Comment catégoriser les modèles d'analyse prédictive

Vous avez plusieurs façons de classer les modèles utilisés pour l'analyse prédictive. En général, vous pouvez les trier par

• Les problèmes de l'entreprise qu'ils résolvent et les fonctions d'affaires primaires qu'ils servent (comme les ventes, la publicité, les ressources humaines ou la gestion des risques).

• La mise en œuvre mathématique utilisé dans le modèle (comme les statistiques, data mining, et l'apprentissage de la machine).

Chaque modèle aura une combinaison de ces aspects- le plus souvent, un ou l'autre dominera. La fonction prévue du modèle peut prendre l'une des différentes directions - prédictive, la classification, le regroupement, la décision-orienté, ou associative.

Comment utiliser des modèles prédictifs

Les modèles prédictifs analyser les données et de prédire le résultat suivant. Ceci est la grande contribution de l'analyse prédictive, distincte de l'intelligence d'affaires. Moniteurs de renseignement d'affaires ce qui se passe dans une organisation maintenant. Les modèles prédictifs analyser les données historiques pour prendre une décision éclairée au sujet de la probabilité de résultats futurs.

Compte tenu de certaines conditions (nombre récente et la fréquence des plaintes des clients, la date du renouvellement du service approchant, et la disponibilité des options moins chères par la concurrence) Quelle est la probabilité que ce client pour le taux de désabonnement?

La sortie du modèle prédictif peut aussi être un binaire, oui / non ou 0/1 réponse: si une transaction est frauduleuse. Un modèle prédictif peut générer plusieurs résultats, combinant parfois oui / non résultats avec une probabilité qu'un événement se produise. La solvabilité d'un client, par exemple, pourrait être considéré comme oui ou non, et une probabilité assignée qui décrit comment probable que la clientèle est pour rembourser un prêt à temps.

Comment utiliser des modèles de classe et de classification

Quand un modèle utilise un cluster et de la classification, il identifie les différents groupes au sein de données existantes. Vous pouvez toujours construire un modèle prédictif sur le dessus de la sortie de votre modèle de clustering en utilisant le regroupement pour classer les nouveaux points de données.

Si, par exemple, vous exécutez un algorithme de clustering sur les données de vos clients et ainsi séparer en groupes bien définis, vous pouvez alors utiliser la classification pour se renseigner sur un nouveau client et identifier clairement son groupe. Ensuite, vous pouvez adapter votre réponse (par exemple, une campagne de marketing ciblée) et votre gestion de la nouvelle clientèle.

Classification utilise une combinaison de caractéristiques et de fonctionnalités pour indiquer si un élément de données appartient à une classe particulière.

Beaucoup d'applications ou problèmes de l'entreprise peuvent être formulés comme des problèmes de classification. Au niveau le plus basique, par exemple, vous pouvez classer les résultats comme désiré et indésirable. Par exemple, vous pouvez classer une réclamation d'assurance comme légitime ou frauduleux.

Notions de base de modèles de décision

Compte tenu d'un scénario complexe, quelle est la meilleure décision à prendre - et si vous étiez à prendre cette mesure, ce serait l'issue? Modèles de décision orienté (appelées simplement modèles de décision) Aborder de telles questions en construisant des plans stratégiques afin d'identifier le meilleur plan d'action, compte tenu de certains événements. Modèles de décision peuvent être des stratégies d'atténuation des risques, en aidant à identifier votre meilleure réponse à des événements inattendus.

Modèles de décision sonder divers scénarios et choisir le meilleur de tous les cours. Pour prendre une décision éclairée, vous devez profonde compréhension des relations complexes dans les données et le contexte d'exploitation vous. Un modèle de décision sert comme un outil pour vous aider à développer cette compréhension.

Association modèles bases

Modèles associatifs (appelés modèles d'association) Sont construits sur les associations sous-jacentes et les relations présentes dans les données. Si un client est abonné à un service particulier, il est plus probable qu'elle sera commander un autre service spécifique. Si un client cherche à acheter le produit (une voiture de sport), et que ce produit est associé avec le produit B (par exemple, des lunettes de soleil de marque par le constructeur automobile), il est plus susceptible d'acheter le produit B.

Certaines de ces associations peuvent être facilement identified- autres peut-être pas si évident. Trébuchant sur une association intéressante, jusqu'alors inconnu, peut conduire à des avantages spectaculaires.

Un autre moyen de trouver une association est de déterminer si un événement donné augmente la probabilité qu'un autre événement aura lieu. Si, par exemple, une entreprise qui mène un certain secteur industriel juste annoncé un bénéfice stellaires, quelle est la probabilité que un panier d'actions dans ce même secteur à monter en valeur?