Predictive Analytics

Vad är prediktiv analys?

Termen prediktiv analys avser användningen av statistik och modelleringstekniker för att göra förutsägelser om framtida resultat och prestanda. Predictive analytics tittar på aktuella och historiska datamönster för att avgöra om dessa mönster sannolikt kommer att dyka upp igen. Detta gör det möjligt för företag och investerare att anpassa var de använder sina resurser för att dra fördel av eventuella framtida händelser. Prediktiv analys kan också användas för att förbättra operativ effektivitet och minska risker.

Förstå Predictive Analytics

Predictive analytics är en form av teknik som gör förutsägelser om vissa okända saker i framtiden. Den bygger på en rad tekniker för att göra dessa bestämningar, inklusive artificiell intelligens (AI), datautvinning,. maskininlärning, modellering och statistik. Datautvinning innebär till exempel analys av stora uppsättningar data för att upptäcka mönster från den. Textanalys gör detsamma, förutom stora textblock.

Prediktiva modeller används för alla typer av applikationer, inklusive:

• Väderprognoser

• Skapa tv-spel

• Översätta röst till text för mobiltelefonmeddelanden

• Kundservice

• Utveckling av investeringsportföljen

Alla dessa applikationer använder beskrivande statistiska modeller av befintliga data för att göra förutsägelser om framtida data.

De är också användbara för företag för att hjälpa dem att hantera lager, utveckla marknadsföringsstrategier och prognostisera försäljning. Det hjälper också företag att överleva, särskilt de i starkt konkurrensutsatta branscher,. som hälsovård och detaljhandel. Investerare och finansexperter kan dra nytta av denna teknik för att hjälpa till att skapa investeringsportföljer och minska risken.

Dessa modeller bestämmer relationer, mönster och strukturer i data som kan användas för att dra slutsatser om hur förändringar i de underliggande processerna som genererar data kommer att förändra resultaten. Prediktiva modeller bygger på dessa beskrivande modeller och tittar på tidigare data för att bestämma sannolikheten för vissa framtida utfall, givet nuvarande förhållanden eller en uppsättning förväntade framtida förhållanden.

Användning av prediktiv analys

Predictive analytics är ett beslutsfattande verktyg i en mängd olika branscher.

Prognos

Prognoser är avgörande i tillverkningen eftersom det säkerställer optimalt utnyttjande av resurser i en försörjningskedja. Kritiska ekrar för leverantörskedjehjulet, oavsett om det är lagerhantering eller verkstadsgolvet, kräver korrekta prognoser för att fungera.

Prediktiv modellering används ofta för att rensa och optimera kvaliteten på data som används för sådana prognoser. Modellering säkerställer att mer data kan tas in av systemet, inklusive från kundnära verksamheter, för att säkerställa en mer exakt prognos.

Kredit

Kreditvärdering använder sig i stor utsträckning av prediktiv analys. När en konsument eller ett företag ansöker om kredit används uppgifter om sökandens kredithistorik och kredithistorik för låntagare med liknande egenskaper för att förutsäga risken för att sökanden kan misslyckas med att prestera på någon kredit som beviljats.

Underwriting

Data och prediktiv analys spelar en viktig roll vid emissionsgarantier. Försäkringsbolag undersöker försäkringssökande för att fastställa sannolikheten att behöva betala ut för ett framtida krav baserat på den nuvarande riskpoolen för liknande försäkringstagare, såväl som tidigare händelser som har resulterat i utbetalningar. Prediktiva modeller som tar hänsyn till egenskaper i jämförelse med data om tidigare försäkringstagare och fordringar används rutinmässigt av aktuarier.

Marknadsföring

Individer som arbetar inom detta område tittar på hur konsumenterna har reagerat på den totala ekonomin när de planerar en ny kampanj. De kan använda dessa förändringar i demografin för att avgöra om den nuvarande mixen av produkter kommer att locka konsumenter att göra ett köp.

Aktiva handlare tittar under tiden på en mängd olika mätvärden baserade på tidigare händelser när de bestämmer sig för om de ska köpa eller sälja ett värdepapper. Glidande medelvärden, band och brytpunkter baseras på historiska data och används för att förutsäga framtida prisrörelser.

Predictive Analytics vs Machine Learning

En vanlig missuppfattning är att prediktiv analys och maskininlärning är samma saker. Prediktiv analys hjälper oss att förstå möjliga framtida händelser genom att analysera det förflutna. I sin kärna inkluderar prediktiv analys en serie statistiska tekniker (inklusive maskininlärning, prediktiv modellering och datautvinning) och använder statistik (både historisk och aktuell) för att uppskatta eller förutsäga framtida resultat.

Maskininlärning, å andra sidan, är ett underområde av datavetenskap som, enligt definitionen från 1959 av Arthur Samuel (en amerikansk pionjär inom området datorspel och artificiell intelligens) betyder "programmeringen av en digital dator för att bete sig i en sätt som, om det görs av människor eller djur, skulle beskrivas som involverande inlärningsprocessen."

De vanligaste prediktiva modellerna inkluderar beslutsträd, regressioner (linjära och logistiska) och neurala nätverk, som är det framväxande området för metoder och teknologier för djupinlärning.

Typer av prediktiva analytiska modeller

Det finns tre vanliga tekniker som används i prediktiv analys: beslutsträd, neurala nätverk och regression. Läs mer om var och en av dessa nedan.

Beslutsträd

Om du vill förstå vad som leder till någons beslut, kan du ha nytta av beslutsträd. Denna typ av modell placerar data i olika sektioner baserat på vissa variabler , såsom pris eller marknadskapital . Precis som namnet antyder ser det ut som ett träd med enskilda grenar och löv. Grenar anger vilka valmöjligheter som finns medan enskilda blad representerar ett visst beslut.

Beslutsträd är de enklaste modellerna eftersom de är lätta att förstå och dissekera. De är också mycket användbara när du behöver fatta ett beslut på kort tid.

Regression

Det är den modell som används mest i statistisk analys. Använd den när du vill bestämma mönster i stora uppsättningar data och när det finns ett linjärt samband mellan ingångarna. Denna metod fungerar genom att räkna ut en formel som representerar förhållandet mellan alla indata som finns i datamängden. Du kan till exempel använda regression för att ta reda på hur pris och andra nyckelfaktorer kan forma ett värdepappers prestanda.

Neurala nätverk

Neurala nätverk utvecklades som en form av prediktiv analys genom att imitera hur den mänskliga hjärnan fungerar. Denna modell kan hantera komplexa datarelationer med hjälp av artificiell intelligens och mönsterigenkänning. Använd den om du har flera hinder som du behöver övervinna som när du har för mycket data till hands, när du inte har formeln du behöver för att hjälpa dig hitta ett samband mellan indata och utdata i din datauppsättning, eller när du behöver göra förutsägelser snarare än komma med förklaringar.

Om du redan har använt beslutsträd och regression som modeller kan du bekräfta dina fynd med neurala nätverk.

Hur företag kan använda prediktiv analys

Som nämnts ovan kan prediktiv analys användas i ett antal olika tillämpningar. Företag kan dra nytta av modeller för att främja sina intressen och förbättra sin verksamhet. Förutsägande modeller används ofta av företag för att förbättra deras kundservice och uppsökande verksamhet.

Chefer och företagsägare kan dra nytta av denna typ av statistisk analys för att fastställa kundbeteende. Till exempel kan ägaren av ett företag använda prediktiva tekniker för att identifiera och rikta in sig på vanliga kunder som kan göra avbrott och gå till en konkurrent.

Predictive analytics spelar en nyckelroll i reklam och marknadsföring. Företag kan använda modeller för att avgöra vilka kunder som sannolikt kommer att reagera positivt på marknadsförings- och försäljningskampanjer. Företagsägare kan spara pengar genom att rikta in sig på kunder som kommer att reagera positivt i stället för att göra allmänna kampanjer.

Fördelar med Predictive Analytics

Det finns många fördelar med att använda prediktiv analys. Som nämnts ovan kan användning av denna typ av analys hjälpa enheter när du behöver göra förutsägelser om utfall när det inte finns några andra (och uppenbara) svar tillgängliga.

Investerare,. finansexperter och företagsledare kan använda modeller för att minska riskerna. Till exempel kan en investerare och deras rådgivare använda vissa modeller för att skapa en investeringsportfölj med minimal risk för investeraren genom att ta hänsyn till vissa faktorer, såsom ålder, kapital och mål.

Det finns en betydande inverkan på kostnadsminskningen när modeller används. Företag kan avgöra sannolikheten för framgång eller misslyckande för en produkt innan den lanseras. Eller så kan de avsätta kapital för produktionsförbättringar genom att använda prediktiva tekniker innan tillverkningsprocessen börjar.

Kritik av Predictive Analytics

Användningen av prediktiv analys har kritiserats och, i vissa fall, juridiskt begränsad på grund av upplevda orättvisor i dess resultat. Oftast handlar det om prediktiva modeller som resulterar i statistisk diskriminering av ras eller etniska grupper inom områden som kreditvärdering, bostadslån, anställning eller risk för kriminellt beteende.

Ett känt exempel på detta är bankernas (nu olagliga) praxis med redlining i bostadslån. Oavsett om förutsägelserna från användningen av sådan analys är korrekta, är deras användning i allmänhet ogillades, och data som explicit innehåller information som en persons ras är nu ofta uteslutna från prediktiv analys.

Vanliga frågor om Predictive Analytics

Hur använder Netflix Predictive Analytics?

Datainsamling är mycket viktig för ett företag som Netflix. Den samlar in data från sina kunder baserat på deras beteende och tidigare tittarmönster. Den använder information och gör förutsägelser baserade för att ge rekommendationer baserat på deras preferenser. Detta är grunden bakom "Because you watched..."-listor som du hittar på din prenumeration.

Vilka är de tre pelarna i dataanalys?

Det finns tre pelare för dataanalys. De är behoven hos den enhet som använder modellerna, data och teknik som används för att studera den, och de handlingar och insikter som kommer som ett resultat av användningen av denna typ av analys.

Höjdpunkter

• Predictive analytics använder statistik och modelleringstekniker för att bestämma framtida prestanda.

• Förutsägande modeller hjälper till att göra väderprognoser, utveckla videospel, översätta röst-till-textmeddelanden, kundtjänstbeslut och utveckla investeringsportföljer.

– Branscher och discipliner, som försäkring och marknadsföring, använder prediktiva tekniker för att fatta viktiga beslut.

– Folk blandar ofta ihop prediktiv analys med maskininlärning trots att de två är olika discipliner.

• Typer av prediktiva modeller inkluderar beslutsträd, regression och neurala nätverk.