Prediktiv modellering

Vad är prediktiv modellering?

Prediktiv modellering är processen att använda kända resultat för att skapa, bearbeta och validera en modell som kan användas för att förutse framtida resultat. Det är ett verktyg som används i prediktiv analys,. en datautvinningsteknik som försöker svara på frågan "vad kan hända i framtiden?"

Förstå prediktiv modellering

Genom att analysera historiska händelser kan företag använda prediktiv modellering för att öka sannolikheten för att prognostisera händelser, kundbeteende, såväl som finansiella, ekonomiska och marknadsrisker.

Den snabba migrationen till digitala produkter har skapat ett hav av data som är lättillgänglig för företag. Big data används av företag för att förbättra dynamiken i kund-till-företag-relationen. Denna enorma mängd realtidsdata hämtas från källor som sociala medier, webbhistorik, mobiltelefondata och molnbaserade datorplattformar.

Datan är dock vanligtvis ostrukturerad och för komplex för att människor ska kunna analysera dem på kort tid. På grund av den stora mängden data använder företag prediktiva modelleringsverktyg – ofta via datorprogram. Programmen bearbetar enorma mängder historisk data för att bedöma och identifiera mönster i datan. Därifrån kan modellen ge ett historiskt register såväl som en bedömning av vilka beteenden eller händelser som sannolikt kommer att inträffa igen eller i framtiden.

Prediktiv modellering kan användas av idrottslag för att analysera sannolikheterna för framgång med hjälp av spelarstatistik och situationsanalys.

Tillämpningar av prediktiv modellering

Prediktiv analys använder prediktorer eller kända funktioner för att skapa prediktiva modeller som kommer att användas för att få en utdata. En prediktiv modell kan lära sig hur olika datapunkter ansluter till varandra. Två av de mest använda teknikerna för prediktiv modellering är regression och neurala nätverk.

Inom statistikområdet avser regression ett linjärt samband mellan ingångs- och utdatavariablerna. En prediktiv modell med en linjär funktion kräver en prediktor eller funktion för att förutsäga resultatet eller resultatet. Till exempel kan en bank som hoppas kunna upptäcka penningtvätt i sina tidiga skeden införliva en linjär prediktiv modell.

Banken vill identifiera vilka av dess kunder som sannolikt kommer att ägna sig åt penningtvätt vid någon tidpunkt. Med hjälp av bankens kunddata byggs en prediktiv modell upp kring hur mycket pengar som kunder har gjort under en tidsperiod.

Modellen lärs känna igen skillnaden mellan en penningtvättstransaktion och en normal transaktion. Det optimala resultatet av modellen bör vara ett mönster som signalerar vilken kund som tvättade pengar och vilken som inte gjorde det. Om modellen uppfattar att ett bedrägerimönster håller på att växa fram för en viss kund, kommer det att skapa en signal till handling, som tas om hand av bankens bedrägeriförebyggande enhet.

Predictive Modeling Tools

Prediktiva modeller används också i neurala nätverk som maskininlärning och djupinlärning, som är områden inom artificiell intelligens (AI). De neurala nätverken är inspirerade av den mänskliga hjärnan och skapas med en väv av sammankopplade noder i hierarkiska nivåer, som representerar grunden för AI. Kraften hos neurala nätverk ligger i deras förmåga att hantera icke-linjära datarelationer. De kan skapa relationer och mönster mellan variabler som skulle visa sig omöjliga eller för tidskrävande för mänskliga analytiker.

Å ena sidan kan en bank mata in kända variabler, såsom värdet av överföringar initierade av dess kunder, i sin modell för att avgöra vem som sannolikt kommer att ägna sig åt penningtvätt. Å andra sidan kan ett neuralt nätverk skapa ett kraftfullare mönster genom att skapa en relation mellan indatavariabler. Dessa indatavariabler kan inkludera tid inloggad, användarens geografiska plats, IP-adress för användarens enhet, mottagare eller avsändare av pengarna och alla andra variabler eller beteenden som sannolikt är inblandade i penningtvättsaktivitet.

Andra prediktiva modelleringstekniker som används av finansiella företag inkluderar beslutsträd, tidsseriedatautvinning och Bayesiansk analys. Företag som drar fördel av big data genom prediktiva modelleringsåtgärder är bättre på att förstå hur deras kunder engagerar sig i deras produkter och kan identifiera potentiella risker och möjligheter för företaget.

Höjdpunkter

– Prediktiv modellering är processen att använda kända resultat för att skapa, bearbeta och validera en modell som kan användas för att göra framtida förutsägelser.

• Företag kan använda prediktiv modellering för att förutsäga händelser, kundbeteende, såväl som finansiella, ekonomiska och marknadsrisker.

– Två av de mest använda teknikerna för prediktiv modellering är regression och neurala nätverk.