Ce este modelarea predictivă?
Modelarea predictivă este procesul de utilizare a rezultatelor cunoscute pentru a crea, prelucra și valida un model care poate fi utilizat pentru a prognoza rezultatele viitoare. Este un instrument folosit în analiza predictivă, o tehnică de extragere a datelor care încearcă să răspundă la întrebarea „ce s-ar putea întâmpla în viitor?”
Înțelegerea modelării predictive
Migrarea rapidă către produse digitale a creat o mare de date care sunt ușor disponibile și accesibile pentru companii. Datele mari sunt utilizate de companii pentru a îmbunătăți dinamica relației client-afaceri. Această cantitate vastă de date în timp real este obținută din surse precum rețelele de socializare, istoricul navigării pe internet, datele telefonului mobil și platformele de calcul cloud.
Analizând evenimentele istorice, există o probabilitate ca o afacere să poată prezice ce s-ar întâmpla în viitor și să planifice în consecință. Cu toate acestea, aceste date sunt de obicei nestructurate și prea complexe pentru ca oamenii să poată fi analizați într-o perioadă scurtă de timp. Datorită complexității pe care o prezintă cantitățile enorme de date, companiile folosesc din ce în ce mai mult instrumente de analiză predictivă pentru a prognoza rezultatul unui eveniment care se poate întâmpla în viitorul apropiat.
Cum funcționează analiza predictivă
Analitica predictivă colectează și prelucrează date istorice în cantități uriașe și folosește computere puternice pentru a evalua ce s-a întâmplat în trecut, apoi oferă o evaluare a ceea ce se va întâmpla în viitor.
Analitica predictivă folosește predictori sau caracteristici cunoscute pentru a crea modele predictive care vor fi utilizate la obținerea unei rezultate. Un model predictiv este capabil să învețe cum se conectează diferite puncte de date între ele. Două dintre cele mai utilizate tehnici de modelare predictivă sunt regresia și rețelele neuronale.
Companiile folosesc din ce în ce mai mult modelări predictive pentru a face predicții despre evenimentele care se vor întâmpla în viitorul apropiat.
consideratii speciale
În domeniul statisticilor, regresia se referă la o relație liniară între variabilele de intrare și de ieșire. Un model predictiv cu o funcție liniară necesită un predictor sau o caracteristică pentru a prezice rezultatul / rezultatul. De exemplu, o bancă care speră să detecteze spălarea banilor în fazele sale incipiente ar putea încorpora un model predictiv liniar.
Banca dorește în mod special să știe care dintre clienții săi sunt susceptibili să se implice în activități de spălare de bani la un moment dat. Toate datele clienților băncii sunt prezentate și se construiește un model predictiv în jurul valorii în dolari a transferurilor efectuate de fiecare client pe parcursul unei perioade de timp.
Modelul este învățat să recunoască diferența dintre o tranzacție de spălare de bani și o tranzacție normală. Rezultatul optim din model ar trebui să fie un model care semnalează clienții care spălau bani și care nu. Dacă modelul percepe că un model de fraudă apare pentru un anumit client, acesta va crea un semnal de acțiune la care vor participa analiștii fraudei băncii.
Modelele predictive sunt de asemenea utilizate în rețelele neuronale precum învățarea automată și învățarea profundă, care sunt câmpuri în inteligența artificială (AI). Rețelele neuronale sunt inspirate de creierul uman și sunt create cu o rețea de noduri interconectate la niveluri ierarhice, care reprezintă fundamentul AI. Puterea rețelelor neuronale constă în capacitatea lor de a gestiona relații neliniare de date. Acestea sunt capabile să creeze relații și tipare între variabile care s-ar dovedi imposibile sau consumă prea mult timp pentru analiștii umani.
Cheie de luat cu cheie
- Modelarea predictivă este procesul de utilizare a rezultatelor cunoscute pentru a crea, prelucra și valida un model care poate fi utilizat pentru a face predicții viitoare. Două dintre cele mai utilizate tehnici de modelare predictivă sunt regresia și rețelele neuronale.
Așadar, în timp ce o bancă poate introduce variabile cunoscute, cum ar fi valoarea transferurilor inițiate de clienții săi în modelul său, pentru a obține rezultatul dorit al celui care este probabil să se angajeze în spălarea banilor, o rețea neuronală poate crea un model mai puternic dacă poate creați cu succes o relație între variabilele de intrare, cum ar fi momentul conectat, locația geografică a utilizatorului, adresa IP a dispozitivului utilizatorului, destinatarul sau expeditorul fondurilor și orice altă caracteristică care poate face o activitate de spălare.
Alte tehnici de modelare predictivă utilizate de companiile financiare includ arborii de decizii, extragerea datelor de serii de timp și analiza bayesiană. Companiile care profită de date mari prin măsuri de modelare predictivă sunt mai capabile să înțeleagă modul în care clienții lor se angajează cu produsele lor și pot identifica potențialele riscuri și oportunități pentru o companie.
