Wie man Probleme in Predictive Analytics adressiert - Dummies

Die Vorhersagemodellierung gewinnt als Werkzeug zur Verwaltung vieler Geschäftsaspekte immer mehr an Popularität. Wenn Sie sicherstellen, dass die Datenanalyse richtig durchgeführt wird, wird das Vertrauen in die verwendeten Modelle gestärkt. Dies wiederum kann das erforderliche Buy-in für vorausschauende Analysen generieren, die Teil des Standard-Toolkits Ihres Unternehmens werden.

Vielleicht beruht diese erhöhte Popularität auf der Art und Weise, wie ein vorausschauendes Analyseprojekt die Entscheidungsfindung unterstützen kann, indem Modelle erstellt werden, die Datensätze beschreiben, mögliche neue Muster und Trends erkennen (wie durch die Daten angezeigt) und Ergebnisse zuverlässiger vorhersagen.

Um dieses Ziel zu erreichen, muss ein Vorhersageanalyseprojekt ein Modell liefern, das am besten zu den Daten passt, indem die Entscheidungsvariablen korrekt und effizient ausgewählt werden. Einige wichtige Fragen müssen auf dem Weg zu diesem Ziel beantwortet werden:

• Welches sind die minimalen Annahmen und Entscheidungsvariablen, die es dem Modell ermöglichen, die Daten am besten anzupassen?

• Wie ist das im Bau befindliche Modell mit anderen anwendbaren Modellen zu vergleichen?

• Welche Kriterien eignen sich am besten für die Bewertung und Bewertung dieses Modells?

Wieder können Sie die Stimme der Erfahrung zur Rettung rufen: Experten für Domänenkenntnisse können diese Fragen diskutieren, Ergebnisse interpretieren, die verborgene Muster in den Daten zeigen, und helfen, die Ausgabe des Modells zu verifizieren und zu validieren.

Beschreiben der Einschränkungen des Vorhersageanalysemodells

Jedes Vorhersageanalysemodell weist bestimmte Einschränkungen auf, die auf den verwendeten Algorithmen und dem Dataset basieren, auf dem es ausgeführt wird. Sie sollten sich dieser Einschränkungen bewusst sein und sie zu Ihrem Vorteil nutzen. diejenigen, die mit den Algorithmen in Zusammenhang stehen, umfassen

• Ob die Daten nichtlineare Muster haben (bildet keine Linie)

• Wie stark korrelieren die Variablen (statistische Beziehungen zwischen Merkmalen)

• Ob die Variablen unabhängig sind (keine Beziehungen zwischen Merkmalen))

• Ob der Umfang der Beispieldaten das Modell anfällig für Überanpassung macht

Um die Einschränkungen Ihres Modells zu überwinden, verwenden Sie die Kreuzvalidierung zum Testen Ihrer Modelle. Beginnen Sie mit der Aufteilung Ihrer Daten in Trainings- und Test-Datasets, und führen Sie das Modell separat für jeden dieser Datensätze aus, um die Vorhersagen des Modells zu bewerten und zu bewerten.

So testen und bewerten Sie Ihr Vorhersageanalysemodell

Kein Modell kann 100-prozentige Vorhersagen erstellen. Jedes Modell kann ungenaue Ergebnisse liefern. Achten Sie auf signifikante Unterschiede zwischen den Prognosen, die Ihr Modell erzeugt, und den beobachteten Daten - insbesondere, wenn die Ergebnisse des Modells dem gesunden Menschenverstand widersprechen.Wenn es zu gut, schlecht oder extrem aussieht, um wahr zu sein, dann ist es wahrscheinlich nicht wahr (zur Realität, jedenfalls).

Überprüfen Sie im Evaluierungsprozess die Ausgaben der Modelle, die Sie testen, gründlich und vergleichen Sie sie mit den Eingabevariablen. Die Prognosemöglichkeit Ihres Modells sollte alle angegebenen Geschäftsziele erfüllen, die zu seiner Erstellung geführt haben.

Wenn Fehler oder Verzerrungen in der Ausgabe Ihres Modells auftreten, versuchen Sie, sie auf

• zurück zu verfolgen. Gültigkeit, Zuverlässigkeit und relative Saisonalität der Daten

• Im Modell verwendete Annahmen

• Eingeschlossene oder ausgeschlossene Variablen in der Analyse

Arbeiten Sie mit Geschäftsbenutzern zusammen, um jeden Schritt Ihres Modellprozesses zu bewerten. Stellen Sie sicher, dass die Modellausgaben leicht interpretiert und in einer realen Geschäftssituation verwendet werden können. Wägen Sie die Genauigkeit und Zuverlässigkeit des Modells mit der Leichtigkeit, mit der die Ausgänge des Modells interpretiert und in die Praxis umgesetzt werden können.

So vermeiden Sie nicht skalierbare Vorhersageanalysemodelle

Berücksichtigen Sie beim Erstellen eines Modells stets die Skalierbarkeit. Überprüfen Sie immer die Leistung, Genauigkeit und Zuverlässigkeit des Modells in verschiedenen Maßstäben. Ihr Modell sollte in der Lage sein, seinen Maßstab zu ändern - und so groß wie nötig zu skalieren - ohne auseinanderzufallen oder schlechte Vorhersagen zu liefern.

Skalierbarkeit war in der Vergangenheit eine große Herausforderung. Vorhersagemodelle brauchten eine lange Zeit, um zu bauen und zu laufen. Die Datensätze, auf denen die Modelle ausgeführt wurden, waren klein, und die Daten waren teuer zu sammeln, zu speichern und zu durchsuchen. Aber das war alles in der "Pre-Big Data" -Ära.

Heutzutage sind Big Data billig, reichlich und wachsen. In der Tat droht ein anderes potenzielles Problem: Das derzeitige gewaltige Datenvolumen kann sich negativ auf das Modell auswirken und dessen Leistung beeinträchtigen, wodurch das Modell in relativ kurzer Zeit überholt wird. Richtig implementiert kann die Skalierbarkeit dazu beitragen, Ihr Modell zukunftssicher zu machen.

Die Zukunft ist nicht die einzige Bedrohung. Bereits in der heutigen Online-Ära können gestreamte Daten ein Modell überfordern - vor allem, wenn sich die Datenströme zu einer Flut erhöhen.

Nur die Datenmenge kann dazu führen, dass die Entscheidungsvariablen und Vorhersagefaktoren zu Riesenzahlen werden, die eine kontinuierliche Aktualisierung des Modells erfordern. Also ja, dein Modell sollte besser skalierbar sein - schnell skalierbar.