Vorhersagemodellierung

Was ist Vorhersagemodellierung?

Bei der Vorhersagemodellierung werden bekannte Ergebnisse verwendet, um ein Modell zu erstellen, zu verarbeiten und zu validieren, das zur Vorhersage zukünftiger Ergebnisse verwendet werden kann. Es ist ein Werkzeug, das in Predictive Analytics verwendet wird, einer Data-Mining-Technik, die versucht, die Frage "Was könnte möglicherweise in der Zukunft passieren?" zu beantworten.

Predictive Modeling verstehen

Durch die Analyse historischer Ereignisse können Unternehmen mithilfe von Vorhersagemodellen die Wahrscheinlichkeit erhöhen, Ereignisse, Kundenverhalten sowie Finanz-, Wirtschafts- und Marktrisiken vorherzusagen.

Die schnelle Migration zu digitalen Produkten hat ein Meer von Daten geschaffen, die für Unternehmen leicht verfügbar sind. Big Data wird von Unternehmen genutzt, um die Dynamik der Kunden-Geschäfts-Beziehung zu verbessern. Diese riesige Menge an Echtzeitdaten wird aus Quellen wie sozialen Medien, Internet-Browsing-Verlauf, Handydaten und Cloud-Computing- Plattformen abgerufen.

Die Daten sind jedoch in der Regel unstrukturiert und zu komplex, als dass sie von Menschen in kurzer Zeit analysiert werden könnten. Aufgrund der schieren Menge an Daten verwenden Unternehmen prädiktive Modellierungswerkzeuge – oft über Computersoftwareprogramme. Die Programme verarbeiten riesige Mengen historischer Daten, um Muster innerhalb der Daten zu bewerten und zu identifizieren. Von dort aus kann das Modell eine historische Aufzeichnung sowie eine Einschätzung darüber liefern, welche Verhaltensweisen oder Ereignisse wahrscheinlich wieder oder in Zukunft auftreten werden.

Predictive Modeling kann von Sportmannschaften genutzt werden, um die Erfolgswahrscheinlichkeiten anhand von Spielerstatistiken und Situationsanalysen zu analysieren.

Anwendungen der Vorhersagemodellierung

Predictive Analytics verwendet Prädiktoren oder bekannte Merkmale, um Vorhersagemodelle zu erstellen, die zum Erhalten einer Ausgabe verwendet werden. Ein Vorhersagemodell kann lernen, wie verschiedene Datenpunkte miteinander verbunden sind. Zwei der am weitesten verbreiteten prädiktiven Modellierungstechniken sind Regression und neuronale Netze.

In der Statistik bezeichnet Regression einen linearen Zusammenhang zwischen Eingangs- und Ausgangsvariablen. Ein Vorhersagemodell mit einer linearen Funktion erfordert einen Prädiktor oder ein Merkmal, um die Ausgabe oder das Ergebnis vorherzusagen. Beispielsweise könnte eine Bank, die Geldwäsche in einem frühen Stadium erkennen möchte, ein lineares Vorhersagemodell verwenden.

Die Bank möchte ermitteln, welche ihrer Kunden wahrscheinlich zu einem bestimmten Zeitpunkt an Geldwäscheaktivitäten beteiligt sind. Unter Verwendung der Kundendaten der Bank wird ein Vorhersagemodell um den Geldbetrag in Dollar herum erstellt, den Kunden in einem bestimmten Zeitraum getätigt haben.

Dem Modell wird beigebracht, den Unterschied zwischen einer Geldwäschetransaktion und einer normalen Transaktion zu erkennen. Das optimale Ergebnis des Modells sollte ein Muster sein, das signalisiert, welcher Kunde Geld gewaschen hat und welcher nicht. Wenn das Modell erkennt, dass sich bei einem bestimmten Kunden ein Betrugsmuster abzeichnet, wird es ein Signal zum Handeln geben, das von der Betrugspräventionseinheit der Bank verfolgt wird.

Vorhersagemodellierungswerkzeuge

Vorhersagemodelle werden auch in neuronalen Netzen wie maschinellem Lernen und tiefem Lernen verwendet, die Bereiche der künstlichen Intelligenz (KI) sind. Die neuronalen Netze sind vom menschlichen Gehirn inspiriert und werden mit einem Netz aus miteinander verbundenen Knoten in hierarchischen Ebenen erstellt, was die Grundlage für KI darstellt. Die Stärke neuronaler Netze liegt in ihrer Fähigkeit, mit nichtlinearen Datenbeziehungen umzugehen. Sie sind in der Lage, Beziehungen und Muster zwischen Variablen zu erstellen, die sich für menschliche Analysten als unmöglich oder zu zeitaufwändig erweisen würden.

Einerseits kann eine Bank bekannte Variablen wie den Wert der von ihren Kunden initiierten Überweisungen in ihr Modell eingeben, um festzustellen, wer wahrscheinlich Geldwäsche betreibt. Andererseits kann ein neuronales Netzwerk ein leistungsfähigeres Muster erzeugen, indem es eine Beziehung zwischen Eingangsvariablen herstellt. Diese Eingabevariablen können die Anmeldezeit, den geografischen Standort des Benutzers, die IP-Adresse des Geräts des Benutzers, den Empfänger oder Absender der Gelder und alle anderen Variablen oder Verhaltensweisen umfassen, die wahrscheinlich an Geldwäscheaktivitäten beteiligt sind.

Andere prädiktive Modellierungstechniken, die von Finanzunternehmen verwendet werden, umfassen Entscheidungsbäume, Zeitreihen-Data-Mining und Bayes'sche Analyse. Unternehmen, die Big Data durch Predictive-Modeling-Maßnahmen nutzen, können besser verstehen, wie ihre Kunden mit ihren Produkten interagieren, und potenzielle Risiken und Chancen für das Unternehmen identifizieren.

Höhepunkte

• Vorhersagemodellierung ist der Prozess der Verwendung bekannter Ergebnisse zur Erstellung, Verarbeitung und Validierung eines Modells, das für zukünftige Vorhersagen verwendet werden kann.

• Unternehmen können Vorhersagemodelle verwenden, um Ereignisse, Kundenverhalten sowie Finanz-, Wirtschafts- und Marktrisiken vorherzusagen.

• Zwei der am weitesten verbreiteten prädiktiven Modellierungstechniken sind Regression und neuronale Netze.