Prädiktive Modellierung:Typen,

Predictive Modeling ist eine Methode zur Vorhersage zukünftiger Ergebnisse mithilfe von Datenmodellierung. Es ist eine der wichtigsten Möglichkeiten, wie ein Unternehmen seinen Weg in die Zukunft sehen und entsprechende Pläne schmieden kann. Obwohl nicht narrensicher, diese Methode neigt dazu, hohe Genauigkeitsraten zu haben, Deshalb wird es so häufig verwendet.

Was ist prädiktive Modellierung?

Zusamenfassend, Predictive Modeling ist eine statistische Technik, die maschinelles Lernen und Data Mining verwendet, um mit Hilfe historischer und vorhandener Daten wahrscheinliche zukünftige Ergebnisse vorherzusagen und vorherzusagen. Es funktioniert, indem es aktuelle und historische Daten analysiert und die gewonnenen Erkenntnisse auf ein Modell projiziert, das generiert wird, um wahrscheinliche Ergebnisse vorherzusagen. Predictive Modeling kann verwendet werden, um fast alles vorherzusagen, von TV-Quoten und dem nächsten Kauf eines Kunden bis hin zu Kreditrisiken und Unternehmensgewinnen.

Ein Vorhersagemodell ist nicht festgelegt; es wird regelmäßig validiert oder überarbeitet, um Änderungen in den zugrunde liegenden Daten zu berücksichtigen. Mit anderen Worten, es ist keine einmalige Vorhersage. Vorhersagemodelle treffen Annahmen auf der Grundlage dessen, was in der Vergangenheit passiert ist und was jetzt passiert. Wenn ankommen, neue Daten zeigen Veränderungen in dem, was jetzt passiert, die Auswirkungen auf das wahrscheinliche zukünftige Ergebnis neu berechnet werden müssen, auch. Zum Beispiel, Ein Softwareunternehmen könnte historische Verkaufsdaten gegen Marketingausgaben in mehreren Regionen modellieren, um ein Modell für zukünftige Einnahmen basierend auf den Auswirkungen der Marketingausgaben zu erstellen.

Die meisten Vorhersagemodelle arbeiten schnell und führen ihre Berechnungen oft in Echtzeit durch. Deshalb können Banken und Händler zum Beispiel, Berechnen Sie das Risiko eines Online-Hypotheken- oder Kreditkartenantrags und akzeptieren oder lehnen Sie die Anfrage basierend auf dieser Vorhersage fast sofort ab.

Einige Vorhersagemodelle sind komplexer, wie diejenigen, die in der Computerbiologie und im Quantencomputing verwendet werden; die Berechnung der resultierenden Ausgaben dauert länger als die Berechnung eines Kreditkartenantrags, erfolgt jedoch viel schneller, als dies in der Vergangenheit dank technologischer Fortschritte möglich war, inklusive Rechenleistung.

Top 5 Arten von Vorhersagemodellen

Glücklicherweise, Vorhersagemodelle müssen nicht für jede Anwendung von Grund auf neu erstellt werden. Predictive Analytics-Tools verwenden eine Vielzahl von geprüften Modellen und Algorithmen, die auf eine Vielzahl von Anwendungsfällen angewendet werden können.

Prädiktive Modellierungstechniken wurden im Laufe der Zeit perfektioniert. Wenn wir weitere Daten hinzufügen, mehr muskulöse Computer, KI und maschinelles Lernen und sehen Sie allgemeine Fortschritte in der Analytik, Mit diesen Modellen können wir mehr machen.

Die fünf wichtigsten Predictive Analytics-Modelle sind:

1. Klassifizierungsmodell: Als einfachstes Modell angesehen, es kategorisiert Daten für eine einfache und direkte Abfrageantwort. Ein Beispiel für einen Anwendungsfall wäre die Beantwortung der Frage „Ist dies eine betrügerische Transaktion?“
2. Clustering-Modell: Dieses Modell verschachtelt Daten durch gemeinsame Attribute. Es funktioniert, indem es Dinge oder Menschen mit gemeinsamen Merkmalen oder Verhaltensweisen gruppiert und Strategien für jede Gruppe in größerem Maßstab plant. Ein Beispiel ist die Bestimmung des Kreditrisikos eines Kreditantragstellers auf der Grundlage dessen, was andere Personen in derselben oder einer ähnlichen Situation in der Vergangenheit getan haben.
3. Prognosemodell: Dies ist ein sehr beliebtes Modell, und es funktioniert bei allem mit einem numerischen Wert, der auf dem Lernen aus historischen Daten basiert. Zum Beispiel, bei der Beantwortung, wie viel Salat ein Restaurant nächste Woche bestellen sollte oder wie viele Anrufe ein Kundendienstmitarbeiter pro Tag oder Woche bearbeiten kann, das System greift auf historische Daten zurück.
4. Ausreißer-Modell: Dieses Modell funktioniert durch die Analyse von anormalen oder abweichenden Datenpunkten. Zum Beispiel, Eine Bank könnte ein Ausreißermodell verwenden, um Betrug zu erkennen, indem sie fragt, ob eine Transaktion außerhalb der normalen Kaufgewohnheiten des Kunden liegt oder ob eine Ausgabe in einer bestimmten Kategorie normal ist oder nicht. Zum Beispiel, ein $1, 000 Kreditkartengebühr für eine Waschmaschine und einen Trockner im bevorzugten Big-Box-Geschäft des Karteninhabers wäre nicht alarmierend, aber $1, 000, die für Designerkleidung ausgegeben wurden, an einem Ort, an dem der Kunde noch nie andere Artikel in Rechnung gestellt hat, könnte ein Hinweis auf einen Kontobruch sein.
5. Zeitreihenmodell: Dieses Modell wertet eine Folge von Datenpunkten basierend auf der Zeit aus. Zum Beispiel, die Anzahl der in den letzten vier Monaten ins Krankenhaus aufgenommenen Schlaganfallpatienten wird verwendet, um vorherzusagen, wie viele Patienten das Krankenhaus nächste Woche voraussichtlich aufnehmen wird, nächsten Monat oder den Rest des Jahres. Eine einzelne Metrik, die über die Zeit gemessen und verglichen wird, ist daher aussagekräftiger als ein einfacher Durchschnitt.

Gängige Vorhersagealgorithmen

Vorhersagealgorithmen verwenden eines von zwei Dingen:maschinelles Lernen oder Deep Learning. Beides sind Teilmengen der künstlichen Intelligenz (KI). Machine Learning (ML) umfasst strukturierte Daten, wie Tabellenkalkulation oder Maschinendaten. Deep Learning (DL) befasst sich mit unstrukturierten Daten wie Video, Audio, Text, Social-Media-Posts und -Bilder – im Wesentlichen das Material, mit dem Menschen kommunizieren, sind keine Zahlen oder Messwerte.

Einige der gebräuchlicheren Vorhersagealgorithmen sind:

1. Zufälliger Wald: Dieser Algorithmus wird aus einer Kombination von Entscheidungsbäumen abgeleitet, nichts davon ist verwandt, und kann sowohl Klassifikation als auch Regression verwenden, um große Datenmengen zu klassifizieren.
2. Generalisiertes Lineares Modell (GLM) für zwei Werte: Dieser Algorithmus schränkt die Liste der Variablen ein, um die „beste Anpassung“ zu finden. Es kann Kipppunkte herausarbeiten und die Datenerfassung und andere Einflüsse ändern, wie kategoriale Prädiktoren, um das „best fit“-Ergebnis zu bestimmen, dadurch Überwindung der Nachteile anderer Modelle, wie eine regelmäßige lineare Regression.
3. Gradientenverstärktes Modell: Dieser Algorithmus verwendet auch mehrere kombinierte Entscheidungsbäume, aber im Gegensatz zu Random Forest, die Bäume sind verwandt. Es baut einen Baum nach dem anderen aus, Dadurch kann der nächste Baum Fehler im vorherigen Baum korrigieren. Es wird oft in Rankings verwendet, B. auf Suchmaschinenausgaben.
4. K-bedeutet: Ein beliebter und schneller Algorithmus, K-Means gruppiert Datenpunkte nach Ähnlichkeiten und wird daher häufig für das Clustering-Modell verwendet. Es kann schnell Dinge wie personalisierte Einzelhandelsangebote für Einzelpersonen innerhalb einer großen Gruppe darstellen, wie eine Million oder mehr Kunden mit einer ähnlichen Vorliebe für gefütterte rote Wollmäntel.
5. Prophet: Dieser Algorithmus wird in Zeitreihen- oder Prognosemodellen zur Kapazitätsplanung verwendet, wie zum Beispiel für den Lagerbedarf, Verkaufsquoten und Ressourcenzuweisungen. Es ist sehr flexibel und kann leicht Heuristiken und eine Reihe nützlicher Annahmen aufnehmen.

Prädiktive Modellierung und Datenanalyse

Predictive Modeling wird auch als Predictive Analytics bezeichnet. Allgemein, im akademischen Umfeld wird der Begriff „Predictive Modeling“ bevorzugt, während „Predictive Analytics“ der bevorzugte Begriff für kommerzielle Anwendungen von Predictive Modeling ist.

Der erfolgreiche Einsatz von Predictive Analytics hängt stark vom uneingeschränkten Zugang zu ausreichenden Mengen an genauen, saubere und relevante Daten. Während Vorhersagemodelle außerordentlich komplex sein können, wie solche, die Entscheidungsbäume und k-Means-Clustering verwenden, der komplexeste Teil ist immer das neuronale Netz; das ist, das Modell, mit dem Computer trainiert werden, um Ergebnisse vorherzusagen. Machine Learning verwendet ein neuronales Netz, um Korrelationen in außergewöhnlich großen Datensätzen zu finden und Muster in den Daten zu „lernen“ und zu identifizieren.

Vorteile der prädiktiven Modellierung

In einer Nussschale, Predictive Analytics verkürzt die Zeit, Aufwand und Kosten bei der Prognose von Geschäftsergebnissen. Variablen wie Umweltfaktoren, Wettbewerbsintelligenz, Regulierungsänderungen und Marktbedingungen können in die mathematische Berechnung einbezogen werden, um zu relativ geringen Kosten vollständigere Ansichten zu erhalten.

Beispiele für bestimmte Arten von Prognosen, von denen Unternehmen profitieren können, sind Bedarfsprognosen, Personalplanung, Abwanderungsanalyse, externe Faktoren, Wettbewerbsanalyse, Flotten- und IT-Hardwarewartung sowie finanzielle Risiken.

Herausforderungen der prädiktiven Modellierung

Es ist wichtig, Predictive Analytics auf die Gewinnung nützlicher Geschäftseinblicke zu konzentrieren, da nicht alles, was diese Technologie ausgräbt, nützlich ist. Einige gewonnene Informationen sind nur für die Befriedigung eines neugierigen Geistes von Wert und haben nur wenige oder keine geschäftlichen Auswirkungen. Ablenkung ist eine Ablenkung, die sich nur wenige Unternehmen leisten können.

Ebenfalls, Die Möglichkeit, mehr Daten in der Vorhersagemodellierung verwenden zu können, ist nur bis zu einem gewissen Punkt von Vorteil. Zu viele Daten können die Berechnung verfälschen und zu einem bedeutungslosen oder fehlerhaften Ergebnis führen. Zum Beispiel, mehr Mäntel werden verkauft, wenn die Außentemperatur sinkt. Aber nur bis zu einem gewissen Punkt. Die Leute kaufen nicht mehr Mäntel, wenn es draußen -20 Grad Fahrenheit ist, als wenn es -5 Grad unter dem Gefrierpunkt ist. An einer bestimmten Stelle, Kälte ist kalt genug, um den Kauf von Mänteln anzuregen, und kältere Temperaturen ändern dieses Muster nicht mehr merklich.

Und mit den riesigen Datenmengen, die bei der Vorhersagemodellierung beteiligt sind, Die Aufrechterhaltung von Sicherheit und Datenschutz wird ebenfalls eine Herausforderung sein. Weitere Herausforderungen liegen in den Grenzen des maschinellen Lernens.

Grenzen der prädiktiven Modellierung

Laut einem McKinsey-Bericht Häufige Einschränkungen und ihre „besten Lösungen“ umfassen:

1. Fehler bei der Datenbeschriftung: Diese können mit Reinforcement Learning oder Generative Adversarial Networks (GANs) überwunden werden.
2. Mangel an massiven Datensätzen, die zum Trainieren des maschinellen Lernens erforderlich sind: Eine mögliche Lösung ist „One-Shot-Learning, “, wobei eine Maschine aus einer kleinen Anzahl von Demonstrationen lernt und nicht aus einem riesigen Datensatz.
3. Die Unfähigkeit der Maschine zu erklären, was und warum sie getan hat, was sie getan hat: Maschinen „denken“ oder „lernen“ nicht wie Menschen. Gleichfalls, ihre Berechnungen können so außergewöhnlich komplex sein, dass Menschen Schwierigkeiten haben, geschweige denn folgen, die Logik. All dies erschwert es einer Maschine, ihre Arbeit zu erklären, oder für den Menschen, dies zu tun. Modelltransparenz ist jedoch aus einer Reihe von Gründen notwendig, unter denen die menschliche Sicherheit an erster Stelle steht. Vielversprechende mögliche Korrekturen:Lokal-interpretierbare-modell-agnostische Erklärungen (LIME) und Aufmerksamkeitstechniken.
4. Generalisierbarkeit des Lernens , oder besser gesagt das Fehlen davon: Im Gegensatz zu Menschen, Maschinen haben Schwierigkeiten, das Gelernte weiterzutragen. Mit anderen Worten, Sie haben Schwierigkeiten, das Gelernte auf neue Umstände anzuwenden. Alles, was es gelernt hat, ist nur auf einen Anwendungsfall anwendbar. Aus diesem Grund müssen wir uns in absehbarer Zeit keine Sorgen über den Aufstieg von KI-Overlords machen. Damit die Vorhersagemodellierung mit maschinellem Lernen wiederverwendbar ist, d. h. nützlich in mehr als einem Anwendungsfall – eine mögliche Lösung ist das Transferlernen.
5. Verzerrungen in Daten und Algorithmen: Die Nichtrepräsentation kann die Ergebnisse verzerren und zu Misshandlungen großer Gruppen von Menschen führen. Weiter, Eingebrannte Verzerrungen sind später schwer zu finden und zu beseitigen. Mit anderen Worten, Vorurteile neigen dazu, sich selbst zu erhalten. Dies ist ein bewegliches Ziel, und es wurde noch keine eindeutige Lösung identifiziert.

Die Zukunft der Vorhersagemodellierung

Prädiktive Modellierung, auch als Predictive Analytics bekannt, und maschinelles Lernen sind noch jung und entwickeln sich Technologien, das heißt, es kommt noch viel mehr. Als Techniken, Methoden, Werkzeuge und Technologien verbessern, ebenso die Vorteile für Unternehmen und Gesellschaften.

Jedoch, Dies sind keine Technologien, die sich Unternehmen später leisten können, nachdem die Technologie ausgereift ist und alle Knicke ausgearbeitet sind. Die kurzfristigen Vorteile sind einfach zu groß, als dass sie ein Late Adopter überwinden und wettbewerbsfähig bleiben könnte.

Unser Rat:Verstehen und implementieren Sie die Technologie von Zeit zu Zeit und steigern Sie dann den Geschäftsnutzen zusammen mit nachfolgenden technologischen Fortschritten.

Prädiktive Modellierung in Plattformen

Für alle außer den größten Unternehmen, Die Vorteile von Predictive Analytics lassen sich am einfachsten durch den Einsatz von ERP-Systemen erreichen, die über integrierte Technologien verfügen und vortrainiertes maschinelles Lernen enthalten. Zum Beispiel, Planung, Prognose- und Budgetierungsfunktionen können eine statistische Modell-Engine bereitstellen, um schnell mehrere Szenarien zu modellieren, die mit sich ändernden Marktbedingungen umgehen.

Als weiteres Beispiel, eine Versorgungsplanungs- oder Versorgungskapazitätsfunktion kann in ähnlicher Weise potenziell verspätete Lieferungen vorhersagen, Kauf- oder Verkaufsaufträge und andere Risiken oder Auswirkungen. Alternative Lieferanten können auch auf dem Dashboard dargestellt werden, damit Unternehmen ihre Produktions- oder Vertriebsanforderungen erfüllen können.

Finanzmodellierung sowie Planung und Budgetierung sind Schlüsselbereiche, um die vielen Vorteile dieser fortschrittlichen Technologien zu nutzen, ohne Ihr Team zu überfordern.