prediktiv modellering
Hva er prediktiv modellering?
Prediktiv modellering er prosessen med å bruke kjente resultater for å lage, behandle og validere en modell som kan brukes til å forutsi fremtidige utfall. Det er et verktøy som brukes i prediktiv analyse,. en datautvinningsteknikk som prøver å svare på spørsmålet "hva kan muligens skje i fremtiden?"
Forstå prediktiv modellering
Ved å analysere historiske hendelser kan selskaper bruke prediktiv modellering for å øke sannsynligheten for å forutse hendelser, kundeadferd, samt finansiell, økonomisk og markedsrisiko.
Den raske migrasjonen til digitale produkter har skapt et hav av data som er lett tilgjengelig for bedrifter. Big data brukes av selskaper for å forbedre dynamikken i kunde-til-bedrift-forholdet. Denne enorme mengden sanntidsdata hentes fra kilder som sosiale medier, nettlesingshistorikk, mobiltelefondata og cloud computing - plattformer.
Imidlertid er dataene vanligvis ustrukturerte og for komplekse til at mennesker kan analysere dem på kort tid. På grunn av det store datavolumet, bruker selskaper prediktive modelleringsverktøy - ofte via dataprogrammer. Programmene behandler enorme mengder historiske data for å vurdere og identifisere mønstre i dataene. Derfra kan modellen gi en historisk oversikt så vel som en vurdering av hvilken atferd eller hendelser som sannsynligvis vil oppstå igjen eller i fremtiden.
Prediktiv modellering kan brukes av idrettslag for å analysere sannsynlighetene for suksess ved hjelp av spillerstatistikk og situasjonsanalyse.
Anvendelser av prediktiv modellering
Prediktiv analyse bruker prediktorer eller kjente funksjoner for å lage prediktive modeller som vil bli brukt for å få et utdata. En prediktiv modell er i stand til å lære hvordan ulike datapunkter kobles til hverandre. To av de mest brukte prediktive modelleringsteknikkene er regresjon og nevrale nettverk.
Innen statistikk refererer regresjon til en lineær sammenheng mellom input- og output-variablene. En prediktiv modell med en lineær funksjon krever en prediktor eller funksjon for å forutsi utgangen eller resultatet. For eksempel kan en bank som håper å oppdage hvitvasking i de tidlige stadiene innlemme en lineær prediktiv modell.
Banken ønsker å identifisere hvilke av kundene som er sannsynlig å engasjere seg i hvitvaskingsaktiviteter på et tidspunkt. Ved å bruke bankens kundedata bygges en prediktiv modell rundt dollarbeløpet med pengeoverføringer som kundene har foretatt i løpet av en periode.
Modellen læres å gjenkjenne forskjellen mellom en hvitvaskingstransaksjon og en normal transaksjon. Det optimale resultatet av modellen bør være et mønster som signaliserer hvilken kunde som hvitvaskte penger og hvem som ikke gjorde det. Dersom modellen oppfatter at det er i ferd med å dukke opp et svindelmønster for en bestemt kunde, vil det skape et handlingssignal som vil bli ivaretatt av bankens svindelforebyggende enhet.
Verktøy for prediktiv modellering
Prediktive modeller brukes også i nevrale nettverk som maskinlæring og dyp læring, som er felt innen kunstig intelligens (AI). De nevrale nettverkene er inspirert av den menneskelige hjernen og er skapt med et nett av sammenkoblede noder på hierarkiske nivåer, som representerer grunnlaget for AI. Kraften til nevrale nettverk ligger i deres evne til å håndtere ikke-lineære dataforhold. De er i stand til å skape relasjoner og mønstre mellom variabler som ville vise seg umulige eller for tidkrevende for menneskelige analytikere.
På den ene siden kan en bank legge inn kjente variabler, for eksempel verdien av overføringer initiert av kundene, inn i modellen for å bestemme hvem som sannsynligvis vil delta i hvitvasking av penger. På den annen side kan et nevralt nettverk skape et kraftigere mønster ved å skape et forhold mellom inngangsvariabler. Disse inngangsvariablene kan inkludere tid pålogget, geografisk plassering av brukeren, IP-adressen til brukerens enhet, mottaker eller avsender av midlene, og enhver annen variabel eller atferd som sannsynligvis vil være involvert i hvitvaskingsaktivitet.
Andre prediktive modelleringsteknikker som brukes av finansielle selskaper inkluderer beslutningstrær, tidsseriedatautvinning og Bayesiansk analyse. Bedrifter som utnytter big data gjennom prediktive modelleringstiltak er bedre i stand til å forstå hvordan kundene deres engasjerer seg i produktene deres og kan identifisere potensielle risikoer og muligheter for selskapet.
##Høydepunkter
Prediktiv modellering er prosessen med å bruke kjente resultater for å lage, behandle og validere en modell som kan brukes til å lage fremtidige spådommer.
Bedrifter kan bruke prediktiv modellering for å forutsi hendelser, kundeadferd, samt finansiell, økonomisk og markedsrisiko.
– To av de mest brukte prediktive modelleringsteknikkene er regresjon og nevrale nettverk.
