en cuenta la exposición al riesgo derivada de sus diferentes servicios y determinar los costos necesarios para cubrirlo. El análisis predictivo puede ayudar a evaluar estas cantidades prediciendo las probabilidades de enfermedad, impago , quiebra , etc. El análisis predictivo puede agilizar el proceso de captación de clientes prediciendo el comportamiento de riesgo futuro de un cliente utilizando datos a nivel de aplicación. El análisis predictivo en forma de puntuaciones crediticias ha reducido el tiempo necesario para la aprobación de préstamos, especialmente en el mercado hipotecario. Un análisis predictivo adecuado puede conducir a decisiones de precios correctas, lo que puede ayudar a mitigar el riesgo futuro de impago. El análisis predictivo puede utilizarse para mitigar el riesgo moral y prevenir accidentes. [ 33 ]

Véase también

Referencias

  1. 1 2 Nyce, Charles (2007). "Documento técnico sobre análisis predictivo" . Instituto Americano de Aseguradores Certificados de Propiedad y Accidentes. pág.  1.
  2. ↑ Siegel, Eric (2016). Análisis predictivo: El poder de predecir quién hará clic, comprará, mentirá o morirá . Wiley. ISBN 978-1119145677.
  3. ↑ "El estado de la IA en 2025: Agentes, innovación y transformación" . McKinsey & Company . 5 de noviembre de 2025. Consultado el 24 de noviembre de 2025 .
  4. ↑ Eckerson, Wayne W. (2007). Análisis predictivo: Ampliando el valor de su inversión en almacenamiento de datos (Informe). Informe de mejores prácticas de TDWI.
  5. ↑ Kelleher, John D.; Mac Namee, Brian; D'Arcy, Aoife (2015). Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos prácticos y estudios de caso . MIT Press .
  6. ↑ "Mejor juntos: IA generativa y análisis predictivo" . Pecan AI. 22 de mayo de 2024. Consultado el 24 de noviembre de 2025 .
  7. ↑ "Tendencias de 2025: IA generativa frente a IA predictiva y sus roles emergentes" . Kanerika. 16 de octubre de 2024.
  8. ↑ Chen, Qin (2025). Modelos de lenguaje a gran escala para el análisis predictivo: ¿hasta dónde llegan? . Resultados de la Asociación de Lingüística Computacional: ACL 2025.
  9. ↑ "Databricks nombrada líder en el Cuadrante Mágico™ de Gartner® 2025 para sistemas de gestión de bases de datos en la nube" . Databricks. 21 de noviembre de 2025.
  10. ↑ "Tendencias que darán forma a la pila de datos moderna en 2024" . Hacia la ciencia de datos. 10 de enero de 2024.
  11. ↑ "Aprendizaje automático, explicado" . MIT Sloan . 21 de abril de 2021. Consultado el 6 de mayo de 2022 .
  12. 1 2 3 4 5 6 Kinney, William R. (1978). "ARIMA y regresión en la revisión analítica: una prueba empírica". The Accounting Review . 53 (1): 48– 60. ISSN 0001-4826 . JSTOR 245725 .  
  13. ↑ "Introducción a los modelos ARIMA" . people.duke.edu . Consultado el 6 de mayo de 2022 .
  14. ↑ "6.4.3. ¿Qué es el suavizado exponencial?" . www.itl.nist.gov . Consultado el 6 de mayo de 2022 .
  15. ↑ "6.4.1. Definiciones, aplicaciones y técnicas" . www.itl.nist.gov . Consultado el 6 de mayo de 2022 .
  16. ↑ "6.4.2.1. Media móvil simple" . www.itl.nist.gov . Consultado el 6 de mayo de 2022 .
  17. ↑ "6.4.2.2. Media móvil centrada" . www.itl.nist.gov . Consultado el 6 de mayo de 2022 .
  18. ↑ McCarthy, Richard; McCarthy, Mary; Ceccucci, Wendy (2021). Aplicación de análisis predictivo: encontrar valor en los datos . Springer.
  19. ↑ Eckerson, Wayne, W (2007). "Análisis predictivo. Ampliando el valor de su inversión en almacenamiento de datos" (PDF) .{{cite web}}: CS1 maint: varios nombres: lista de autores ( enlace )
  20. ↑ "Regresión lineal" . www.stat.yale.edu . Consultado el 6 de mayo de 2022 .
  21. 1 2 3 Kinney, William R.; Salamon, Gerald L. (1982). "Análisis de regresión en auditoría: una comparación de reglas de investigación alternativas". Journal of Accounting Research . 20 (2): 350– 366. doi : 10.2307/2490745 . ISSN 0021-8456 . JSTOR 2490745 .  
  22. ↑ PricewaterhouseCoopers. "Materialidad en las auditorías" . PwC . Consultado el 3 de mayo de 2022 .
  23. ↑ Vesset, Dan; Morris, Henry D. (junio de 2011). "El valor comercial de la analítica predictiva" (PDF) . Libro blanco : 1–3 .
  24. ↑ Stone, Paul (abril de 2007). "Introducción a la analítica predictiva: oportunidades" . All Days . doi : 10.2118/106865-MS .
  25. ↑ Lorek, Kenneth S.; Willinger, G. Lee (1996). "Un modelo de predicción de series temporales multivariadas para datos de flujo de caja". The Accounting Review . 71 (1): 81– 102. ISSN 0001-4826 . JSTOR 248356 .  
  26. ↑ Barth, Mary E.; Cram, Donald P.; Nelson, Karen K. (2001). "Accumals and the Prediction of Future Cash Flows". The Accounting Review . 76 (1): 27– 58. doi : 10.2308/accr.2001.76.1.27 . ISSN 0001-4826 . JSTOR 3068843 .  
  27. ↑ Reform, Fostering (2016-02-03). "Nuevas estrategias largamente esperadas para medir el riesgo de bienestar infantil" . The Imprint . Recuperado el 2022-05-03 .
  28. ↑ "A nuestro alcance: una estrategia nacional para eliminar las muertes por maltrato y negligencia infantil" (PDF) . Comisión para la Eliminación de las Muertes por Maltrato y Negligencia Infantil . 2016. Archivado del original (PDF) el 14 de junio de 2021.
  29. ↑ Aletras, Nikolaos; Tsarapatsanis, Dimitrios; Preoţiuc-Pietro, Daniel; Lampos, Vasileios (2016). "Predecir decisiones judiciales del Tribunal Europeo de Derechos Humanos: una perspectiva del procesamiento del lenguaje natural" . PeerJ Ciencias de la Computación . 2 : e93. doi : 10.7717/peerj-cs.93 . S2CID 7630289 . 
  30. ↑ UCL (24-10-2016). "La IA predice los resultados de los juicios por derechos humanos" . Noticias de la UCL . Consultado el 3-05-2022 .
  31. ↑ Dhar, Vasant (6 de mayo de 2011). "Predicción en los mercados financieros: El caso de los pequeños disyuntos" . ACM Transactions on Intelligent Systems and Technology . 2 (3): 1– 22. doi : 10.1145/1961189.1961191 . ISSN 2157-6904 . S2CID 11213278 .  
  32. ↑ Dhar, Vasant; Chou, Dashin; Provost, Foster (2000-10-01). "Descubriendo patrones interesantes para la toma de decisiones de inversión con GLOWER ◯-Un aprendiz genético superpuesto con reducción de entropía". Minería de datos y descubrimiento de conocimiento . 4 (4): 251– 280. doi : 10.1023/A:1009848126475 . ISSN 1384-5810 . S2CID 1982544 .  
  33. ↑ Montserrat, Guillen; Cevolini, Alberto (noviembre de 2021). "Uso de análisis de riesgos para prevenir accidentes antes de que ocurran: el futuro de los seguros" . Journal of Financial Transformation .

Lecturas adicionales

  • Agresti, Alan (2002). Análisis de datos categóricos . Hoboken: John Wiley & Sons . ISBN 0-471-36093-7.
  • Coggeshall, Stephen; Davies, John; Jones, Roger ; Schutzer, Daniel (1995). «Sistemas de seguridad inteligentes». En Freedman, Roy S.; Flein, Robert A.; Lederman, Jess (eds.). Inteligencia artificial en los mercados de capitales . Chicago: Irwin. ISBN 1-55738-811-3.
  • Coker, Frank (2014). Pulse: Entendiendo los signos vitales de su negocio . Bellevue, WA: Ambient Light Publishing. ISBN 978-0-9893086-0-1.
  • Devroye, L.; Györfi, L.; Lugosi, G. (1996). Una teoría probabilística del reconocimiento de patrones . Nueva York: Springer-Verlag. ISBN 9781461207115– vía Google Libros .
  • Enders, Walter (2004). Econometría aplicada de series temporales . Hoboken: John Wiley & Sons . ISBN 0-521-83919-X.
  • Finlay, Steven (2014). Análisis predictivo, minería de datos y macrodatos. Mitos, conceptos erróneos y métodos . Basingstoke: Palgrave Macmillan . ISBN 978-1-137-37927-6.
  • Greene, William (2012). Análisis econométrico (7.ª  ed.). Londres: Prentice Hall . ISBN 978-0-13-139538-1.
  • Guidère, Mathieu; Howard, N; Argamon, Sh. (2009). Análisis del lenguaje enriquecido para la lucha contra el terrorismo . Berlín, Londres, Nueva York: Springer-Verlag. ISBN 978-3-642-01140-5.
  • Mitchell, Tom (1997). Aprendizaje automático . Nueva York: McGraw-Hill . ISBN 0-07-042807-7.
  • Tukey, John (1977). Análisis exploratorio de datos . Nueva York: Addison-Wesley. ISBN 0-201-07616-0.