Mi a prediktív modellezés?
A prediktív modellezés az ismert eredmények felhasználása olyan folyamat létrehozására, feldolgozására és validálására, amely felhasználható a jövőbeli eredmények előrejelzésére. Ez egy prediktív elemzésben használt eszköz, egy olyan adatbányászati technika, amely megkísérli megválaszolni a "mi történhet a jövőben?" Kérdést.
A prediktív modellezés megértése
A digitális termékekre történő gyors áttérés olyan adat-tengert hozott létre, amely a vállalkozások számára könnyen elérhető és elérhető. A nagy adatot a vállalatok felhasználják az ügyfelek közötti kapcsolat dinamikájának javítására. Ez a hatalmas mennyiségű valós idejű adat olyan forrásokból származik, mint a közösségi média, az internetes böngészési előzmények, a mobiltelefonok adatai és a felhőalapú számítástechnikai platformok.
A történeti események elemzésével valószínű, hogy egy vállalkozás képes megjósolni, mi fog történni a jövőben, és ennek megfelelően megtervezni. Ezek az adatok azonban általában nem strukturáltak és túl bonyolultak ahhoz, hogy az emberek rövid időn belül elemezhessék. A hatalmas mennyiségű adat bonyolultsága miatt a vállalatok egyre inkább prediktív elemző eszközöket használnak a közeljövőben valószínűleg bekövetkező esemény kimenetelének előrejelzésére.
Hogyan működik a prediktív elemzés
A prediktív elemzés óriási mennyiségben gyűjt és dolgozza fel a történeti adatokat, és nagy teljesítményű számítógépeket használ fel a múltban történt események felmérésére, majd a jövőbeni események felmérésére szolgál.
A prediktív analitika prediktorokat vagy ismert funkciókat használ olyan prediktív modellek létrehozására, amelyeket a kimenetek megszerzéséhez használnak. A prediktív modell képes megtanulni, hogy az adatok különböző pontjai hogyan kapcsolódnak egymáshoz. A legszélesebb körben alkalmazott prediktív modellezési technikák a regresszió és az idegi hálózatok.
A vállalatok egyre inkább prediktív modellezést használnak, hogy előrejelzéseket készítsenek a közeljövőben valószínűleg bekövetkező eseményekről.
Különleges megfontolások
A statisztika területén a regresszió a bemeneti és a kimeneti változók közötti lineáris kapcsolatra utal. A lineáris függvényes prediktív modellhez egy prediktort vagy funkciót kell használni a kimenet / eredmény előrejelzéséhez. Például egy bank, amely a pénzmosás korai szakaszában felfedezni kívánja, beépíthet egy lineáris prediktív modellt.
A bank kifejezetten azt akarja tudni, hogy ügyfelei közül mely pillanatban hajlandó részt venni pénzmosási tevékenységekben. Minden bank ügyfél adata bemutatásra kerül, és egy prediktív modellt építenek az egyes ügyfelek által egy adott időszak alatt végrehajtott átutalások dollárértéke alapján.
A modell megtanítja felismerni a pénzmosás és a szokásos tranzakció közötti különbséget. A modell optimális eredményének olyan mintának kell lennie, amely jelzi, hogy az ügyfelek mikormostak pénzt, és melyek nem. Ha a modell észleli, hogy egy adott ügyféllel szemben megjelenik a csalás mintája, jelzést fog hozni a cselekvéshez, amelyen a bank csalás-elemzői részt vesznek.
A prediktív modelleket olyan neurális hálózatokban is használják, mint például a gépi tanulás és a mély tanulás, amelyek a mesterséges intelligencia (AI) területei. A neurális hálózatokat az emberi agy ihlette, és egymással összekapcsolt csomópontok hálózatával jönnek létre hierarchikus szinteken, amely az AI alapját képezi. A neurális hálózatok ereje abban rejlik, hogy képesek a nemlineáris adatkapcsolatok kezelésére. Képesek olyan kapcsolatokat és mintákat létrehozni a változók között, amelyek lehetetlennek vagy túl időigényesnek bizonyulnak az emberi elemzők számára.
Kulcs elvihető
- A prediktív modellezés az ismert eredmények felhasználása olyan folyamat létrehozására, feldolgozására és validálására, amely felhasználható jövőbeli előrejelzések készítéséhez. A legszélesebb körben alkalmazott prediktív modellezési technikák közül kettő a regresszió és az idegi hálózatok.
Tehát, bár egy bank beírhat ismert változókat, például az ügyfelek által kezdeményezett transzferek értékét a modelljébe annak érdekében, hogy megkapja a kívánt eredményt annak, aki valószínűleg részt vesz pénzmosásban, egy neurális hálózat erősebb mintát hozhat létre, ha képes sikeresen létrehozza a kapcsolatot az olyan bemeneti változók között, mint a bejelentkezési idő, a felhasználó földrajzi elhelyezkedése, a felhasználó eszközének IP-címe, a pénzeszközök címzettje vagy küldője, és bármely más olyan szolgáltatás között, amely valószínűleg alkotja a mosási tevékenységet.
A pénzügyi vállalatok által alkalmazott egyéb prediktív modellezési technikák közé tartozik a döntési fák, az idősorok bányászata és a Bayes-elemzés. Azok a cégek, amelyek prediktív modellezési intézkedések révén kihasználják a nagy adatok előnyeit, jobban megértik, hogy ügyfeleik hogyan viselkednek termékeikkel, és felismerik a potenciális kockázatokat és lehetőségeket egy vállalat számára.
