analityka predykcyjna

Co to jest analiza predykcyjna?

Termin analityka predykcyjna odnosi się do wykorzystania statystyk i technik modelowania do przewidywania przyszłych wyników i wydajności. Analityka predykcyjna analizuje bieżące i historyczne wzorce danych, aby określić, czy istnieje prawdopodobieństwo, że te wzorce pojawią się ponownie. Pozwala to firmom i inwestorom dostosować się, gdzie wykorzystują swoje zasoby, aby wykorzystać możliwe przyszłe wydarzenia. Analiza predykcyjna może być również wykorzystana do poprawy wydajności operacyjnej i zmniejszenia ryzyka.

Zrozumienie analizy predykcyjnej

Analityka predykcyjna to forma technologii, która pozwala przewidywać pewne niewiadome w przyszłości. Wykorzystuje szereg technik do dokonywania tych ustaleń, w tym sztuczną inteligencję (AI), eksplorację danych,. uczenie maszynowe, modelowanie i statystyki. Na przykład eksploracja danych obejmuje analizę dużych zestawów danych w celu wykrycia z nich wzorców. Analiza tekstu robi to samo, z wyjątkiem dużych bloków tekstu.

Modele predykcyjne są wykorzystywane do wszelkiego rodzaju zastosowań, w tym:

• Prognoza pogody

• Tworzenie gier wideo

• Tłumaczenie głosu na tekst do przesyłania wiadomości z telefonu komórkowego

• obsługa klienta

• Rozwój portfela inwestycyjnego

Wszystkie te aplikacje wykorzystują opisowe modele statystyczne istniejących danych do przewidywania przyszłych danych.

Przydają się też firmom w zarządzaniu asortymentem, opracowywaniu strategii marketingowych i prognozowaniu sprzedaży. Pomaga również przetrwać firmom, szczególnie tym w wysoce konkurencyjnych branżach,. takich jak opieka zdrowotna i handel detaliczny. Inwestorzy i specjaliści finansowi mogą korzystać z tej technologii, aby pomóc w tworzeniu portfeli inwestycyjnych i zmniejszeniu ryzyka.

Modele te określają relacje, wzorce i struktury danych, które można wykorzystać do wyciągnięcia wniosków na temat tego, jak zmiany w podstawowych procesach generujących dane wpłyną na wyniki. Modele predykcyjne opierają się na tych modelach opisowych i analizują dane z przeszłości, aby określić prawdopodobieństwo pewnych przyszłych wyników, biorąc pod uwagę obecne warunki lub zestaw oczekiwanych przyszłych warunków.

Zastosowania analizy predykcyjnej

Analityka predykcyjna to narzędzie do podejmowania decyzji w różnych branżach.

Prognozowanie

Prognozowanie jest niezbędne w produkcji, ponieważ zapewnia optymalne wykorzystanie zasobów w łańcuchu dostaw. Krytyczne szprychy koła łańcucha dostaw, niezależnie od tego, czy jest to zarządzanie zapasami, czy hala produkcyjna, wymagają dokładnych prognoz dla funkcjonowania.

Modelowanie predykcyjne jest często wykorzystywane do czyszczenia i optymalizacji jakości danych wykorzystywanych do takich prognoz. Modelowanie zapewnia, że system może pozyskać więcej danych, w tym z operacji skierowanych do klienta, w celu zapewnienia dokładniejszej prognozy.

###Kredyt

Scoring kredytowy w dużym stopniu wykorzystuje analitykę predykcyjną. Gdy konsument lub firma ubiega się o kredyt, dane dotyczące historii kredytowej wnioskodawcy oraz historii kredytowej kredytobiorców o podobnych cechach są wykorzystywane do przewidywania ryzyka, że wnioskodawca może nie wywiązać się z jakiegokolwiek udzielonego kredytu.

###Ubezpieczenie

Dane i analityka predykcyjna odgrywają ważną rolę w underwritingu. Firmy ubezpieczeniowe badają osoby ubiegające się o polisę, aby określić prawdopodobieństwo konieczności wypłaty za przyszłe roszczenie w oparciu o obecną pulę ryzyka podobnych ubezpieczających, a także zdarzenia z przeszłości, które doprowadziły do wypłat. Aktuariusze rutynowo stosują modele predykcyjne, które uwzględniają cechy charakterystyczne w porównaniu z danymi dotyczącymi poprzednich posiadaczy polis i roszczeń .

###Marketing

Osoby pracujące w tej dziedzinie przyglądają się, jak konsumenci zareagowali na ogólną gospodarkę, planując nową kampanię. Mogą wykorzystać te zmiany demograficzne, aby określić, czy obecny asortyment produktów zachęci konsumentów do dokonania zakupu.

Tymczasem aktywni inwestorzy, podejmując decyzję o zakupie lub sprzedaży papierów wartościowych, patrzą na różne wskaźniki oparte na przeszłych wydarzeniach. Średnie kroczące, pasma i punkty przerwania są oparte na danych historycznych i służą do prognozowania przyszłych ruchów cen.

Analiza predykcyjna a nauczanie maszynowe

Powszechnym błędnym przekonaniem jest to, że analityka predykcyjna i uczenie maszynowe to te same rzeczy. Analizy predykcyjne pomagają nam zrozumieć możliwe przyszłe zdarzenia poprzez analizę przeszłości. W swej istocie analityka predykcyjna obejmuje szereg technik statystycznych (w tym uczenie maszynowe, modelowanie predykcyjne i eksplorację danych) i wykorzystuje statystyki (zarówno historyczne, jak i bieżące) do szacowania lub przewidywania przyszłych wyników.

Z drugiej strony uczenie maszynowe to poddziedzina informatyki, która zgodnie z definicją Arthura Samuela z 1959 r. (amerykańskiego pioniera w dziedzinie gier komputerowych i sztucznej inteligencji) oznacza „zaprogramowanie komputera cyfrowego, aby zachowywał się w sposób, który, gdyby został wykonany przez ludzi lub zwierzęta, zostałby opisany jako obejmujący proces uczenia się”.

Najpopularniejszymi modelami predykcyjnymi są drzewa decyzyjne, regresje (liniowe i logistyczne) oraz sieci neuronowe, które są nową dziedziną metod i technologii głębokiego uczenia się.

Rodzaje predykcyjnych modeli analitycznych

Istnieją trzy popularne techniki stosowane w analityce predykcyjnej: drzewa decyzyjne, sieci neuronowe i regresja. Przeczytaj więcej o każdym z nich poniżej.

###Drzewa decyzyjne

Jeśli chcesz zrozumieć, co prowadzi do czyichś decyzji, przydatne mogą okazać się drzewa decyzyjne. Ten typ modelu umieszcza dane w różnych sekcjach na podstawie określonych zmiennych, takich jak cena lub kapitalizacja rynkowa. Jak sama nazwa wskazuje, wygląda jak drzewo z pojedynczymi gałęziami i liśćmi. Gałęzie wskazują dostępne opcje, a poszczególne liście reprezentują konkretną decyzję.

Drzewa decyzyjne to najprostsze modele, ponieważ są łatwe do zrozumienia i analizy. Są również bardzo przydatne, gdy musisz podjąć decyzję w krótkim czasie.

###Regresja

Jest to model najczęściej używany w analizie statystycznej. Użyj go, gdy chcesz określić wzorce w dużych zestawach danych i gdy istnieje liniowa zależność między danymi wejściowymi. Ta metoda działa poprzez określenie formuły, która reprezentuje relację między wszystkimi danymi wejściowymi znalezionymi w zestawie danych. Na przykład możesz użyć regresji, aby dowiedzieć się, jak cena i inne kluczowe czynniki mogą wpływać na wydajność papieru wartościowego.

Sieci neuronowe

Sieci neuronowe zostały opracowane jako forma analizy predykcyjnej, naśladując sposób działania ludzkiego mózgu. Model ten może radzić sobie ze złożonymi relacjami danych przy użyciu sztucznej inteligencji i rozpoznawania wzorców. Użyj go, jeśli masz kilka przeszkód, które musisz pokonać, na przykład gdy masz pod ręką zbyt dużo danych, gdy nie masz formuły, której potrzebujesz, aby znaleźć związek między danymi wejściowymi i wyjściowymi w zestawie danych lub gdy Potrzeba raczej przewidywania niż wymyślania wyjaśnień.

Jeśli jako modeli używałeś już drzew decyzyjnych i regresji, możesz potwierdzić swoje ustalenia za pomocą sieci neuronowych.

Jak firmy mogą korzystać z analiz predykcyjnych

Jak wspomniano powyżej, analiza predykcyjna może być wykorzystywana w wielu różnych aplikacjach. Firmy mogą wykorzystać modele, które pomogą im rozwijać swoje interesy i usprawnić swoją działalność. Modele predykcyjne są często wykorzystywane przez firmy w celu poprawy obsługi klienta i zasięgu.

Dyrektorzy i właściciele firm mogą skorzystać z tego rodzaju analizy statystycznej w celu określenia zachowań klientów. Na przykład właściciel firmy może użyć technik predykcyjnych, aby zidentyfikować i skierować do stałych klientów, którzy mogą uchylić się i udać się do konkurenta.

Analityka predykcyjna odgrywa kluczową rolę w reklamie i marketingu. Firmy mogą korzystać z modeli, aby określić, którzy klienci prawdopodobnie pozytywnie zareagują na kampanie marketingowe i sprzedażowe. Właściciele firm mogą zaoszczędzić pieniądze, kierując reklamy do klientów, którzy zareagują pozytywnie, zamiast prowadzić ogólne kampanie.

Korzyści z analizy predykcyjnej

Korzystanie z analizy predykcyjnej ma wiele zalet. Jak wspomniano powyżej, korzystanie z tego typu analizy może pomóc podmiotom, gdy trzeba przewidywać wyniki, gdy nie ma innych (i oczywistych) dostępnych odpowiedzi.

Inwestorzy,. specjaliści finansowi i liderzy biznesu mogą korzystać z modeli, które pomagają zmniejszyć ryzyko. Na przykład inwestor i jego doradca mogą korzystać z określonych modeli, aby pomóc w stworzeniu portfela inwestycyjnego przy minimalnym ryzyku dla inwestora, biorąc pod uwagę pewne czynniki, takie jak wiek, kapitał i cele.

Stosowanie modeli ma znaczący wpływ na redukcję kosztów. Firmy mogą określić prawdopodobieństwo sukcesu lub niepowodzenia produktu przed jego wprowadzeniem na rynek. Mogą też odłożyć kapitał na ulepszenia produkcji, stosując techniki predykcyjne przed rozpoczęciem procesu produkcyjnego.

Krytyka analityki predykcyjnej

Stosowanie analiz predykcyjnych zostało skrytykowane, aw niektórych przypadkach prawnie ograniczone ze względu na postrzegane nierówności w jego wynikach. Najczęściej dotyczy to modeli predykcyjnych, które prowadzą do statystycznej dyskryminacji grup rasowych lub etnicznych w obszarach takich jak ocena kredytowa, kredyty mieszkaniowe, zatrudnienie lub ryzyko zachowań przestępczych.

Znanym tego przykładem jest (obecnie nielegalna) praktyka polegająca na zaciąganiu kredytów mieszkaniowych przez banki. Bez względu na to, czy prognozy wyciągnięte z takich analiz są dokładne, ich użycie jest generalnie niemile widziane, a dane, które wyraźnie zawierają informacje, takie jak rasa danej osoby, są obecnie często wykluczane z analiz predykcyjnych.

Najczęściej zadawane pytania dotyczące analizy predykcyjnej

W jaki sposób Netflix korzysta z analiz predykcyjnych?

Zbieranie danych jest bardzo ważne dla firmy takiej jak Netflix. Zbiera dane od swoich klientów na podstawie ich zachowań i wcześniejszych wzorców oglądania. Wykorzystuje informacje i tworzy prognozy na podstawie zaleceń w oparciu o ich preferencje. Jest to podstawa list „Ponieważ obejrzałeś...”, które znajdziesz w swoim abonamencie.

Jakie są trzy filary analizy danych?

Istnieją trzy filary analizy danych. Są to potrzeby podmiotu korzystającego z modeli, dane i technologia użyta do ich badania oraz działania i spostrzeżenia wynikające z zastosowania tego rodzaju analizy.

##Przegląd najważniejszych wydarzeń

• Analityka predykcyjna wykorzystuje statystyki i techniki modelowania w celu określenia przyszłej wydajności.

• Modele predykcyjne pomagają w prognozowaniu pogody, tworzeniu gier wideo, tłumaczeniu wiadomości głosowych na tekst, decyzjach dotyczących obsługi klienta oraz tworzeniu portfeli inwestycyjnych.

• Branże i dyscypliny, takie jak ubezpieczenia i marketing, wykorzystują techniki predykcyjne do podejmowania ważnych decyzji.

• Ludzie często mylą analitykę predykcyjną z uczeniem maszynowym, mimo że są to dwie różne dyscypliny.

• Rodzaje modeli predykcyjnych obejmują drzewa decyzyjne, regresję i sieci neuronowe.