ennustava mallinnus

Mitä on ennakoiva mallinnus?

Ennustava mallinnus on prosessi, jossa käytetään tunnettuja tuloksia sellaisen mallin luomiseen, käsittelemiseen ja validointiin, jota voidaan käyttää tulevien tulosten ennustamiseen. Se on työkalu, jota käytetään ennustavassa analytiikassa,. tiedon louhintatekniikassa, joka yrittää vastata kysymykseen "mitä saattaa tapahtua tulevaisuudessa?"

Ennakoivan mallinnuksen ymmärtäminen

Analysoimalla historiallisia tapahtumia yritykset voivat käyttää ennakoivaa mallintamista lisäämään tapahtumien, asiakkaiden käyttäytymisen sekä rahoitus-, talous- ja markkinariskien ennustamisen todennäköisyyttä.

Nopea siirtyminen digitaalisiin tuotteisiin on luonut tietomeren, joka on helposti yritysten saatavilla. Yritykset hyödyntävät big dataa parantaakseen asiakas-yrityssuhteen dynamiikkaa. Tämä valtava määrä reaaliaikaista dataa haetaan lähteistä, kuten sosiaalisesta mediasta, Internet-selaushistoriasta, matkapuhelintiedoista ja pilvilaskenta - alustoista.

Tiedot ovat kuitenkin yleensä jäsentämättömiä ja liian monimutkaisia ihmisten analysoitavaksi lyhyessä ajassa. Tietojen suuren määrän vuoksi yritykset käyttävät ennakoivia mallinnustyökaluja – usein tietokoneohjelmistojen kautta. Ohjelmat käsittelevät valtavia määriä historiallista tietoa arvioidakseen ja tunnistaakseen datassa olevia malleja. Sieltä malli voi tarjota historiallisen ennätyksen sekä arvion siitä, mitä käyttäytymistä tai tapahtumia todennäköisesti tapahtuu uudelleen tai tulevaisuudessa.

Urheilujoukkueet voivat käyttää ennakoivaa mallinnusta analysoidakseen menestymisen todennäköisyyksiä pelaajatilastojen ja tilanneanalyysin avulla.

Ennakoivan mallinnuksen sovellukset

Ennakoiva analytiikka käyttää ennustajia tai tunnettuja ominaisuuksia luodakseen ennakoivia malleja, joita käytetään tulosteen saamiseksi. Ennustava malli pystyy oppimaan kuinka eri datapisteet liittyvät toisiinsa. Kaksi yleisimmin käytettyä ennustavaa mallintamistekniikkaa ovat regressio ja hermoverkot.

Tilastoalalla regressiolla tarkoitetaan syöte- ja lähtömuuttujien välistä lineaarista suhdetta. Ennustava malli, jossa on lineaarinen funktio, vaatii yhden ennustajan tai ominaisuuden tuloksen tai tuloksen ennustamiseksi. Esimerkiksi pankki, joka haluaa havaita rahanpesun varhaisessa vaiheessa, saattaa käyttää lineaarista ennustemallia.

Pankki haluaa selvittää, ketkä sen asiakkaista todennäköisesti osallistuvat rahanpesuun jossain vaiheessa. Pankin asiakastietojen avulla ennustemalli rakennetaan asiakkaiden tietyn ajanjakson aikana tekemien dollarimääräisten rahansiirtojen ympärille.

Malli opetetaan tunnistamaan rahanpesutapahtuman ja normaalin tapahtuman välinen ero. Mallin optimaalisen tuloksen tulisi olla malli, joka kertoo, mikä asiakas pesi rahaa ja mikä ei. Jos malli havaitsee, että tietylle asiakkaalle on muodostumassa petosmalli, se luo signaalin toiminnalle, johon pankin petostentorjuntayksikkö huolehtii.

Ennakoiva mallinnustyökalut

Ennakoivia malleja käytetään myös hermoverkoissa, kuten koneoppimisessa ja syväoppimisessa, jotka ovat tekoälyn (AI) aloja. Neuraaliverkot ovat saaneet inspiraationsa ihmisaivoista, ja ne on luotu toisiinsa hierarkkisilla tasoilla olevien solmujen verkolla, joka edustaa tekoälyn perustaa. Neuraaliverkkojen voima piilee niiden kyvyssä käsitellä epälineaarisia datasuhteita. He pystyvät luomaan suhteita ja kuvioita muuttujien välille, jotka osoittautuvat mahdottomaksi tai liian aikaa vieviksi ihmisanalyytikoille.

Toisaalta pankki voi syöttää malliinsa tunnettuja muuttujia, kuten asiakkaidensa aloittamien tilisiirtojen arvon määrittääkseen, kuka todennäköisesti osallistuu rahanpesuun. Toisaalta hermoverkko voi luoda tehokkaamman kuvion luomalla suhteen syöttömuuttujien välille. Näitä syöttömuuttujia voivat olla sisäänkirjautumisaika, käyttäjän maantieteellinen sijainti, käyttäjän laitteen IP-osoite, varojen vastaanottaja tai lähettäjä ja mikä tahansa muu muuttuja tai käyttäytyminen, joka todennäköisesti liittyy rahanpesutoimintaan.

Muita rahoitusyhtiöiden käyttämiä ennakoivia mallinnustekniikoita ovat päätöspuut, aikasarjatietojen louhinta ja Bayesin analyysi. Yritykset, jotka hyödyntävät big dataa ennakoivan mallintamisen avulla, pystyvät paremmin ymmärtämään asiakkaidensa suhtautumista tuotteisiinsa ja tunnistamaan mahdollisia riskejä ja mahdollisuuksia yritykselle.

##Kohokohdat

• Ennustava mallinnus on prosessi, jossa tunnettujen tulosten avulla luodaan, käsitellään ja validoidaan malli, jota voidaan käyttää tulevaisuuden ennusteiden tekemiseen.

• Yritykset voivat käyttää ennakoivaa mallintamista ennakoimaan tapahtumia, asiakkaiden käyttäytymistä sekä rahoitus-, talous- ja markkinariskejä.

• Kaksi eniten käytettyä ennustavaa mallinnustekniikkaa ovat regressio ja hermoverkot.