Kategorisering Modeller til prædiktiv analyse - dummier

Modeller er nødvendige for at udføre prædiktiv analyse. En model er intet, men en matematisk repræsentation af et segment af verdensfolk er interesseret i. En model kan efterligne adfærdsmæssige aspekter af vores kunder. Det kan repræsentere de forskellige kundesegmenter. En velfremstillet, velindstillet model kan prognose - forudsige med høj nøjagtighed - det næste resultat af en given begivenhed.

Du har forskellige måder at kategorisere de modeller, der anvendes til predictive analytics. Generelt kan du sortere dem ud ved

• De forretningsproblemer, de løser, og de primære forretningsfunktioner, de tjener (såsom salg, reklame, menneskelige ressourcer eller risikostyring).
• Den matematiske implementering, der anvendes i modellen (såsom statistik, dataudvinding og maskinindlæring).

Hver model vil have en kombination af disse aspekter; Oftere end ikke, vil den ene eller den anden dominere. Den tilsigtede funktion af modellen kan tage en af ​​forskellige retninger - forudsigende, klassificering, clustering, beslutningsorienteret eller associativ.

Prediktive modeller

Prediktive modeller analyserer data og forudsiger det næste udfald. Dette er det store bidrag fra predictive analytics, som adskiller sig fra business intelligence. Business Intelligence overvåger, hvad der foregår i en organisation nu. Prediktive modeller analyserer historiske data for at tage en velinformeret beslutning om sandsynligheden for fremtidige resultater.

I betragtning af visse forhold (seneste antal og hyppighed af kundernes klager, datoen for fornyelse af service nærmer sig og tilgængeligheden af ​​billigere valgmuligheder i konkurrencen), hvor sandsynligt er denne kunde at churn?

Udgangen af ​​den prædiktive model kan også være et binært, ja / nej eller 0/1 svar: om en transaktion er svigagtig, for eksempel. En prædiktiv model kan generere flere resultater, nogle gange kombinere ja / nej resultater med en sandsynlighed for, at en bestemt begivenhed vil ske. En kundes kreditværdighed kan f.eks. Vurderes som ja eller nej, og en sandsynlighed tildeles, der beskriver, hvor sandsynligt denne kunde er at betale et lån til tiden.

Klyngnings- og klassifikationsmodeller

Når en model bruger clustering og klassificering, identificerer den forskellige grupperinger inden for eksisterende data. Du kan stadig opbygge en prædiktiv model oven på output fra din clustermodel ved hjælp af clustering til at klassificere nye datapunkter.

Hvis du for eksempel driver en klyngningsalgoritme på dine kunders data og derved adskiller dem til veldefinerede grupper, kan du derefter bruge klassifikation til at lære om en ny kunde og tydeligt identificere sin gruppe.Derefter kan du skræddersy dit svar (for eksempel en målrettet marketingkampagne) og din håndtering af den nye kunde.

Klassificering bruger en kombination af egenskaber og funktioner til at angive, om et dataelement tilhører en bestemt klasse.

Mange applikationer eller forretningsproblemer kan formuleres som klassificeringsproblemer. På det meget grundlæggende niveau kan du for eksempel klassificere resultater som ønsket og uønsket. For eksempel kan du klassificere en forsikringskrav som legitim eller svigagtig.

Beslutningsmodeller

Hvad er et komplekst scenario, hvad er den bedste beslutning at træffe - og hvis du skulle tage den handling, hvad ville resultatet være? Afgørelsesorienterede modeller (blot kaldet beslutningsmodeller) omhandler sådanne spørgsmål ved at opbygge strategiske planer for at identificere de bedste handlinger under visse begivenheder. Beslutningsmodeller kan være risikoreducerende strategier, der hjælper med at identificere dit bedste svar på usandsynlige begivenheder.

Beslutningsmodeller sondrer forskellige scenarier og vælger det bedste af alle kurser. For at tage en velinformeret beslutning har du brug for en dyb forståelse af de komplekse forhold i dataene og den sammenhæng, du arbejder i. En beslutningsmodel tjener som et redskab til at hjælpe dig med at udvikle den forståelse.

Associeringsmodeller

Associative modeller (kaldet associationsmodeller) er bygget på de underliggende foreninger og relationer, der er til stede i dataene. Hvis (for eksempel) en kunde abonnerer på en bestemt tjeneste, er det højst sandsynligt, at hun vil bestille en anden specifik tjeneste. Hvis en kunde søger at købe produkt A (en sportsvogn), og at produktet er forbundet med produkt B (siger solbriller mærket af bilproducenten), er han mere tilbøjelig til at købe produkt B.

Nogle af disse foreninger kan let identificeres; andre kan ikke være så oplagte. Stumbling over en interessant forening, tidligere ukendt, kan føre til dramatiske fordele.

En anden måde at finde en forening på er at afgøre, om en given begivenhed øger sandsynligheden for, at en anden begivenhed vil finde sted. Hvis for eksempel et selskab, der fører en bestemt industrisektor, netop rapporteret stellær indtjening, hvad er sandsynligheden for, at en kurv af aktier i samme sektor går op eller ned i værdi?