Kategorisering Modeller för prediktiv Analytics - dummies

Modeller är nödvändiga för att utföra predictive analytics. En modell är inget annat än en matematisk representation av ett segment av världens folk är intresserade av. En modell kan efterlikna beteendemässiga aspekter hos våra kunder. Det kan representera de olika kundsegmenten. En välgjord, välinställd modell kan prognos - förutsäga med hög noggrannhet - nästa utfall av en given händelse.

Du har olika sätt att kategorisera modellerna som används för prediktiv analys. I allmänhet kan du sortera dem ut med

• De affärsproblem de löser och de primära affärsfunktionerna som de tjänar (som försäljning, reklam, personal eller riskhantering).
• Den matematiska implementeringen som används i modellen (som statistik, datautvinning och maskininlärning).

Varje modell kommer att ha en kombination av dessa aspekter. oftare än inte dominerar den ena eller den andra. Den avsedda funktionen hos modellen kan ta en av olika riktningar - prediktiv, klassificering, klustring, beslutsorienterad eller associativ.

Prediktiva modeller

Prediktiva modeller analyserar data och förutspår nästa utfall. Detta är det stora bidraget från prediktiv analys, som skiljer sig från affärsintelligens. Business Intelligence övervakar vad som händer i en organisation nu. Prediktiva modeller analyserar historiska data för att fatta ett välgrundat beslut om sannolikheten för framtida resultat.

Med tanke på vissa villkor (senaste antal och frekvens av kundernas klagomål, datum för förnyelse av tjänsten närmar sig och tillgängligheten av billigare alternativ i tävlingen) hur sannolikt kan denna kund churn?

Utsignalen från den prediktiva modellen kan också vara ett binärt, ja / nej eller 0/1 svar: om en transaktion är bedräglig, till exempel. En prediktiv modell kan generera flera resultat, ibland kombinera ja / nej resultat med en sannolikhet att en viss händelse kommer att hända. En kunds kreditvärdighet kan till exempel bedömas som ja eller nej, och en sannolikhet som tilldelas beskriver hur sannolikt den kunden ska betala ett lån i tid.

Klyvnings- och klassificeringsmodeller

När en modell använder kluster och klassificering identifierar den olika grupperingar inom befintlig data. Du kan fortfarande bygga en prediktiv modell utöver resultatet av din klustermodell med hjälp av klustret för att klassificera nya datapunkter.

Om du till exempel kör en klustringsalgoritm på dina kunders data och separerar dem i väldefinierade grupper kan du sedan använda klassificering för att lära dig om en ny kund och tydligt identifiera sin grupp.Då kan du skräddarsy ditt svar (till exempel en riktade marknadsföringskampanj) och din hantering av den nya kunden.

Klassificering använder en kombination av egenskaper och egenskaper för att ange huruvida en datauppgift tillhör en viss klass.

Många applikationer eller affärsproblem kan formuleras som klassificeringsproblem. På grundnivå kan du till exempel klassificera resultat som önskat och oönskat. Till exempel kan du klassificera ett försäkringsanspråk som legitimt eller bedrägligt.

Beslutsmodeller

Med tanke på ett komplext scenario, vad är det bästa beslutet att göra - och om du skulle vidta den här åtgärden, vad skulle resultatet bli? Beslutsinriktade modeller (helt enkelt kallade beslutsmodeller) tar upp sådana frågor genom att bygga strategiska planer för att identifiera bästa handlingsplanen, med tanke på vissa händelser. Beslutsmodeller kan vara strategier för riskreducering, vilket hjälper till att identifiera ditt bästa svar på osannolika händelser.

Beslutsmodeller sondar på olika scenarier och väljer det bästa av alla kurser. För att fatta ett välgrundat beslut behöver du djup förståelse för de komplexa relationerna i data och det sammanhang du arbetar med. En beslutsmodell fungerar som ett verktyg för att hjälpa dig att utveckla den förståelsen.

Associationsmodeller

Associativa modeller (kallad associationsmodeller) bygger på de underliggande föreningarna och relationerna som finns i data. Om (till exempel) en kund prenumererar på en viss tjänst är det troligt att hon kommer att beställa en annan specifik tjänst. Om en kund letar efter att köpa produkt A (en sportbil), och den produkten är associerad med produkt B (säg solglasögon märkt av bilproducenten), är det mer sannolikt att han köper produkt B.

Några av dessa föreningar kan lätt identifieras andra kanske inte är så uppenbara. Stumbling över en intressant förening, tidigare okänd, kan leda till dramatiska fördelar.

Ett annat sätt att hitta en förening är att avgöra om en given händelse ökar sannolikheten för att en annan händelse kommer att äga rum. Om exempelvis ett företag som leder en viss industrisektor bara rapporterat stärkt resultat, vad är sannolikheten för att en korg med aktier i samma sektor går upp eller ner i värde?