Co je prediktivní modelování?
Prediktivní modelování je proces používání známých výsledků k vytvoření, zpracování a ověření modelu, který lze použít k predikci budoucích výsledků. Je to nástroj používaný v prediktivní analytice, metoda dolování dat, která se pokouší odpovědět na otázku „co by se mohlo v budoucnu stát?“
Porozumění prediktivnímu modelování
Rychlá migrace na digitální produkty vytvořila moře dat, která jsou snadno dostupná a dostupná pro podniky. Společnosti využívají velká data ke zlepšení dynamiky vztahů mezi zákazníky a podniky. Toto obrovské množství dat v reálném čase je získáno ze zdrojů, jako jsou sociální média, historie prohlížení internetu, data mobilních telefonů a platformy cloud computingu.
Při analýze historických událostí existuje pravděpodobnost, že by podnik mohl být schopen předpovídat, co by se stalo v budoucnosti, a podle toho naplánovat. Tato data jsou však obvykle nestrukturovaná a pro člověka příliš složitá na to, aby je bylo možné analyzovat v krátkém časovém období. Vzhledem ke složitosti, která představuje obrovské množství dat, společnosti stále více používají prediktivní analytické nástroje k předpovídání výsledku události, která se pravděpodobně stane v blízké budoucnosti.
Jak funguje prediktivní analýza
Prediktivní analytika shromažďuje a zpracovává historická data ve velkém množství a používá výkonné počítače k posouzení toho, co se stalo v minulosti, a poté poskytuje hodnocení toho, co se stane v budoucnosti.
Prediktivní analytika používá prediktory nebo známé funkce k vytváření prediktivních modelů, které budou použity při získávání výstupu. Prediktivní model je schopen zjistit, jak různé body dat spolu souvisejí. Dvě z nejvíce používaných technik prediktivního modelování jsou regresní a neurální sítě.
Společnosti stále častěji používají prediktivní modelování, aby předpovídaly události, ke kterým pravděpodobně dojde v blízké budoucnosti.
Zvláštní úvahy
V oblasti statistiky regrese označuje lineární vztah mezi vstupními a výstupními proměnnými. Prediktivní model s lineární funkcí vyžaduje jeden prediktor nebo vlastnost, aby se předpovídal výstup / výsledek. Například banka, která doufá, že odhalí praní peněz v jeho raných stádiích, by mohla začlenit lineární prediktivní model.
Banka chce konkrétně vědět, který z jejích zákazníků se pravděpodobně v určitém okamžiku zapojí do praní špinavých peněz. Jsou prezentována všechna data klientů banky a prediktivní model je postaven na hodnotě dolaru převodů, které každý zákazník provedl během určitého časového období.
Tento model je naučen rozpoznávat rozdíl mezi praním peněz a normální transakcí. Optimálním výsledkem modelu by měl být model, který signalizuje, které peníze vypraly zákazníkům a které nikoli. Pokud model zjistí, že se u konkrétního zákazníka objevuje vzorec podvodu, vytvoří signál pro jednání, kterého se budou účastnit analytici podvodů v bance.
Prediktivní modely se také používají v neuronových sítích, jako je strojové učení a hluboké učení, což jsou pole v umělé inteligenci (AI). Neuronové sítě jsou inspirovány lidským mozkem a vytvářejí se sítí vzájemně propojených uzlů v hierarchických úrovních, což představuje základ pro AI. Síla neuronových sítí spočívá v jejich schopnosti zvládnout nelineární datové vztahy. Jsou schopni vytvářet vztahy a vzorce mezi proměnnými, které by se pro lidské analytiky ukázaly jako nemožné nebo příliš časově náročné.
Klíč s sebou
- Prediktivní modelování je proces využívající známé výsledky k vytvoření, zpracování a ověření modelu, který lze použít k vytváření budoucích předpovědí. Mezi nejpoužívanější techniky predikčního modelování patří regresní a neuronové sítě.
Takže zatímco banka může do svého modelu vložit známé proměnné, jako je hodnota převodů iniciovaných jejími klienty, aby získala požadovaný výsledek, kdo se pravděpodobně zapojí do praní peněz, neuronová síť může vytvořit silnější vzorec, pokud může úspěšně vytvořit vztah mezi vstupními proměnnými, jako je čas přihlášení, zeměpisná poloha uživatele, adresa IP zařízení uživatele, příjemce nebo odesílatel prostředků a jakákoli další funkce, která pravděpodobně bude tvořit praní špinavých peněz.
Další techniky prediktivního modelování používané finančními společnostmi zahrnují rozhodovací stromy, dolování dat z časových řad a Bayesovskou analýzu. Společnosti, které využívají velkých dat pomocí prediktivních modelových opatření, jsou lépe schopny porozumět tomu, jak jejich zákazníci pracují s jejich produkty, a mohou identifikovat potenciální rizika a příležitosti pro společnost.
