Prædiktiv modellering

Hvad er prædiktiv modellering?

Prædiktiv modellering er processen med at bruge kendte resultater til at skabe, behandle og validere en model, der kan bruges til at forudsige fremtidige resultater. Det er et værktøj, der bruges i prædiktiv analyse,. en data mining-teknik, der forsøger at besvare spørgsmålet "hvad kan der muligvis ske i fremtiden?"

Forståelse af prædiktiv modellering

Ved at analysere historiske begivenheder kan virksomheder bruge prædiktiv modellering til at øge sandsynligheden for at forudsige begivenheder, kundeadfærd samt finansielle, økonomiske og markedsrisici.

Den hurtige migration til digitale produkter har skabt et hav af data, der er let tilgængelige for virksomheder. Big data bruges af virksomheder til at forbedre dynamikken i kunde-til-virksomhed-forholdet. Denne enorme mængde realtidsdata hentes fra kilder som sociale medier, internet-browsinghistorik, mobiltelefondata og cloud computing- platforme.

Dataene er dog normalt ustrukturerede og for komplekse til, at mennesker kan analysere dem på kort tid. På grund af den store mængde data bruger virksomheder prædiktive modelleringsværktøjer - ofte via computersoftwareprogrammer. Programmerne behandler enorme mængder af historiske data for at vurdere og identificere mønstre i dataene. Derfra kan modellen give en historisk optegnelse samt en vurdering af, hvilken adfærd eller begivenheder, der sandsynligvis vil forekomme igen eller i fremtiden.

Forudsigende modellering kan bruges af sportshold til at analysere sandsynligheden for succes ved hjælp af spillerstatistik og situationsanalyse.

Anvendelser af prædiktiv modellering

Forudsigende analyser bruger forudsigelser eller kendte funktioner til at skabe forudsigende modeller, der vil blive brugt til at opnå et output. En forudsigelsesmodel er i stand til at lære, hvordan forskellige datapunkter forbindes med hinanden. To af de mest udbredte prædiktive modelleringsteknikker er regression og neurale netværk.

På statistikområdet refererer regression til en lineær sammenhæng mellem input- og outputvariablerne. En forudsigelsesmodel med en lineær funktion kræver én forudsigelse eller funktion for at forudsige output eller udfald. For eksempel kan en bank, der håber at opdage hvidvaskning af penge i sine tidlige stadier, indarbejde en lineær forudsigelsesmodel.

Banken ønsker at identificere, hvilke af dens kunder, der sandsynligvis vil deltage i hvidvaskaktiviteter på et tidspunkt. Ved hjælp af bankens kundedata bygges en forudsigelsesmodel op omkring det beløb i dollars, som kunderne har foretaget i en periode.

Modellen læres at genkende forskellen mellem en hvidvasktransaktion og en normal transaktion. Det optimale resultat af modellen bør være et mønster, der signalerer, hvilken kunde der hvidvaskede penge, og hvilken der ikke gjorde. Hvis modellen opfatter, at der er ved at opstå et svindelmønster for en bestemt kunde, vil det skabe et signal om handling, som vil blive varetaget af bankens svindelforebyggelsesenhed.

Værktøjer til prædiktiv modellering

Forudsigende modeller bruges også i neurale netværk såsom machine learning og deep learning, som er områder inden for kunstig intelligens (AI). De neurale netværk er inspireret af den menneskelige hjerne og er skabt med et net af indbyrdes forbundne noder i hierarkiske niveauer, som repræsenterer grundlaget for AI. Styrken ved neurale netværk ligger i deres evne til at håndtere ikke-lineære datarelationer. De er i stand til at skabe relationer og mønstre mellem variabler, som ville vise sig umulige eller for tidskrævende for menneskelige analytikere.

På den ene side kan en bank indlæse kendte variabler, såsom værdien af overførsler initieret af dens kunder, i sin model for at bestemme, hvem der sandsynligvis vil deltage i hvidvaskning af penge. På den anden side kan et neuralt netværk skabe et mere kraftfuldt mønster ved at skabe et forhold mellem inputvariabler. Disse inputvariabler kan omfatte tid logget ind, geografisk placering af brugeren, IP-adressen på brugerens enhed, modtager eller afsender af midlerne og enhver anden variabel eller adfærd, der sandsynligvis vil være involveret i hvidvaskaktivitet.

Andre prædiktive modelleringsteknikker, der anvendes af finansielle virksomheder, omfatter beslutningstræer, tidsseriedata mining og Bayesiansk analyse. Virksomheder, der udnytter big data gennem prædiktive modelleringsforanstaltninger, er bedre i stand til at forstå, hvordan deres kunder interagerer med deres produkter og kan identificere potentielle risici og muligheder for virksomheden.

Højdepunkter

• Prædiktiv modellering er processen med at bruge kendte resultater til at skabe, behandle og validere en model, der kan bruges til at lave fremtidige forudsigelser.

• Virksomheder kan bruge prædiktiv modellering til at forudsige begivenheder, kundeadfærd samt finansielle, økonomiske og markedsrisici.

• To af de mest udbredte prædiktive modelleringsteknikker er regression og neurale netværk.