prediktiv analyse

Hva er prediktiv analyse?

Begrepet prediktiv analyse refererer til bruken av statistikk og modelleringsteknikker for å gi spådommer om fremtidige utfall og ytelse. Prediktiv analyse ser på nåværende og historiske datamønstre for å avgjøre om disse mønstrene sannsynligvis vil dukke opp igjen. Dette lar bedrifter og investorer justere hvor de bruker ressursene sine for å dra nytte av mulige fremtidige hendelser. Prediktiv analyse kan også brukes til å forbedre operasjonell effektivitet og redusere risiko.

Forstå prediktiv analyse

Prediktiv analyse er en form for teknologi som gir spådommer om visse ukjente i fremtiden. Den bygger på en rekke teknikker for å gjøre disse bestemmelsene, inkludert kunstig intelligens (AI), data mining,. maskinlæring, modellering og statistikk. For eksempel involverer data mining analyse av store sett med data for å oppdage mønstre fra det. Tekstanalyse gjør det samme, bortsett fra store tekstblokker.

Prediktive modeller brukes for alle typer applikasjoner, inkludert:

• Værvarsel

• Lage videospill

• Oversette stemme til tekst for mobiltelefonmeldinger

• kundeservice

• Investeringsporteføljeutvikling

Alle disse applikasjonene bruker beskrivende statistiske modeller av eksisterende data for å gi spådommer om fremtidige data.

De er også nyttige for bedrifter for å hjelpe dem med å administrere inventar, utvikle markedsføringsstrategier og forutsi salg. Det hjelper også bedrifter med å overleve, spesielt de i svært konkurranseutsatte bransjer som helsevesen og detaljhandel. Investorer og finansielle fagfolk kan trekke på denne teknologien for å hjelpe til med å lage investeringsporteføljer og redusere risikoen.

Disse modellene bestemmer relasjoner, mønstre og strukturer i data som kan brukes til å trekke konklusjoner om hvordan endringer i de underliggende prosessene som genererer dataene vil endre resultatene. Prediktive modeller bygger på disse beskrivende modellene og ser på tidligere data for å bestemme sannsynligheten for visse fremtidige utfall, gitt nåværende forhold eller et sett med forventede fremtidige forhold.

Bruk av prediktiv analyse

Prediktiv analyse er et beslutningsverktøy i en rekke bransjer.

Prognoser

Prognoser er avgjørende i produksjonen fordi det sikrer optimal utnyttelse av ressursene i en forsyningskjede. Kritiske eiker til forsyningskjedehjulet, enten det er lagerstyring eller butikkgulvet, krever nøyaktige prognoser for å fungere.

Prediktiv modellering brukes ofte for å rense og optimalisere kvaliteten på data som brukes til slike prognoser. Modellering sikrer at mer data kan inntas av systemet, inkludert fra kundevendte operasjoner, for å sikre en mer nøyaktig prognose.

###Kreditt

Kredittscoring gjør utstrakt bruk av prediktiv analyse. Når en forbruker eller bedrift søker om kreditt, brukes data om søkerens kreditthistorikk og kreditthistorikken til låntakere med lignende egenskaper for å forutsi risikoen for at søkeren ikke klarer å prestere på en gitt kreditt.

###Tegning

Data og prediktiv analyse spiller en viktig rolle i underwriting. Forsikringsselskaper undersøker forsikringssøkere for å fastslå sannsynligheten for å måtte betale ut for et fremtidig krav basert på den nåværende risikogruppen til lignende forsikringstakere, samt tidligere hendelser som har resultert i utbetalinger. Prediktive modeller som tar hensyn til egenskaper sammenlignet med data om tidligere forsikringstakere og krav, brukes rutinemessig av aktuarer.

###Markedsføring

Personer som jobber i dette feltet ser på hvordan forbrukere har reagert på den totale økonomien når de planlegger en ny kampanje. De kan bruke disse endringene i demografi til å avgjøre om den nåværende blandingen av produkter vil lokke forbrukere til å foreta et kjøp.

Aktive tradere ser i mellomtiden på en rekke beregninger basert på tidligere hendelser når de bestemmer seg for om de skal kjøpe eller selge et verdipapir. Glidende gjennomsnitt, bånd og bruddpunkter er basert på historiske data og brukes til å forutsi fremtidige prisbevegelser.

Prediktiv analyse vs. maskinlæring

En vanlig misforståelse er at prediktiv analyse og maskinlæring er de samme tingene. Prediktiv analyse hjelper oss å forstå mulige fremtidige hendelser ved å analysere fortiden. I kjernen inkluderer prediktiv analyse en rekke statistiske teknikker (inkludert maskinlæring, prediktiv modellering og datautvinning) og bruker statistikk (både historisk og nåværende) for å estimere eller forutsi fremtidige utfall.

Maskinlæring, derimot, er et underfelt av informatikk som, i henhold til definisjonen fra 1959 av Arthur Samuel (en amerikansk pioner innen dataspilling og kunstig intelligens) betyr "programmering av en digital datamaskin for å oppføre seg i en måte som, hvis gjort av mennesker eller dyr, ville bli beskrevet som involverende læringsprosessen."

De vanligste prediktive modellene inkluderer beslutningstrær, regresjoner (lineære og logistiske) og nevrale nettverk, som er det nye feltet for dyplæringsmetoder og -teknologier.

Typer prediktive analytiske modeller

Det er tre vanlige teknikker som brukes i prediktiv analyse: Beslutningstrær, nevrale nettverk og regresjon. Les mer om hver av disse nedenfor.

###Beslutningstrær

Hvis du ønsker å forstå hva som fører til noens avgjørelser, kan det hende du finner beslutningstrær nyttige. Denne typen modell plasserer data i forskjellige seksjoner basert på visse variabler, for eksempel pris eller markedsverdi. Akkurat som navnet tilsier, ser det ut som et tre med individuelle grener og blader. Grener indikerer valgene som er tilgjengelige mens individuelle blader representerer en bestemt beslutning.

Beslutningstrær er de enkleste modellene fordi de er enkle å forstå og dissekere. De er også svært nyttige når du trenger å ta en beslutning på kort tid.

###Regresjon

Dette er den modellen som brukes mest i statistisk analyse. Bruk den når du vil bestemme mønstre i store sett med data og når det er et lineært forhold mellom inngangene. Denne metoden fungerer ved å finne ut en formel som representerer forholdet mellom alle inndataene som finnes i datasettet. Du kan for eksempel bruke regresjon til å finne ut hvordan pris og andre nøkkelfaktorer kan forme ytelsen til et verdipapir.

Nevrale nettverk

Nevrale nettverk ble utviklet som en form for prediktiv analyse ved å etterligne måten den menneskelige hjernen fungerer på. Denne modellen kan håndtere komplekse dataforhold ved hjelp av kunstig intelligens og mønstergjenkjenning. Bruk den hvis du har flere hindringer du må overvinne, for eksempel når du har for mye data på hånden, når du ikke har formelen du trenger for å hjelpe deg med å finne en sammenheng mellom input og output i datasettet ditt, eller når du trenger å komme med spådommer i stedet for å komme med forklaringer.

Hvis du allerede har brukt beslutningstrær og regresjon som modeller, kan du bekrefte funnene dine med nevrale nettverk.

Hvordan bedrifter kan bruke prediktiv analyse

Som nevnt ovenfor kan prediktiv analyse brukes i en rekke forskjellige applikasjoner. Bedrifter kan utnytte modeller for å bidra til å fremme deres interesser og forbedre driften. Prediktive modeller brukes ofte av bedrifter for å bidra til å forbedre deres kundeservice og oppsøkende rekkevidde.

Ledere og bedriftseiere kan dra nytte av denne typen statistisk analyse for å bestemme kundeadferd. For eksempel kan eieren av en virksomhet bruke prediktive teknikker for å identifisere og målrette faste kunder som kan avvike og gå til en konkurrent.

Prediktiv analyse spiller en nøkkelrolle i reklame og markedsføring. Bedrifter kan bruke modeller for å finne ut hvilke kunder som sannsynligvis vil reagere positivt på markedsførings- og salgskampanjer. Bedriftseiere kan spare penger ved å målrette mot kunder som vil reagere positivt i stedet for å gjennomføre generelle kampanjer.

Fordeler med Predictive Analytics

Det er mange fordeler med å bruke prediktiv analyse. Som nevnt ovenfor, kan bruk av denne typen analyse hjelpe enheter når du trenger å gi spådommer om utfall når det ikke er andre (og åpenbare) svar tilgjengelig.

Investorer,. finansfolk og bedriftsledere kan bruke modeller for å redusere risiko. For eksempel kan en investor og deres rådgiver bruke visse modeller for å lage en investeringsportefølje med minimal risiko for investoren ved å ta hensyn til visse faktorer, som alder, kapital og mål.

Det er en betydelig innvirkning på kostnadsreduksjon når modeller brukes. Bedrifter kan bestemme sannsynligheten for suksess eller fiasko for et produkt før det lanseres. Eller de kan sette av kapital til produksjonsforbedringer ved å bruke prediktive teknikker før produksjonsprosessen starter.

Kritikk av prediktiv analyse

Bruken av prediktiv analyse har blitt kritisert og, i noen tilfeller, juridisk begrenset på grunn av oppfattede ulikheter i resultatene. Oftest involverer dette prediktive modeller som resulterer i statistisk diskriminering av rase- eller etniske grupper på områder som kredittscoring, boliglån, sysselsetting eller risiko for kriminell atferd.

Et kjent eksempel på dette er den (nå ulovlige) praksisen med redlining i boliglån fra banker. Uavhengig av om spådommene som er hentet fra bruken av slike analyser er nøyaktige, er bruken av dem generelt sett misfornøyd, og data som eksplisitt inkluderer informasjon som en persons rase blir nå ofte ekskludert fra prediktiv analyse.

Vanlige spørsmål om prediktiv analyse

Hvordan bruker Netflix Predictive Analytics?

Datainnsamling er veldig viktig for et selskap som Netflix. Den samler inn data fra kundene sine basert på deres oppførsel og tidligere seermønstre. Den bruker informasjon og lager spådommer basert for å komme med anbefalinger basert på deres preferanser. Dette er grunnlaget bak «Fordi du så på...»-listene du finner på abonnementet ditt.

Hva er de tre pilarene i dataanalyse?

Det er tre pilarer for dataanalyse. De er behovene til enheten som bruker modellene, dataene og teknologien som brukes til å studere dem, og handlingene og innsiktene som kommer som et resultat av bruken av denne typen analyser.

##Høydepunkter

• Prediktiv analyse bruker statistikk og modelleringsteknikker for å bestemme fremtidig ytelse.

• Prediktive modeller hjelper til med å lage værmeldinger, utvikle videospill, oversette tale-til-tekstmeldinger, kundeservicebeslutninger og utvikle investeringsporteføljer.

– Bransjer og fagområder, som forsikring og markedsføring, bruker prediktive teknikker for å ta viktige beslutninger.

– Folk forveksler ofte prediktiv analyse med maskinlæring selv om de to er forskjellige disipliner.

• Typer prediktive modeller inkluderer beslutningstrær, regresjon og nevrale nettverk.