Čitanje u prediktivno modeliranje

Što je prediktivno modeliranje?

Prediktivno modeliranje je proces korištenja poznatih rezultata za stvaranje, obradu i provjeru modela koji se može koristiti za predviđanje budućih ishoda. To je alat koji se koristi u prediktivna analitika, tehnika rudarenja podataka koja pokušava odgovoriti na pitanje "što bi se moglo dogoditi u budućnosti?"

Razumijevanje prediktivnog modeliranja

Analizom povijesnih događaja tvrtke mogu koristiti prediktivno modeliranje za povećanje vjerojatnosti predviđanja događaja, ponašanja kupaca, kao i financijskih, ekonomskih i tržišnih rizika.

Brza migracija na digitalne proizvode stvorila je more podataka koji su lako dostupni tvrtkama.

Veliki podaci tvrtke koriste za poboljšanje dinamike odnosa između klijenta i poduzeća. Ova ogromna količina podataka u stvarnom vremenu preuzima se iz izvora kao što su društveni mediji, povijest pregledavanja interneta, podaci s mobitela i računalni oblak platforme.

Međutim, podaci su obično nestrukturirani i previše složeni da bi ih ljudi mogli analizirati u kratkom vremenskom razdoblju. Zbog velike količine podataka, tvrtke koriste alate za predviđanje modeliranja - često putem računalnih softverskih programa. Programi obrađuju ogromne količine povijesnih podataka za procjenu i identifikaciju obrazaca unutar podataka. Odatle, model može pružiti povijesni zapis, kao i procjenu ponašanja ili događaja koji će se vjerojatno ponoviti ili u budućnosti.

Primjene prediktivnog modeliranja

Prediktivna analitika koristi prediktore ili poznate značajke za stvaranje prediktivnih modela koji će se koristiti za dobivanje rezultata. Prediktivni model može naučiti kako se različite točke podataka međusobno povezuju. Dvije su najčešće korištene tehnike prediktivnog modeliranja regresija i neuronske mreže.

U području statistike, regresija se odnosi na linearni odnos između ulaznih i izlaznih varijabli. Prediktivni model s linearnom funkcijom zahtijeva jedan prediktor ili značajku kako bi predvidio izlaz ili ishod. Na primjer, banka koja se nada otkriti pranje novca u svojim ranim fazama mogao bi uključiti linearni model predviđanja.

Banka želi utvrditi koji će se njeni klijenti u nekom trenutku vjerojatno uključiti u aktivnosti pranja novca. Koristeći podatke o klijentima banke, model predviđanja izgrađen je oko dolarskog iznosa novčanih transfera koje su klijenti izvršili tijekom određenog vremenskog razdoblja.

Model se uči prepoznati razliku između transakcije pranja novca i normalne transakcije. Optimalni ishod iz modela trebao bi biti uzorak koji signalizira koji je kupac oprao novac, a koji nije. Ako model uoči da se za određenog klijenta pojavljuje obrazac prijevare, stvorit će signal za akciju, na što će se obratiti bankarska jedinica za sprječavanje prijevara.

Alati za predviđanje modeliranja

Prediktivni se modeli također koriste u neuronskim mrežama, poput strojnog učenja i dubokog učenja, što su polja u umjetna inteligencija (AI). Neuronske mreže inspirirane su ljudskim mozgom i stvorene su mrežom međusobno povezanih čvorova na hijerarhijskim razinama, što predstavlja temelj za AI. Snaga neuronskih mreža leži u njihovoj sposobnosti rukovanja nelinearnim odnosima podataka. Oni su u stanju stvoriti odnose i obrasce između varijabli koji bi se pokazali nemogućim ili oduzimaju previše vremena za ljudske analitičare.

S jedne strane, banka može unijeti poznate varijable, poput vrijednosti transfera koje su pokrenuli njeni klijenti u svoj model kako bi utvrdila tko će se vjerojatno uključiti u pranje novca. S druge strane, neuronska mreža može stvoriti snažniji obrazac stvaranjem odnosa između ulaznih varijabli. Ove ulazne varijable mogu uključivati ​​vrijeme prijavljivanja, geografski položaj korisnika, IP adresu korisničkog uređaja, primatelja ili pošiljatelja sredstava i bilo koje druge varijable ili ponašanja koja bi mogla biti uključena u pranje novca aktivnost.

Druge tehnike prediktivnog modeliranja koje koriste financijske tvrtke uključuju stabla odlučivanja, rudarstvo podataka o vremenskim serijama i Bayesovu analizu. Tvrtke koje iskorištavaju velike podatke putem mjera prediktivnog modeliranja bolje su razumljive način na koji se njihovi klijenti bave njihovim proizvodima te mogu identificirati potencijalne rizike i mogućnosti za društvo.