tahmine dayalı modelleme
Öngörülü Modelleme Nedir?
Tahmine dayalı modelleme, gelecekteki sonuçları tahmin etmek için kullanılabilecek bir modeli oluşturmak, işlemek ve doğrulamak için bilinen sonuçları kullanma sürecidir. Tahmine dayalı analitikte kullanılan bir araçtır , "gelecekte ne olabilir?" Sorusunu yanıtlamaya çalışan bir veri madenciliği tekniğidir.
Tahmine Dayalı Modellemeyi Anlama
Şirketler, geçmiş olayları analiz ederek olayları, müşteri davranışını ve ayrıca finansal, ekonomik ve piyasa risklerini tahmin etme olasılığını artırmak için tahmine dayalı modellemeyi kullanabilir.
Dijital ürünlere hızlı geçiş, işletmelerin kolayca erişebileceği bir veri denizi yarattı. Büyük veriler,. şirketler tarafından müşteri-iş ilişkisinin dinamiklerini geliştirmek için kullanılır. Bu büyük miktarda gerçek zamanlı veri, sosyal medya, internet tarama geçmişi, cep telefonu verileri ve bulut bilgi işlem platformları gibi kaynaklardan alınır.
Bununla birlikte, veriler genellikle yapılandırılmamış ve insanların kısa sürede analiz etmesi için çok karmaşıktır. Büyük veri hacmi nedeniyle şirketler, genellikle bilgisayar yazılım programları aracılığıyla tahmine dayalı modelleme araçlarını kullanır. Programlar, verilerdeki kalıpları değerlendirmek ve tanımlamak için çok büyük miktarda geçmiş veriyi işler. Buradan, model, tarihsel bir kaydın yanı sıra, hangi davranışların veya olayların tekrar veya gelecekte meydana gelmesi muhtemel olduğuna dair bir değerlendirme sağlayabilir.
Tahmine dayalı modelleme, spor takımları tarafından oyuncu istatistiklerini ve durum analizini kullanarak başarı olasılıklarını analiz etmek için kullanılabilir.
Öngörülü Modelleme Uygulamaları
Tahmine dayalı analitik, bir çıktı elde etmede kullanılacak tahmine dayalı modeller oluşturmak için tahmin edicileri veya bilinen özellikleri kullanır. Tahmine dayalı bir model, farklı veri noktalarının birbirleriyle nasıl bağlantı kurduğunu öğrenebilir. En yaygın kullanılan tahmine dayalı modelleme tekniklerinden ikisi regresyon ve sinir ağlarıdır.
İstatistik alanında, regresyon, girdi ve çıktı değişkenleri arasındaki doğrusal bir ilişkiyi ifade eder. Doğrusal fonksiyona sahip bir tahmine dayalı model, çıktıyı veya sonucu tahmin etmek için bir tahmin edici veya özellik gerektirir. Örneğin, kara para aklamayı erken aşamalarında tespit etmeyi uman bir banka, doğrusal bir tahmin modeli kullanabilir.
Banka, belirli bir zamanda hangi müşterilerinin kara para aklama faaliyetlerinde bulunacağını belirlemek istiyor. Bankanın müşteri verilerini kullanarak, müşterilerin belirli bir süre boyunca yaptıkları para transferlerinin dolar tutarı etrafında bir tahmin modeli oluşturulur.
Modele kara para aklama işlemi ile normal işlem arasındaki farkı tanıması öğretilir. Modelden elde edilen optimal sonuç, hangi müşterinin kara para akladığını ve hangilerinin akmadığını gösteren bir kalıp olmalıdır. Model, belirli bir müşteri için bir dolandırıcılık modelinin ortaya çıktığını algılarsa, bankanın dolandırıcılık önleme biriminin ilgileneceği bir eylem sinyali oluşturacaktır.
Tahmine Dayalı Modelleme Araçları
Yapay zekanın (AI) alanları olan makine öğrenmesi ve derin öğrenme gibi sinir ağlarında da tahmine dayalı modeller kullanılmaktadır. Sinir ağları insan beyninden ilham alır ve yapay zekanın temelini temsil eden hiyerarşik seviyelerde birbirine bağlı düğümlerden oluşan bir ağ ile oluşturulur. Sinir ağlarının gücü, doğrusal olmayan veri ilişkilerini yönetme yeteneklerinde yatar. İnsan analistleri için imkansız veya çok zaman alıcı olduğunu kanıtlayacak olan değişkenler arasında ilişkiler ve kalıplar oluşturabilirler.
Bir yandan, bir banka, kimin kara para aklamayla meşgul olabileceğini belirlemek için müşterileri tarafından başlatılan transferlerin değeri gibi bilinen değişkenleri modeline girebilir. Öte yandan, bir sinir ağı, girdi değişkenleri arasında bir ilişki oluşturarak daha güçlü bir model oluşturabilir. Bu girdi değişkenleri, oturum açma zamanı, kullanıcının coğrafi konumu, kullanıcının cihazının IP adresi, paranın alıcısı veya göndericisi ve kara para aklama faaliyetine dahil olması muhtemel diğer herhangi bir değişken veya davranışı içerebilir.
Finansal şirketler tarafından kullanılan diğer tahmine dayalı modelleme teknikleri arasında karar ağaçları, zaman serisi veri madenciliği ve Bayes analizi yer alır. Tahmine dayalı modelleme önlemleri aracılığıyla büyük verilerden yararlanan şirketler, müşterilerinin ürünleriyle nasıl etkileşimde bulunduğunu daha iyi anlayabilir ve şirket için potansiyel riskleri ve fırsatları belirleyebilir.
##Öne çıkanlar
Tahmine dayalı modelleme, gelecekteki tahminler yapmak için kullanılabilecek bir modeli oluşturmak, işlemek ve doğrulamak için bilinen sonuçları kullanma sürecidir.
Şirketler, olayları, müşteri davranışlarını ve ayrıca finansal, ekonomik ve piyasa risklerini tahmin etmek için tahmine dayalı modellemeyi kullanabilir.
En yaygın kullanılan tahmine dayalı modelleme tekniklerinden ikisi regresyon ve sinir ağlarıdır.
