Comment choisir un algorithme pour un modèle d'analyse prédictive

Divers data-mining, et de la machine-apprentissage des algorithmes statistiques, sont disponibles pour une utilisation dans votre modèle d'analyse prédictive. Vous êtes dans une meilleure position pour sélectionner un algorithme après que vous avez défini les objectifs de votre modèle et sélectionné les données que vous allez travailler sur.

Certains de ces algorithmes ont été développés pour résoudre des problèmes commerciaux spécifiques, d'améliorer les algorithmes existants, ou de fournir de nouvelles capacités - qui peuvent rendre certains d'entre eux plus approprié à vos besoins que d'autres. Vous pouvez choisir parmi une gamme d'algorithmes pour répondre aux préoccupations des entreprises telles que les suivantes:

• Pour la segmentation de la clientèle et / ou la détection de communautés dans le domaine social, par exemple, vous auriez besoin d'algorithmes de clustering.

• Pour la fidélisation des clients ou pour développer un système de recommandation, vous devriez utiliser des algorithmes de classification.

• Pour la notation de crédit ou de prédire la prochaine issue des événements en temps-driven, vous devriez utiliser un algorithme de régression.

Comme le temps et les ressources le permettent, vous devez exécuter autant d'algorithmes du type approprié que vous le pouvez. En comparant les différentes pistes de différents algorithmes peut apporter surprenantes découvertes sur les données ou de la business intelligence embarquée dans les données. Cela vous donne un aperçu plus détaillé dans le problème de l'entreprise, et vous aide à identifier les variables au sein de vos données ont un pouvoir prédictif.

Certains projets d'analyse prédictive réussissent mieux par la construction d'un modèle d'ensemble, un groupe de modèles qui fonctionnent sur les mêmes données. Un modèle d'ensemble utilise un mécanisme prédéfini de rassembler les résultats de tous ses modèles de composants et de fournir un résultat final pour l'utilisateur.

Les modèles peuvent prendre diverses formes - une requête, une collection de scénarios, un arbre de décision, ou une analyse mathématique avancée. En outre, certains modèles fonctionnent mieux pour certaines données et des analyses. Vous pouvez (par exemple) utiliser des algorithmes de classification qui emploient des règles de décision pour décider de l'issue d'un scénario ou d'une transaction donnée, répondre à des questions comme celles-ci:

• Est-ce client susceptibles de répondre à notre campagne de marketing?

• Est-ce de transfert d'argent susceptibles de faire partie d'un régime de blanchiment d'argent?

• Est-ce prêt requérant susceptibles de faire défaut sur le prêt?

Vous pouvez utiliser des algorithmes de classification non supervisée de trouver quelles relations existent au sein de votre ensemble de données. Vous pouvez utiliser ces algorithmes pour différents groupes auprès de vos clients, de déterminer quels services peuvent être regroupés, ou par exemple décider quels produits peuvent être upsold.

Algorithmes de régression peuvent être utilisés pour prévoir les données continues, comme la prédiction de la tendance pour un mouvement de stock donné ses prix passées.

Objectifs de données et de business ne sont pas les seuls facteurs à considérer lorsque vous sélectionnez un algorithme. L'expertise de vos savants de données est d'une valeur inestimable à ce Point- ramasser un algorithme qui va faire le travail est souvent une combinaison délicate de la science et de l'art.

La partie de l'art vient de l'expérience et de compétence dans le domaine de l'entreprise, qui joue également un rôle essentiel dans l'identification d'un modèle qui peut servir des objectifs d'affaires avec précision.