Hva er prediktiv modellering?
Prediktiv modellering er prosessen med å bruke kjente resultater for å lage, behandle og validere en modell som kan brukes til å forutsi fremtidige resultater. Det er et verktøy som brukes i prediktiv analyse, en data mining-teknikk som prøver å svare på spørsmålet "hva kan muligens skje i fremtiden?"
Forstå prediktiv modellering
Den raske migrasjonen til digitale produkter har skapt et hav av data som er lett tilgjengelig og tilgjengelig for bedrifter. Big data brukes av selskaper for å forbedre dynamikken i forholdet mellom kunde og bedrift. Denne enorme mengden sanntidsdata er hentet fra kilder som sosiale medier, nettleserhistorikk, mobiltelefondata og nettsky-plattformer.
Ved å analysere historiske hendelser er det sannsynlig at en virksomhet kan være i stand til å forutsi hva som vil skje i fremtiden og planlegge deretter. Imidlertid er disse dataene ustrukturerte og for kompliserte til at mennesker kan analysere i løpet av kort tid. På grunn av kompleksiteten som enorme datamengder er til stede, bruker selskaper i økende grad prediktive analyseverktøy for å forutsi utfallet av en hendelse som sannsynligvis vil skje i nær fremtid.
Hvordan Predictive Analytics fungerer
Predictive analytics samler inn og behandler historiske data i enorme mengder og bruker kraftige datamaskiner for å vurdere hva som skjedde i fortiden, og gir deretter en vurdering av hva som vil skje i fremtiden.
Prediktiv analyse bruker prediktorer eller kjente funksjoner for å lage prediktive modeller som vil bli brukt for å oppnå en utgang. En prediktiv modell er i stand til å lære hvordan forskjellige datapunkter kobler seg til hverandre. To av de mest brukte prediktive modelleringsteknikkene er regresjon og nevrale nettverk.
Bedrifter bruker i økende grad prediktiv modellering for å komme med spådommer om hendelser som sannsynligvis vil skje i løpet av en nær fremtid.
Spesielle hensyn
Innenfor statistikken refererer regresjon til et lineært forhold mellom inngangs- og utgangsvariablene. En prediktiv modell med en lineær funksjon krever en prediktor eller funksjon for å forutsi utgang / utfall. For eksempel kan en bank som håper å oppdage hvitvasking i begynnelsen, inkludere en lineær prediktiv modell.
Banken ønsker spesifikt å vite hvilke av kundene som sannsynligvis vil delta i hvitvaskingsaktiviteter på et eller annet tidspunkt. Alle bankens kunders data blir presentert, og en prediktiv modell er bygget rundt dollarverdien av overføringer hver kunde har gjort i løpet av en periode.
Modellen læres å gjenkjenne forskjellen mellom en hvitvaskingstransaksjon og en normal transaksjon. Det optimale utfallet fra modellen skal være et mønster som signaliserer hvilken kunde som hvitvaskede penger og som ikke gjorde det. Hvis modellen oppfatter at et mønster av svindel dukker opp for en bestemt kunde, vil det skape et signal for handling som bankens svindelanalytikere vil ivareta.
Prediktive modeller brukes også i nevrale nettverk som maskinlæring og dyp læring, som er felt innen kunstig intelligens (AI). Nevrale nettverk er inspirert av den menneskelige hjernen og er opprettet med et nett av sammenkoblede noder i hierarkiske nivåer som representerer grunnlaget for AI. Kraften i nevrale nettverk ligger i deres evne til å håndtere ikke-lineære dataforhold. De er i stand til å skape sammenhenger og mønstre mellom variabler som vil være umulige eller for tidkrevende for menneskelige analytikere.
Viktige takeaways
- Prediktiv modellering er prosessen med å bruke kjente resultater for å lage, behandle og validere en modell som kan brukes til å gjøre fremtidige prediksjoner. To av de mest brukte prediktive modelleringsteknikkene er regresjon og nevrale nettverk.
Så mens en bank kan legge inn kjente variabler som verdien av overføringer initiert av kundene sine i modellen for å oppnå ønsket resultat av hvem som sannsynligvis vil drive hvitvasking, kan et nevralt nettverk skape et kraftigere mønster hvis det kan lykkes med å opprette et forhold mellom inndatavariabler som innlogget tid, geografisk plassering av brukeren, IP-adresse til brukerens enhet, mottaker eller avsender av midlene, og andre funksjoner som sannsynligvis utgjør en hvitvaskingsaktivitet.
Andre prediktive modelleringsteknikker brukt av finansielle selskaper inkluderer beslutningstrær, tidsserie-gruvedrift og Bayesian-analyse. Bedrifter som drar nytte av big data gjennom prediktive modelleringstiltak, er bedre i stand til å forstå hvordan kundene deres engasjerer seg med produktene sine og kan identifisere potensielle risikoer og muligheter for et selskap.
