Comment utiliser des hypothèses de manière appropriée dans l'analyse prédictive

En dépit de tout ce que vous avez dit à propos des hypothèses causer des ennuis, quelques hypothèses restent au cœur de tout modèle d'analyse prédictive. Ces hypothèses se présentent dans les variables sélectionnées et pris en compte dans l'analyse - et ces variables influent directement sur la précision de la sortie du modèle final.

Par conséquent, votre sage précaution au départ est d'identifier les hypothèses qui comptent le plus pour votre modèle - et de les garder à un minimum absolu.

Création d'un modèle prédictif qui fonctionne bien dans le monde réel nécessite une connaissance intime de l'entreprise. Votre modèle commence en sachant que les données de l'échantillon - en termes pratiques, presque rien. Donc, commencer petit et de continuer à améliorer le modèle que nécessaire.

Des questions de sondage et les scénarios possibles peut mener à des découvertes clés et / ou peut jeter plus de lumière sur les facteurs en jeu dans le monde réel. Ce processus permet d'identifier les variables essentielles qui pourraient influer sur le résultat de l'analyse.

Dans une approche systématique de l'analyse prédictive, cette phase - explorer “ what-if ” scénarios - est particulièrement intéressant et utile. Voici où vous modifiez les entrées de modèle pour mesurer les effets d'une variable ou d'une autre sur la sortie de la modélisation de ce que vous êtes vraiment le test est sa capacité de prévision.

Améliorer les hypothèses du modèle - en testant la façon dont ils affectent la sortie du modèle, de sondage pour voir comment sensible le modèle est à eux, et les dépouillant au minimum - va vous aider à guider le modèle vers une capacité de prédiction plus fiable. Avant que vous pouvez optimiser votre modèle, vous devez connaître le variables prédictives - caractéristiques qui ont un impact direct sur sa sortie.

Vous pouvez dériver ces variables de décision en exécutant plusieurs simulations de votre modèle - tout en changeant quelques paramètres à chaque course - et l'enregistrement des résultats, notamment sur la précision des prévisions du modèle. Habituellement, vous pouvez suivre les variations dans la précision de retour aux paramètres spécifiques que vous avez modifiés.

À ce stade, le XXIe siècle peut se tourner vers le quatorzième de l'aide. Guillaume d'Ockham, un frère franciscain anglais et philosophe scolastique qui a vécu dans les années 1300, a développé le principe de recherche connu comme rasoir d'Occam: Vous devrait couper hypothèses inutiles jusqu'à ce que votre théorie a que quelques-uns d'entre eux que possible. Ensuite, il est plus probable pour être vrai.

Trop nombreuses hypothèses pèsent sur les prévisions de votre modèle avec des incertitudes et d'inexactitudes. L'élimination des variables inutiles conduit à un modèle plus robuste, mais il est pas facile de décider quelles sont les variables à inclure dans l'analyse - et ces décisions affectent directement la performance du modèle.

Mais voici où l'analyste peut fonctionner dans un dilemme: y compris les facteurs inutiles peut fausser ou de fausser la sortie du modèle, mais à l'exclusion d'une variable pertinente laisse le modèle incomplet.

Alors, quand vient le temps de choisir les variables de décision tout-importants, faites appel à vos experts de connaissances de domaine. Lorsque vous avez, un ensemble précis basé sur la réalité de variables de décision, vous ne pas avoir à faire trop de suppositions - et le résultat peut être moins d'erreurs dans votre modèle prédictif.