预测建模

什么是预测建模？

预测建模是使用已知结果来创建、处理和验证可用于预测未来结果的模型的过程。它是一种用于预测分析的工具，一种试图回答“未来可能发生什么？”的问题的数据挖掘技术。

通过分析历史事件，公司可以使用预测模型来增加预测事件、客户行为以及金融、经济和市场风险的概率。

向数字产品的快速迁移创造了可供企业随时使用的海量数据。公司利用大数据来改善客户与企业关系的动态。这些海量实时数据是从社交媒体、互联网浏览历史、手机数据和云计算平台等来源检索的。

然而，这些数据通常是非结构化的，而且过于复杂，人类无法在短时间内进行分析。由于数据量巨大，公司通常通过计算机软件程序使用预测建模工具。这些程序处理大量历史数据，以评估和识别数据中的模式。从那里，该模型可以提供历史记录以及对哪些行为或事件可能再次或将来发生的评估。

运动队可以使用预测模型，通过球员统计数据和情境分析来分析成功的概率。

预测分析使用预测变量或已知特征来创建将用于获得输出的预测模型。预测模型能够了解不同数据点如何相互连接。两种最广泛使用的预测建模技术是回归和神经网络。

在统计领域，回归是指输入和输出变量之间的线性关系。具有线性函数的预测模型需要一个预测变量或特征来预测输出或结果。例如，希望在早期阶段发现洗钱活动的银行可能会采用线性预测模型。

该银行希望确定哪些客户可能在某个时间点从事洗钱活动。使用银行的客户数据，围绕客户在一段时间内进行的汇款金额建立了一个预测模型。

该模型被教导识别洗钱交易和正常交易之间的区别。模型的最佳结果应该是一个模式，表明哪些客户洗钱，哪些没有。如果模型感知到特定客户正在出现欺诈模式，它将创建一个采取行动的信号，该信号将由银行的欺诈预防部门处理。

预测模型也用于神经网络，例如机器学习和深度学习，这些都是人工智能 (AI) 的领域。神经网络受到人脑的启发，由层次结构的互连节点网络创建，这代表了人工智能的基础。神经网络的强大之处在于它们处理非线性数据关系的能力。他们能够创建变量之间的关系和模式，这对于人类分析师来说是不可能的或太耗时的。

一方面，银行可以将已知变量（例如其客户发起的转账价值）输入其模型，以确定谁可能从事洗钱活动。另一方面，神经网络可以通过创建输入变量之间的关系来创建更强大的模式。这些输入变量可能包括登录时间、用户的地理位置、用户设备的 IP 地址、资金的接收方或发送方，以及可能涉及洗钱活动的任何其他变量或行为。

金融公司使用的其他预测建模技术包括决策树、时间序列数据挖掘和贝叶斯分析。通过预测建模措施利用大数据的公司能够更好地了解他们的客户如何与他们的产品互动，并能够识别公司的潜在风险和机遇。

＃＃强调