Analisi predittiva

Che cos'è l'analisi predittiva?

Il termine analisi predittiva si riferisce all'uso di statistiche e tecniche di modellazione per fare previsioni su risultati e prestazioni futuri. L'analisi predittiva esamina i modelli di dati attuali e storici per determinare se è probabile che tali modelli emergano di nuovo. Ciò consente alle aziende e agli investitori di adattare il luogo in cui utilizzano le proprie risorse per trarre vantaggio da possibili eventi futuri. L'analisi predittiva può essere utilizzata anche per migliorare l'efficienza operativa e ridurre i rischi.

Capire l'analisi predittiva

L'analisi predittiva è una forma di tecnologia che fa previsioni su determinate incognite in futuro. Si basa su una serie di tecniche per effettuare queste determinazioni, tra cui l'intelligenza artificiale (AI), il data mining,. l'apprendimento automatico, la modellazione e le statistiche. Ad esempio, il data mining implica l'analisi di grandi insiemi di dati per rilevarne i modelli. L'analisi del testo fa lo stesso, fatta eccezione per i grandi blocchi di testo.

I modelli predittivi sono utilizzati per tutti i tipi di applicazioni, tra cui:

• Previsioni del tempo

• Creazione di videogiochi

• Tradurre la voce in testo per la messaggistica del telefono cellulare

• Assistenza clienti

• Sviluppo del portafoglio di investimenti

Tutte queste applicazioni utilizzano modelli statistici descrittivi dei dati esistenti per fare previsioni sui dati futuri.

Sono anche utili per le aziende per aiutarle a gestire l'inventario, sviluppare strategie di marketing e prevedere le vendite. Aiuta anche le aziende a sopravvivere, in particolare quelle in settori altamente competitivi,. come l'assistenza sanitaria e la vendita al dettaglio. Investitori e professionisti finanziari possono attingere a questa tecnologia per aiutare a creare portafogli di investimento e ridurre il potenziale di rischio.

Questi modelli determinano relazioni, modelli e strutture nei dati che possono essere utilizzati per trarre conclusioni su come i cambiamenti nei processi sottostanti che generano i dati cambieranno i risultati. I modelli predittivi si basano su questi modelli descrittivi ed esaminano i dati passati per determinare la probabilità di determinati risultati futuri, date le condizioni attuali o un insieme di condizioni future attese.

Usi dell'analisi predittiva

L'analisi predittiva è uno strumento decisionale in una varietà di settori.

Previsione

La previsione è essenziale nella produzione perché garantisce l'utilizzo ottimale delle risorse in una catena di approvvigionamento. I punti critici della ruota della catena di approvvigionamento, che si tratti della gestione dell'inventario o dell'officina, richiedono previsioni accurate per il funzionamento.

La modellazione predittiva viene spesso utilizzata per pulire e ottimizzare la qualità dei dati utilizzati per tali previsioni. La modellazione garantisce che più dati possano essere acquisiti dal sistema, anche dalle operazioni a contatto con i clienti, per garantire una previsione più accurata.

Credito

Il punteggio di credito fa ampio uso dell'analisi predittiva. Quando un consumatore o un'impresa richiede un credito, i dati sulla storia creditizia del richiedente e il record di credito di mutuatari con caratteristiche simili vengono utilizzati per prevedere il rischio che il richiedente possa non adempiere a qualsiasi credito concesso.

Sottoscrizione

I dati e l'analisi predittiva svolgono un ruolo importante nella sottoscrizione. Le compagnie di assicurazione esaminano i richiedenti di polizza per determinare la probabilità di dover pagare per un risarcimento futuro sulla base dell'attuale pool di rischi di assicurati simili, nonché di eventi passati che hanno portato a pagamenti. Gli attuari utilizzano abitualmente modelli predittivi che considerano le caratteristiche rispetto ai dati sugli assicurati passati e sui sinistri .

Marketing

Gli individui che lavorano in questo campo osservano come i consumatori hanno reagito all'economia generale quando pianificano una nuova campagna. Possono utilizzare questi cambiamenti demografici per determinare se l'attuale mix di prodotti attirerà i consumatori a effettuare un acquisto.

I trader attivi, nel frattempo, esaminano una varietà di parametri basati su eventi passati quando decidono se acquistare o vendere un titolo. Le medie mobili, le bande e i breakpoint si basano su dati storici e vengono utilizzati per prevedere i movimenti futuri dei prezzi.

Analisi predittiva e apprendimento automatico

Un malinteso comune è che l'analisi predittiva e l'apprendimento automatico siano la stessa cosa. L'analisi predittiva ci aiuta a comprendere possibili eventi futuri analizzando il passato. Al centro, l'analisi predittiva include una serie di tecniche statistiche (tra cui apprendimento automatico, modellazione predittiva e data mining) e utilizza le statistiche (sia storiche che attuali) per stimare o prevedere risultati futuri.

Il machine learning, invece, è un sottocampo dell'informatica che, secondo la definizione del 1959 di Arthur Samuel (pioniere americano nel campo dei giochi per computer e dell'intelligenza artificiale) significa "la programmazione di un computer digitale per comportarsi in modo modo che, se fatto da esseri umani o animali, verrebbe descritto come coinvolgente il processo di apprendimento."

I modelli predittivi più comuni includono alberi decisionali, regressioni (lineari e logistiche) e reti neurali, che è il campo emergente dei metodi e delle tecnologie di deep learning.

Tipi di modelli analitici predittivi

Esistono tre tecniche comuni utilizzate nell'analisi predittiva: alberi decisionali, reti neurali e regressione. Leggi di più su ciascuno di questi di seguito.

Alberi decisionali

Se vuoi capire cosa porta alle decisioni di qualcuno, allora potresti trovare utili gli alberi decisionali. Questo tipo di modello colloca i dati in diverse sezioni in base a determinate variabili, come il prezzo o la capitalizzazione di mercato. Proprio come suggerisce il nome, sembra un albero con rami e foglie individuali. I rami indicano le scelte disponibili mentre le singole foglie rappresentano una decisione particolare.

Gli alberi decisionali sono i modelli più semplici perché sono facili da capire e da analizzare. Sono anche molto utili quando devi prendere una decisione in un breve periodo di tempo.

Regressione

Questo è il modello più utilizzato nell'analisi statistica. Usalo quando vuoi determinare i modelli in grandi insiemi di dati e quando c'è una relazione lineare tra gli input. Questo metodo funziona calcolando una formula, che rappresenta la relazione tra tutti gli input trovati nel set di dati. Ad esempio, puoi utilizzare la regressione per capire in che modo il prezzo e altri fattori chiave possono influenzare la performance di un titolo.

Reti neurali

Le reti neurali sono state sviluppate come una forma di analisi predittiva imitando il modo in cui funziona il cervello umano. Questo modello può gestire complesse relazioni di dati utilizzando l'intelligenza artificiale e il riconoscimento di schemi. Usalo se hai diversi ostacoli che devi superare come quando hai troppi dati a portata di mano, quando non hai la formula che ti serve per aiutarti a trovare una relazione tra gli input e gli output nel tuo set di dati o quando bisogno di fare previsioni piuttosto che fornire spiegazioni.

Se hai già utilizzato alberi decisionali e regressione come modelli, puoi confermare i tuoi risultati con le reti neurali.

Come le aziende possono utilizzare l'analisi predittiva

Come notato sopra, l'analisi predittiva può essere utilizzata in diverse applicazioni. Le aziende possono sfruttare i modelli per promuovere i propri interessi e migliorare le proprie operazioni. I modelli predittivi sono spesso utilizzati dalle aziende per migliorare il servizio clienti e la sensibilizzazione.

Dirigenti e imprenditori possono sfruttare questo tipo di analisi statistica per determinare il comportamento dei clienti. Ad esempio, il proprietario di un'azienda può utilizzare tecniche predittive per identificare e indirizzare i clienti abituali che potrebbero disertare e rivolgersi a un concorrente.

L'analisi predittiva gioca un ruolo chiave nella pubblicità e nel marketing. Le aziende possono utilizzare i modelli per determinare quali clienti risponderanno positivamente alle campagne di marketing e vendita. Gli imprenditori possono risparmiare denaro rivolgendosi ai clienti che risponderanno in modo positivo piuttosto che fare campagne generali.

Vantaggi dell'analisi predittiva

Ci sono numerosi vantaggi nell'usare l'analisi predittiva. Come accennato in precedenza, l'utilizzo di questo tipo di analisi può aiutare le entità quando è necessario fare previsioni sui risultati quando non sono disponibili altre (ed ovvie) risposte.

Investitori,. professionisti finanziari e leader aziendali possono utilizzare i modelli per ridurre il rischio. Ad esempio, un investitore e il suo consulente possono utilizzare determinati modelli per creare un portafoglio di investimenti con un rischio minimo per l'investitore, prendendo in considerazione determinati fattori, come età, capitale e obiettivi.

C'è un impatto significativo sulla riduzione dei costi quando vengono utilizzati i modelli. Le aziende possono determinare la probabilità di successo o fallimento di un prodotto prima del suo lancio. Oppure possono mettere da parte il capitale per il miglioramento della produzione utilizzando tecniche predittive prima dell'inizio del processo di produzione.

Critica dell'analisi predittiva

L'uso dell'analisi predittiva è stato criticato e, in alcuni casi, legalmente limitato a causa delle disuguaglianze percepite nei suoi risultati. Più comunemente, si tratta di modelli predittivi che si traducono in una discriminazione statistica contro i gruppi razziali o etnici in aree come il punteggio di credito, i prestiti per la casa, l'occupazione o il rischio di comportamenti criminali.

Un famoso esempio di ciò è la pratica (ormai illegale) di ridimensionare i prestiti domestici da parte delle banche. Indipendentemente dal fatto che le previsioni tratte dall'uso di tali analisi siano accurate, il loro utilizzo è generalmente disapprovato e i dati che includono esplicitamente informazioni come la razza di una persona sono ora spesso esclusi dall'analisi predittiva.

Domande frequenti sull'analisi predittiva

In che modo Netflix utilizza l'analisi predittiva?

La raccolta dei dati è molto importante per un'azienda come Netflix. Raccoglie i dati dai suoi clienti in base al loro comportamento e ai modelli di visualizzazione passati. Utilizza le informazioni e fa previsioni basate per formulare raccomandazioni in base alle loro preferenze. Questa è la base degli elenchi "Perché hai guardato..." che troverai nel tuo abbonamento.

Quali sono i tre pilastri dell'analisi dei dati?

Ci sono tre pilastri per l'analisi dei dati. Sono le esigenze dell'entità che utilizza i modelli, i dati e la tecnologia utilizzati per studiarli, e le azioni e le intuizioni che derivano dall'uso di questo tipo di analisi.

Mette in risalto

• L'analisi predittiva utilizza statistiche e tecniche di modellazione per determinare le prestazioni future.

• I modelli predittivi aiutano a fare previsioni meteorologiche, sviluppare videogiochi, tradurre messaggi vocali, decisioni relative al servizio clienti e sviluppare portafogli di investimento.

• Industrie e discipline, come assicurazioni e marketing, utilizzano tecniche predittive per prendere decisioni importanti.

• Le persone spesso confondono l'analisi predittiva con l'apprendimento automatico anche se le due sono discipline diverse.

• I tipi di modelli predittivi includono alberi decisionali, regressione e reti neurali.