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 förutsäga framtida resultat. Det är ett verktyg som används i prediktiv analys, en data mining-teknik som försöker besvara frågan "vad kan eventuellt hända i framtiden?"
Förstå prediktiv modellering
Den snabba migrationen till digitala produkter har skapat ett hav av data som är lättillgängliga och tillgängliga för företag. Big data används av företag för att förbättra dynamiken i relation mellan kunder och företag. Denna enorma mängd realtidsdata hämtas från källor som sociala medier, webbläsarhistorik, mobildata och molnberäkneplattformar
Genom att analysera historiska händelser är det troligt att ett företag kan förutsäga vad som skulle hända i framtiden och planera i enlighet därmed. Dessa data är dock vanligtvis ostrukturerade och för komplicerade för människor att analysera på kort tid. På grund av komplexiteten som enorma mängder data finns, använder företag alltmer prediktiva analysverktyg för att förutse resultatet av en händelse som sannolikt kommer att hända inom en snar framtid.
Hur fungerar Predictive Analytics
Predictive analytics samlar in och bearbetar historiska data i enorma mängder och använder kraftfulla datorer för att bedöma vad som hände tidigare, och ger sedan en bedömning av vad som kommer att hända i framtiden.
Prediktiv analys använder prediktorer eller kända funktioner för att skapa prediktiva modeller som kommer att användas för att få en utgång. En prediktiv modell kan lära sig hur olika datapunkter ansluter till varandra. Två av de mest använda tekniken för prediktiv modellering är regression och neurala nätverk.
Företag använder allt mer prediktiv modellering för att göra förutsägelser om händelser som troligtvis kommer att hända inom en nära framtid.
Särskilda överväganden
Inom statistikområdet refererar regression till ett linjärt samband mellan ingångs- och utgångsvariablerna. En prediktiv modell med en linjär funktion kräver en prediktor eller funktion för att förutsäga utgången / resultatet. Till exempel kan en bank som hoppas kunna upptäcka penningtvätt i sina tidiga stadier innehålla en linjär prediktiv modell.
Banken vill specifikt veta vilka av sina kunder som troligtvis kommer att bedriva penningtvättaktiviteter vid någon tidpunkt. Alla bankens kunduppgifter presenteras och en prediktiv modell bygger kring dollarvärdet för överföringar varje kund görs under en tidsperiod.
Modellen lär sig att känna igen skillnaden mellan en penningtvätttransaktion och en normal transaktion. Det optimala resultatet från modellen borde vara ett mönster som signalerar vilken kund som tvättat pengar och som inte gjorde det. Om modellen uppfattar att ett mönster av bedrägerier dyker upp för en viss kund, kommer det att skapa en signal för handling som bankens bedrägerieanalytiker kommer att ta hand om.
Prediktiva modeller används också i neurala nätverk som maskininlärning och djupinlärning, som är fält inom artificiell intelligens (AI). Neurala nätverk är inspirerade av den mänskliga hjärnan och skapas med en webb av sammankopplade noder i hierarkiska nivåer som utgör grunden för AI. Kraften i neurala nätverk ligger i deras förmåga att hantera icke-linjära dataförhållanden. De kan skapa relationer och mönster mellan variabler som skulle vara omöjliga eller för tidskrävande för mänskliga analytiker.
Key Takeaways
- Prediktiv modellering är processen med att använda kända resultat för att skapa, bearbeta och validera en modell som kan användas för att göra framtida förutsägelser. Två av de mest använda prediktiva modelleringsteknikerna är regression och neurala nätverk.
Så medan en bank kan mata in kända variabler som värdet på överföringar som initierats av sina kunder i sin modell för att få det önskade resultatet av vem som troligt kommer att engagera sig i penningtvätt, kan ett neuralt nätverk skapa ett kraftfullare mönster om det kan framgångsrikt skapa ett förhållande mellan inmatningsvariabler som inloggad tid, geografisk plats för användaren, IP-adress för användarens enhet, mottagare eller avsändare av medlen och alla andra funktioner som sannolikt utgör en tvättaktivitet.
Andra prediktiva modelleringstekniker som används av finansiella företag inkluderar beslutsträd, tidsserie-gruvdrift och Bayesian-analys. Företag som utnyttjar big data genom prediktiva modelleringsåtgärder kan bättre förstå hur deras kunder samarbetar med sina produkter och kan identifiera potentiella risker och möjligheter för ett företag.
