Kategorisieren von Predictive Analysis-Modellen - dummies

Sie haben verschiedene Möglichkeiten, die für die Vorhersageanalyse verwendeten Modelle zu kategorisieren. Im Allgemeinen können Sie sie sortieren, indem Sie < Die Geschäftsprobleme, die sie lösen, und die primären Geschäftsfunktionen (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. - Predictive, Classification, Clustering, Decision-Oriented oder Associative.

Verwendung von Vorhersagemodellen

Predictive-Modelle analysieren Daten und sagen das nächste Ergebnis voraus Dies ist der große Beitrag von Predictive Analytics im Unterschied zu Business Intelligence. Business Intelligence überwacht, was goi ist Jetzt in einer Organisation. Vorhersagemodelle analysieren historische Daten, um eine fundierte Entscheidung über die Wahrscheinlichkeit zukünftiger Ergebnisse zu treffen.

Angesichts bestimmter Bedingungen (Anzahl und Häufigkeit der Kundenbeschwerden in der letzten Zeit, Datum der Erneuerung der Dienstleistung und Verfügbarkeit günstigerer Optionen durch den Wettbewerb) ist es wahrscheinlicher, dass dieser Kunde abwandert?

Die Ausgabe des Vorhersagemodells kann auch eine binäre, ja / nein oder 0/1-Antwort sein: ob eine Transaktion betrügerisch ist. 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.

Verwendung von Cluster- und Klassifikationsmodellen

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.

Grundlagen von Entscheidungsmodellen

Was ist die beste Entscheidung, die Sie bei einem komplexen Szenario treffen müssen - 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 Grundlagen

Assoziative Modelle (

Assoziationsmodelle genannt) basieren auf den zugrunde liegenden Assoziationen und Beziehungen, die in den Daten vorhanden sind. Wenn ein Kunde einen bestimmten Dienst abonniert hat, wird er höchstwahrscheinlich einen anderen bestimmten Dienst 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 stellare Gewinne ausweist, wie hoch ist dann die Wahrscheinlichkeit, dass ein Aktienkorb in diesem Sektor an Wert gewinnt?