Innholdsfortegnelse:
Video: DJI Mavic Mini – The Perfect Drone For Beginners? 2024
Modeller er nødvendige for å utføre prediktiv analyse. En modell er ingenting, men en matematisk representasjon av et segment av verden som folk er interessert i. En modell kan etterligne atferdsmessige aspekter av våre kunder. Det kan representere de ulike kundesegmentene. En godt laget, godt innstilt modell kan prognose - forutsi med høy nøyaktighet - det neste resultatet av en gitt begivenhet.
Du har ulike måter å kategorisere modellene som brukes til prediktiv analyse. Generelt kan du sortere dem ut av
- De forretningsproblemer de løser, og de primære forretningsfunksjoner de betjener (som salg, reklame, menneskelige ressurser eller risikostyring).
- Den matematiske implementeringen som brukes i modellen (som statistikk, datautvinning og maskinlæring).
Hver modell vil ha en kombinasjon av disse aspektene; Oftere enn ikke, vil den ene eller den andre dominere. Tiltenkt funksjon av modellen kan ta en av ulike retninger - prediktiv, klassifisering, clustering, beslutningsrettet eller assosiativ.
Prediktive modeller
Prediktive modeller analyserer data og forutsi neste utfall. Dette er det store bidraget av prediktiv analyse, så forskjellig fra forretningsinformasjon. Business Intelligence overvåker hva som skjer i en organisasjon nå. Prediktive modeller analyserer historiske data for å ta en informert beslutning om sannsynligheten for fremtidige utfall.
På grunn av visse forhold (nylig antall og hyppighet av kundenes klager, datoen for fornyelse av tjenesten nærmer seg og tilgjengeligheten av billigere alternativer ved konkurransen) hvor sannsynlig er denne kunden å kile?
Utgangen av den prediktive modellen kan også være et binært, ja / nei eller 0/1 svar: om en transaksjon er for eksempel svindelaktig. En prediktiv modell kan generere flere resultater, noen ganger kombinere ja / nei resultater med en sannsynlighet for at en bestemt hendelse vil skje. En kundes kredittverdighet, for eksempel, kan bli vurdert som ja eller nei, og en sannsynlighet tildelt som beskriver hvor sannsynlig kunden skal betale et lån til tiden.
Klyngings- og klassifikasjonsmodeller
Når en modell bruker klynging og klassifisering, identifiserer den ulike grupperinger innenfor eksisterende data. Du kan fremdeles bygge en prediktiv modell på toppen av utgangen av din clustermodell ved hjelp av clustering for å klassifisere nye datapunkter.
Hvis du for eksempel kjører en clusteringalgoritme på kundens data og dermed skiller dem inn i veldefinerte grupper, kan du deretter bruke klassifisering for å lære om en ny kunde og tydelig identifisere sin gruppe.Deretter kan du skreddersy ditt svar (for eksempel en målrettet markedsføringskampanje) og din håndtering av den nye kunden.
Klassifisering bruker en kombinasjon av egenskaper og egenskaper for å indikere om et dataelement tilhører en bestemt klasse.
Mange applikasjoner eller forretningsproblemer kan formuleres som klassifikasjonsproblemer. På grunnleggende nivå kan du for eksempel klassifisere utfall som ønsket og uønsket. For eksempel kan du klassifisere en forsikringskrav som legitim eller bedragerisk.
Beslutningsmodeller
Gitt et komplekst scenario, hva er den beste beslutningen om å gjøre - og hvis du skulle ta den tiltak, hva ville resultatet bli? Beslutningsrettede modeller (bare kalt beslutningsmodeller) adresserer slike spørsmål ved å bygge strategiske planer for å identifisere det beste handlingsarbeidet, gitt visse hendelser. Beslutningsmodeller kan være risikoreduserende strategier, som bidrar til å identifisere ditt beste svar på usannsynlige hendelser.
Beslutningsmodeller avkaster ulike scenarier og velger det beste av alle kursene. For å ta en informert beslutning, trenger du dyp forståelse av de komplekse relasjonene i dataene og konteksten du driver i. En avgjørelsesmodell fungerer som et verktøy for å hjelpe deg med å utvikle den forståelsen.
Associationsmodeller
Associative modeller (kalt tilknytningsmodeller) er bygget på de underliggende foreningene og relasjonene som er tilstede i dataene. Hvis (for eksempel) en kunde abonnerer på en bestemt tjeneste, er det mest sannsynlig at hun vil bestille en annen spesifikk tjeneste. Hvis en kunde ønsker å kjøpe produkt A (en sportsbil), og at produktet er knyttet til produkt B (sier solbriller merket av bilprodusenten), er det mer sannsynlig at han kjøper produkt B.
Noen av disse foreningene kan lett identifiseres; andre kan ikke være så åpenbare. Snubler over en interessant forening, tidligere ukjent, kan føre til dramatiske fordeler.
En annen måte å finne en forening på er å avgjøre om en gitt hendelse øker sannsynligheten for at en annen hendelse vil finne sted. Hvis for eksempel et selskap som leder en bestemt industrisektor bare rapportert sterkt inntjening, hva er sannsynligheten for at en kurv av aksjer i samme sektor skal gå opp eller ned i verdi?
