Inhaltsverzeichnis:
Video: Data Preparation in SAP Analytics Cloud 2024
Modelle sind notwendig, um eine vorausschauende Analyse durchzuführen. Ein Modell ist nichts anderes als eine mathematische Darstellung eines Segments der Welt, für das sich Menschen interessieren. Ein Modell kann Verhaltensaspekte unserer Kunden nachahmen. Es kann die verschiedenen Kundensegmente darstellen. Ein gut gemachtes, gut abgestimmtes Modell kann prognostizieren - mit hoher Genauigkeit vorhersagen - das nächste Ergebnis eines bestimmten Ereignisses.
Sie haben verschiedene Möglichkeiten, die für die Vorhersageanalyse verwendeten Modelle zu kategorisieren. Im Allgemeinen können Sie sie nach
- Die Geschäftsprobleme, die sie lösen, und die primären Geschäftsfunktionen, die sie bedienen (z. B. Vertrieb, Werbung, Personal oder Risikomanagement).
- Die im Modell verwendete mathematische Implementierung (z. B. Statistiken, Data Mining und maschinelles Lernen).
Jedes Modell wird eine Kombination dieser Aspekte haben. meistens wird der eine oder andere dominieren. Die beabsichtigte Funktion des Modells kann eine von verschiedenen Richtungen annehmen - voraussagend, klassifizierend, clusterartig, entscheidungsorientiert oder assoziativ.
Vorhersagemodelle
Vorhersagemodelle analysieren Daten und sagen das nächste Ergebnis voraus. Dies ist der große Beitrag von Predictive Analytics im Gegensatz zu Business Intelligence. Business Intelligence überwacht jetzt, was in einer Organisation vor sich geht. Vorhersagemodelle analysieren historische Daten, um eine fundierte Entscheidung über die Wahrscheinlichkeit zukünftiger Ergebnisse zu treffen.
Wie wahrscheinlich ist es, dass dieser Kunde unter bestimmten Bedingungen (kürzliche Anzahl und Häufigkeit von Kundenreklamationen, dem Datum der Erneuerung des sich nähernden Dienstes und der Verfügbarkeit günstigerer Optionen durch den Wettbewerb) abwandert?
Die Ausgabe des Vorhersagemodells kann auch eine binäre, ja / nein oder 0/1-Antwort sein: ob eine Transaktion betrügerisch ist, zum Beispiel. Ein Vorhersagemodell kann mehrere Ergebnisse generieren, wobei manchmal Ja / Nein-Ergebnisse mit einer Wahrscheinlichkeit kombiniert werden, dass ein bestimmtes Ereignis eintritt. Beispielsweise könnte die Kreditwürdigkeit eines Kunden mit Ja oder Nein bewertet werden, und eine zugewiesene Wahrscheinlichkeit beschreibt, wie wahrscheinlich es ist, dass ein Kunde einen Kredit fristgerecht bezahlt.
Clustering- und Klassifizierungsmodelle
Wenn ein Modell Clustering und Klassifizierung verwendet, identifiziert es verschiedene Gruppierungen innerhalb vorhandener Daten. Sie können immer noch ein Vorhersagemodell auf der Ausgabe des Clustermodells erstellen, indem Sie das Clustering verwenden, um neue Datenpunkte zu klassifizieren.
Wenn Sie beispielsweise einen Clustering-Algorithmus auf die Daten Ihrer Kunden anwenden und diese in genau definierte Gruppen aufteilen, können Sie die Klassifizierung verwenden, um einen neuen Kunden kennenzulernen und seine Gruppe eindeutig zu identifizieren.Dann können Sie Ihre Antwort (z. B. eine gezielte Marketingkampagne) und Ihre Handhabung des neuen Kunden anpassen.
Die Klassifizierung verwendet eine Kombination von Merkmalen und Merkmalen, um anzugeben, ob ein Datenelement zu einer bestimmten Klasse gehört.
Viele Anwendungen oder Geschäftsprobleme können als Klassifikationsprobleme formuliert werden. Auf der Basisstufe können Sie beispielsweise Ergebnisse nach Wunsch und unerwünscht klassifizieren. Beispielsweise können Sie einen Versicherungsfall als legitim oder betrügerisch einstufen.
Entscheidungsmodelle
Was ist die beste Entscheidung für ein komplexes Szenario - und was wäre das Ergebnis, wenn Sie diese Maßnahme ergreifen würden? Entscheidungsorientierte Modelle (einfach als Entscheidungsmodelle bezeichnet) befassen sich mit solchen Fragen, indem sie strategische Pläne erstellen, um bei bestimmten Ereignissen die beste Vorgehensweise zu ermitteln. Entscheidungsmodelle können Risikominderungsstrategien sein, die helfen, Ihre beste Reaktion auf unwahrscheinliche Ereignisse zu identifizieren.
Entscheidungsmodelle untersuchen verschiedene Szenarien und wählen den besten aller Kurse aus. Um eine fundierte Entscheidung treffen zu können, benötigen Sie ein tiefes Verständnis der komplexen Beziehungen in den Daten und des Kontextes, in dem Sie arbeiten. Ein Entscheidungsmodell dient als Werkzeug, um Ihnen dabei zu helfen, dieses Verständnis zu entwickeln.
Assoziationsmodelle
Assoziative Modelle (genannt Assoziationsmodelle) basieren auf den zugrunde liegenden Assoziationen und Beziehungen, die in den Daten vorhanden sind. Wenn zum Beispiel ein Kunde einen bestimmten Service abonniert hat, wird er höchstwahrscheinlich einen anderen bestimmten Service bestellen. Wenn ein Kunde Produkt A (ein Sportwagen) kaufen möchte und dieses Produkt mit Produkt B assoziiert ist (z. B. Sonnenbrillen vom Hersteller), ist es wahrscheinlicher, dass er Produkt B kauft.
Einige dieser Verbände können leicht identifiziert werden können; Andere sind vielleicht nicht so offensichtlich. Stolpern über einen interessanten Verein, bisher unbekannt, kann zu dramatischen Vorteilen führen.
Eine andere Möglichkeit, eine Assoziation zu finden, besteht darin festzustellen, ob ein gegebenes Ereignis die Wahrscheinlichkeit erhöht, dass ein anderes Ereignis stattfindet. Wenn zum Beispiel ein Unternehmen, das einen bestimmten Industriesektor führt, nur Sterngewinne gemeldet hat, wie hoch ist dann die Wahrscheinlichkeit, dass ein Korb von Aktien in diesem Sektor steigt oder fällt?
