Предиктивно моделирање
Предиктивно моделирање је процес коришћења познатих резултата за креирање, обраду и валидацију модела који се може користити за предвиђање будућих резултата. То је алат који се користи у предиктивној аналитици, техници вађења података којом се покушава одговорити на питање "шта би се можда могло догодити у будућности?"
Разумевање предиктивног моделирања
Брза миграција на дигиталне производе створила је море података који су лако доступни и доступни предузећима. Велики подаци користе компаније за побољшање динамике односа између купца и пословања. Ова огромна количина података у реалном времену добијена је из извора као што су друштвени медији, историја прегледавања интернета, подаци мобилних телефона и платформе за рачунарско коришћење у облаку.
Анализом историјских догађаја постоји вероватноћа да ће предузеће моћи да предвиди шта ће се догодити у будућности и у складу са тим планирати. Међутим, ови подаци су обично неструктурирани и превише сложени да би их људи могли да анализирају у кратком временском периоду. Због сложености огромне количине података, компаније све више користе предиктивне алате за анализу како би прогнозирале исход догађаја који ће се вјероватно догодити у блиској будућности.
Како функционише предиктивна аналитика
Предиктивна аналитика прикупља и обрађује историјске податке у огромним количинама и користи моћне рачунаре да процени шта се догодило у прошлости, а затим даје процену шта ће се десити у будућности.
Предиктивна аналитика користи предикторе или познате функције за креирање предиктивних модела који ће се користити у добијању резултата. Предиктивни модел може научити како се различите тачке података међусобно повезују. Две најчешће коришћене технике предиктивног моделирања су регресија и неуронске мреже.
Компаније све више користе предиктивно моделирање да би предвидјели догађаје који ће се вјероватно догодити у блиској будућности.
Посебна разматрања
У пољу статистике, регресија се односи на линеарни однос између улазних и излазних променљивих. Предиктивни модел са линеарном функцијом захтева једног предиктора или карактеристике да би се предвидио излаз / исход. На пример, банка која се нада да ће открити прање новца у раним фазама може да укључи линеарни предиктивни модел.
Банка посебно жели знати који ће од њених клијената вероватно учествовати у активностима прања новца у неком тренутку. Представљени су сви подаци о клијентима банке, а предиктивни модел је изграђен око вредности долара у трансферима сваког клијента током одређеног временског периода.
Модел се учи да препозна разлику између трансакције прања новца и нормалне трансакције. Оптималан исход модела требао би бити образац који сигнализира коме је купац опрао новац, а који није. Ако модел примети да се за одређену клијента појављује образац преваре, створиће сигнал за акцију коме ће присуствовати аналитичари банке за преваре.
Предиктивни модели се такође користе у неуронским мрежама као што су машинско учење и дубоко учење, а то су поља вештачке интелигенције (АИ). Неуронске мреже су инспирисане људским мозгом и створене су мрежом међусобно повезаних чворова на хијерархијским нивоима што представља основу за АИ. Моћ неуронских мрежа лежи у њиховој способности да обрађују нелинеарне односе података. Они су у стању да створе односе и обрасце између променљивих који би се показали немогућим или превише временским за људске аналитичаре.
Кључне Такеаваис
- Предиктивно моделирање је процес коришћења познатих резултата за креирање, обраду и валидацију модела који се може користити за будућа предвиђања.
- Две најчешће коришћене технике предиктивног моделирања су регресија и неуронске мреже.
Дакле, док банка може у свој модел уносити познате променљиве, као што су вредност трансфера иницираних од стране клијената, како би постигла жељени исход ко ће вероватно учествовати у прању новца, неуронска мрежа може створити снажнији образац ако може успјешно створити однос између улазних варијабли попут времена пријављеног, географског положаја корисника, ИП адресе корисниковог уређаја, примаоца или пошиљатеља средстава и било које друге особине која вјероватно чини активност прања.
Остале технике предиктивног моделирања које користе финансијске компаније укључују стабла одлука, вађење података о временским серијама и Баиесову анализу. Компаније које користе велике податке помоћу мера предиктивног моделирања боље могу да разумеју на који начин се њихови купци баве својим производима и могу да идентификују потенцијалне ризике и могућности за компанију.
Упоредите инвестиционе рачуне Име добављача Опис Откривање оглашивача × Понуде које се појављују у овој табели су од партнерстава од којих Инвестопедиа прима накнаду.