Forudsigende analyse

Hvad er prædiktiv analyse?

Udtrykket prædiktiv analyse refererer til brugen af statistikker og modelleringsteknikker til at lave forudsigelser om fremtidige resultater og præstationer. Prædiktiv analyse ser på aktuelle og historiske datamønstre for at afgøre, om disse mønstre sandsynligvis vil dukke op igen. Dette giver virksomheder og investorer mulighed for at justere, hvor de bruger deres ressourcer til at drage fordel af mulige fremtidige begivenheder. Forudsigende analyse kan også bruges til at forbedre driftseffektiviteten og reducere risikoen.

Forstå Predictive Analytics

Predictive analytics er en form for teknologi, der giver forudsigelser om visse ubekendte i fremtiden. Den trækker på en række teknikker til at foretage disse bestemmelser, herunder kunstig intelligens (AI), data mining,. maskinlæring, modellering og statistik. For eksempel involverer data mining analyse af store datasæt for at opdage mønstre fra dem. Tekstanalyse gør det samme, bortset fra store tekstblokke.

Forudsigelsesmodeller bruges til alle slags applikationer, herunder:

• Vejrudsigter

• Oprettelse af videospil

• Oversættelse af stemme til tekst til mobiltelefonbeskeder

• Kunde service

• Udvikling af investeringsportefølje

Alle disse applikationer bruger beskrivende statistiske modeller af eksisterende data til at lave forudsigelser om fremtidige data.

De er også nyttige for virksomheder til at hjælpe dem med at administrere lagerbeholdning, udvikle marketingstrategier og forudsige salg. Det hjælper også virksomheder med at overleve, især dem i stærkt konkurrenceprægede industrier,. såsom sundhedspleje og detailhandel. Investorer og finansielle fagfolk kan trække på denne teknologi for at hjælpe med at lave investeringsporteføljer og reducere risikoen.

Disse modeller bestemmer relationer, mønstre og strukturer i data, der kan bruges til at drage konklusioner om, hvordan ændringer i de underliggende processer, der genererer data, vil ændre resultaterne. Forudsigelsesmodeller bygger på disse beskrivende modeller og ser på tidligere data for at bestemme sandsynligheden for visse fremtidige resultater, givet nuværende forhold eller et sæt af forventede fremtidige forhold.

Anvendelser af prædiktiv analyse

Predictive analytics er et beslutningsværktøj i en række forskellige brancher.

Forecasting

Forecasting er afgørende i fremstillingen, fordi det sikrer optimal udnyttelse af ressourcer i en forsyningskæde. Kritiske eger på forsyningskædehjulet, uanset om det er lagerstyring eller butiksgulvet, kræver nøjagtige prognoser for at fungere.

Forudsigende modellering bruges ofte til at rense og optimere kvaliteten af data, der bruges til sådanne prognoser. Modellering sikrer, at flere data kan optages af systemet, herunder fra kundevendte operationer, for at sikre en mere præcis prognose.

Kredit

Kreditvurdering gør udstrakt brug af prædiktive analyser. Når en forbruger eller virksomhed ansøger om kredit, bruges data om ansøgers kredithistorik og kredithistorik for låntagere med lignende karakteristika til at forudsige risikoen for, at ansøgeren ikke kan præstere på en kredit, der ydes.

Underwriting

Data og prædiktiv analyse spiller en vigtig rolle i tegning. Forsikringsselskaber undersøger policeansøgere for at bestemme sandsynligheden for at skulle udbetale et fremtidigt krav baseret på den aktuelle risikopulje af lignende forsikringstagere samt tidligere hændelser, der har resulteret i udbetalinger. Forudsigelsesmodeller, der tager hensyn til karakteristika i sammenligning med data om tidligere forsikringstagere og krav, bruges rutinemæssigt af aktuarer.

Markedsføring

Personer, der arbejder inden for dette felt, ser på, hvordan forbrugerne har reageret på den samlede økonomi, når de planlægger en ny kampagne. De kan bruge disse skift i demografi til at afgøre, om den nuværende blanding af produkter vil lokke forbrugerne til at foretage et køb.

Aktive forhandlere ser i mellemtiden på en række målinger baseret på tidligere begivenheder, når de beslutter sig for, om de skal købe eller sælge et værdipapir. Glidende gennemsnit, bånd og brudpunkter er baseret på historiske data og bruges til at forudsige fremtidige prisbevægelser.

Predictive Analytics vs Machine Learning

En almindelig misforståelse er, at prædiktiv analyse og maskinlæring er de samme ting. Forudsigende analyser hjælper os med at forstå mulige fremtidige hændelser ved at analysere fortiden. I sin kerne omfatter forudsigende analyse en række statistiske teknikker (herunder maskinlæring, forudsigelig modellering og datamining) og bruger statistik (både historisk og aktuel) til at estimere eller forudsige fremtidige resultater.

Maskinlæring er på den anden side et underområde inden for datalogi, der ifølge definitionen fra 1959 af Arthur Samuel (en amerikansk pioner inden for computerspil og kunstig intelligens) betyder "programmering af en digital computer til at opføre sig i en måde, som, hvis det blev gjort af mennesker eller dyr, ville blive beskrevet som involverende læringsprocessen."

De mest almindelige forudsigelsesmodeller omfatter beslutningstræer, regressioner (lineære og logistiske) og neurale netværk, som er det nye område for dyb læringsmetoder og -teknologier.

Typer af prædiktive analytiske modeller

Der er tre almindelige teknikker, der bruges i prædiktiv analyse: Beslutningstræer, neurale netværk og regression. Læs mere om hver af disse nedenfor.

Beslutningstræer

Hvis du ønsker at forstå, hvad der fører til nogens beslutninger, kan du finde beslutningstræer nyttige. Denne type model placerer data i forskellige sektioner baseret på visse variabler , såsom pris eller markedskapitalisering . Ligesom navnet antyder, ligner det et træ med individuelle grene og blade. Grene angiver de tilgængelige valg, mens individuelle blade repræsenterer en bestemt beslutning.

Beslutningstræer er de enkleste modeller, fordi de er nemme at forstå og dissekere. De er også meget nyttige, når du skal træffe en beslutning på kort tid.

Regression

Det er den model, der bruges mest i statistisk analyse. Brug det, når du vil bestemme mønstre i store datasæt, og når der er et lineært forhold mellem inputs. Denne metode fungerer ved at finde ud af en formel, som repræsenterer forholdet mellem alle de input, der findes i datasættet. For eksempel kan du bruge regression til at finde ud af, hvordan pris og andre nøglefaktorer kan forme et værdipapirs ydeevne.

Neurale netværk

Neurale netværk blev udviklet som en form for prædiktiv analyse ved at efterligne den måde, den menneskelige hjerne fungerer på. Denne model kan håndtere komplekse datarelationer ved hjælp af kunstig intelligens og mønstergenkendelse. Brug den, hvis du har flere forhindringer, som du skal overvinde, som når du har for mange data ved hånden, når du ikke har den formel, du skal bruge til at hjælpe dig med at finde en sammenhæng mellem input og output i dit datasæt, eller når du nødt til at komme med forudsigelser frem for at komme med forklaringer.

Hvis du allerede har brugt beslutningstræer og regression som modeller, kan du bekræfte dine resultater med neurale netværk.

Hvordan virksomheder kan bruge prædiktiv analyse

Som nævnt ovenfor kan prædiktiv analyse bruges i en række forskellige applikationer. Virksomheder kan udnytte modeller til at fremme deres interesser og forbedre deres drift. Forudsigelsesmodeller bruges ofte af virksomheder til at hjælpe med at forbedre deres kundeservice og opsøgende rækkevidde.

Ledere og virksomhedsejere kan drage fordel af denne form for statistisk analyse til at bestemme kundeadfærd. For eksempel kan ejeren af en virksomhed bruge forudsigende teknikker til at identificere og målrette mod faste kunder, der kunne afvise og gå til en konkurrent.

Prædiktiv analyse spiller en nøglerolle i annoncering og markedsføring. Virksomheder kan bruge modeller til at bestemme, hvilke kunder der sandsynligvis vil reagere positivt på marketing- og salgskampagner. Virksomhedsejere kan spare penge ved at målrette mod kunder, der vil reagere positivt i stedet for at lave generelle kampagner.

Fordele ved Predictive Analytics

Der er mange fordele ved at bruge prædiktiv analyse. Som nævnt ovenfor kan brug af denne type analyse hjælpe enheder, når du skal lave forudsigelser om resultater, når der ikke er andre (og indlysende) svar tilgængelige.

Investorer,. finansielle fagfolk og virksomhedsledere er i stand til at bruge modeller til at reducere risikoen. For eksempel kan en investor og deres rådgiver bruge visse modeller til at hjælpe med at skabe en investeringsportefølje med minimal risiko for investoren ved at tage visse faktorer i betragtning, såsom alder, kapital og mål.

Der er en betydelig indvirkning på omkostningsreduktion, når modeller bruges. Virksomheder kan bestemme sandsynligheden for succes eller fiasko for et produkt, før det lanceres. Eller de kan afsætte kapital til produktionsforbedringer ved at bruge forudsigelige teknikker, før fremstillingsprocessen begynder.

Kritik af prædiktiv analyse

Brugen af prædiktiv analyse er blevet kritiseret og i nogle tilfælde lovligt begrænset på grund af opfattede uligheder i dets resultater. Oftest involverer dette prædiktive modeller, der resulterer i statistisk diskrimination mod race eller etniske grupper på områder som kreditscoring, boliglån, beskæftigelse eller risiko for kriminel adfærd.

Et berømt eksempel på dette er bankernes (nu ulovlige) praksis med redlining i boliglån. Uanset om forudsigelserne fra brugen af sådanne analyser er nøjagtige, er deres brug generelt ilde set, og data, der eksplicit indeholder information såsom en persons race, er nu ofte udelukket fra forudsigende analyser.

Ofte stillede spørgsmål om prædiktiv analyse

Hvordan bruger Netflix Predictive Analytics?

Dataindsamling er meget vigtig for en virksomhed som Netflix. Den indsamler data fra sine kunder baseret på deres adfærd og tidligere visningsmønstre. Den bruger information og laver forudsigelser baseret for at komme med anbefalinger baseret på deres præferencer. Dette er grundlaget bag "Fordi du så..."-lister, du finder på dit abonnement.

Hvad er de tre søjler i dataanalyse?

Der er tre søjler til dataanalyse. De er behovene hos den enhed, der bruger modellerne, dataene og teknologien, der bruges til at studere dem, og de handlinger og indsigter, der kommer som et resultat af brugen af denne form for analyse.

Højdepunkter

• Prædiktiv analyse bruger statistik og modelleringsteknikker til at bestemme fremtidig præstation.

• Forudsigende modeller hjælper med at lave vejrudsigter, udvikle videospil, oversætte stemme-til-tekstbeskeder, kundeservicebeslutninger og udvikle investeringsporteføljer.

• Industrier og discipliner, såsom forsikring og markedsføring, bruger forudsigelige teknikker til at træffe vigtige beslutninger.

• Folk forveksler ofte prædiktiv analyse med maskinlæring, selvom de to er forskellige discipliner.

• Typer af prædiktive modeller omfatter beslutningstræer, regression og neurale netværk.