Este estimador calcula la proporción de clientes clasificados incorrectamente dentro de una evaluación de segmentación. Divide las asignaciones consideradas erróneas entre el total revisado y muestra, además, la tasa de clasificaciones correctas y una escala de errores por 1.000 casos.
Puede utilizarse al validar reglas de segmentación, modelos supervisados o asignaciones revisadas por analistas. La métrica es sencilla, por lo que conviene acompañarla de criterios de validación claros y, cuando importe el tipo de error, de métricas específicas por clase.
1. Defina qué cuenta como error. Use una referencia consistente para determinar si una asignación de segmento es correcta.
2. Introduzca el total evaluado. Cuente clientes con una decisión de validación disponible.
3. Añada las clasificaciones erróneas. El valor debe ser un subconjunto del total.
4. Revise la tasa global. Use el desglose para ver también aciertos y errores por 1.000 casos.
La fórmula trata cada cliente como una observación y pondera todos los errores por igual. No distingue entre clases ni entre tipos de error.
La tasa indica qué fracción de las asignaciones revisadas no coincide con la referencia usada para validar.
En clases muy desequilibradas, una tasa global puede ocultar un rendimiento deficiente en segmentos pequeños.
Datos: 2.500 clientes evaluados y 175 clasificaciones erróneas.
Cálculo: 175 / 2.500 × 100 = 7,00 %. Correctas = 2.500 − 175 = 2.325.
Resultado: error = 7,00 %; tasa correcta = 93,00 %; 70 errores por 1.000 clientes.
Interpretación: siete de cada cien asignaciones revisadas se consideran incorrectas bajo el criterio de validación.
Es un cliente cuya asignación de segmento se considera incorrecta según una referencia o revisión definida, como etiquetas validadas, reglas de negocio o control manual.
Sí, si quiere una tasa global de errores de clasificación. Para diagnosticar el tipo de fallo conviene además medirlos por separado.
Solo si “precisión” se usa como proporción total de clasificaciones correctas. No debe confundirse con precision en clasificación, que tiene una definición específica basada en verdaderos y falsos positivos.
La tasa observada será 0 %, aunque eso no demuestra que la tasa real sea exactamente cero.
Aplique el mismo conjunto de validación y el mismo criterio de error a ambas versiones; después compare las tasas y, si es necesario, la incertidumbre de la diferencia.