modelowanie predykcyjne

Co to jest modelowanie predykcyjne?

Modelowanie predykcyjne to proces wykorzystywania znanych wyników do tworzenia, przetwarzania i walidacji modelu, który można wykorzystać do prognozowania przyszłych wyników. Jest to narzędzie wykorzystywane w analityce predykcyjnej,. technice eksploracji danych, która próbuje odpowiedzieć na pytanie „co może się wydarzyć w przyszłości?”

Zrozumienie modelowania predykcyjnego

Analizując zdarzenia historyczne, firmy mogą wykorzystywać modelowanie predykcyjne w celu zwiększenia prawdopodobieństwa prognozowania zdarzeń, zachowań klientów, a także ryzyka finansowego, gospodarczego i rynkowego.

Szybka migracja do produktów cyfrowych stworzyła morze danych, które są łatwo dostępne dla firm. Big data jest wykorzystywana przez firmy do poprawy dynamiki relacji klient-firma. Ta ogromna ilość danych w czasie rzeczywistym jest pobierana z takich źródeł, jak media społecznościowe, historia przeglądania Internetu, dane z telefonów komórkowych i platformy przetwarzania w chmurze.

Jednak dane są zwykle nieustrukturyzowane i zbyt złożone, aby ludzie mogli je przeanalizować w krótkim czasie. Ze względu na samą ilość danych firmy korzystają z narzędzi do modelowania predykcyjnego – często za pośrednictwem programów komputerowych. Programy przetwarzają ogromne ilości danych historycznych w celu oceny i identyfikacji wzorców w danych. Stamtąd model może zapewnić zapis historyczny, a także ocenę, jakie zachowania lub zdarzenia prawdopodobnie wystąpią ponownie lub w przyszłości.

Modelowanie predykcyjne może być wykorzystywane przez drużyny sportowe do analizy prawdopodobieństwa sukcesu przy użyciu statystyk zawodników i analizy sytuacyjnej.

Zastosowania modelowania predykcyjnego

Analityka predykcyjna wykorzystuje predyktory lub znane funkcje do tworzenia modeli predykcyjnych, które będą używane do uzyskiwania danych wyjściowych. Model predykcyjny jest w stanie nauczyć się, jak różne punkty danych łączą się ze sobą. Dwie z najczęściej stosowanych technik modelowania predykcyjnego to regresja i sieci neuronowe.

W dziedzinie statystyki regresja odnosi się do liniowej zależności między zmiennymi wejściowymi i wyjściowymi. Model predykcyjny z funkcją liniową wymaga jednego predyktora lub funkcji w celu przewidzenia wyniku lub wyniku. Na przykład bank, który ma nadzieję wykryć pranie pieniędzy na wczesnym etapie, może zastosować liniowy model predykcyjny.

Bank chce określić, którzy z jego klientów mogą w pewnym momencie zaangażować się w pranie pieniędzy. Wykorzystując dane klientów banku, budowany jest model predykcyjny w oparciu o kwotę przelewów pieniężnych dokonanych przez klientów w określonym czasie.

Model uczy się rozpoznawać różnicę między transakcją prania pieniędzy a normalną transakcją. Optymalny wynik z modelu powinien być wzorem sygnalizującym, który klient wyprał pieniądze, a który nie. Jeżeli model dostrzeże, że u danego klienta pojawia się wzorzec nadużyć, stworzy sygnał do działania, którym zajmie się komórka banku ds. przeciwdziałania nadużyciom.

Narzędzia do modelowania predykcyjnego

Modele predykcyjne są również wykorzystywane w sieciach neuronowych, takich jak uczenie maszynowe i głębokie uczenie, które są dziedzinami sztucznej inteligencji (AI). Sieci neuronowe są inspirowane ludzkim mózgiem i są tworzone z sieci połączonych ze sobą węzłów na poziomach hierarchicznych, co stanowi podstawę sztucznej inteligencji. Siła sieci neuronowych polega na ich zdolności do obsługi nieliniowych relacji danych. Są w stanie stworzyć relacje i wzorce między zmiennymi, które dla ludzkich analityków okażą się niemożliwe lub zbyt czasochłonne.

Z jednej strony bank może wprowadzać do swojego modelu znane zmienne, takie jak wartość przelewów inicjowanych przez jego klientów, aby określić, kto może zaangażować się w pranie brudnych pieniędzy. Z drugiej strony sieć neuronowa może stworzyć silniejszy wzorzec, tworząc relację między zmiennymi wejściowymi. Te zmienne wejściowe mogą obejmować czas zalogowania, lokalizację geograficzną użytkownika, adres IP urządzenia użytkownika, odbiorcę lub nadawcę środków oraz wszelkie inne zmienne lub zachowania, które mogą być związane z praniem pieniędzy.

Inne techniki modelowania predykcyjnego stosowane przez firmy finansowe obejmują drzewa decyzyjne, eksplorację danych szeregów czasowych i analizę bayesowską. Firmy, które wykorzystują duże zbiory danych dzięki środkom modelowania predykcyjnego, są w stanie lepiej zrozumieć, w jaki sposób ich klienci angażują się w ich produkty, i mogą zidentyfikować potencjalne zagrożenia i szanse dla firmy.

##Przegląd najważniejszych wydarzeń

• Modelowanie predykcyjne to proces wykorzystywania znanych wyników do tworzenia, przetwarzania i walidacji modelu, który można wykorzystać do prognozowania na przyszłość.

• Firmy mogą wykorzystywać modelowanie predykcyjne do prognozowania zdarzeń, zachowań klientów, a także ryzyka finansowego, gospodarczego i rynkowego.

• Dwie z najczęściej stosowanych technik modelowania predykcyjnego to regresja i sieci neuronowe.