Modellazione predittiva:tipi,

La modellazione predittiva è un metodo per prevedere i risultati futuri utilizzando la modellazione dei dati. È uno dei principali modi in cui un'azienda può vedere il suo percorso in avanti e fare piani di conseguenza. Pur non essendo infallibile, questo metodo tende ad avere tassi di precisione elevati, ecco perché è così comunemente usato.

Che cos'è la modellazione predittiva?

In breve, La modellazione predittiva è una tecnica statistica che utilizza l'apprendimento automatico e il data mining per prevedere e prevedere probabili risultati futuri con l'aiuto di dati storici ed esistenti. Funziona analizzando i dati attuali e storici e proiettando ciò che apprende su un modello generato per prevedere i risultati probabili. La modellazione predittiva può essere utilizzata per prevedere qualsiasi cosa, dagli ascolti televisivi e dal prossimo acquisto di un cliente ai rischi di credito e ai guadagni aziendali.

Un modello predittivo non è fisso; viene convalidato o rivisto regolarmente per incorporare i cambiamenti nei dati sottostanti. In altre parole, non è una previsione univoca. I modelli predittivi fanno ipotesi basate su ciò che è accaduto in passato e su ciò che sta accadendo ora. Se in arrivo, nuovi dati mostrano cambiamenti in ciò che sta accadendo ora, l'impatto sul probabile esito futuro deve essere ricalcolato, pure. Per esempio, una società di software potrebbe modellare i dati di vendita storici rispetto alle spese di marketing in più regioni per creare un modello per le entrate future in base all'impatto della spesa di marketing.

La maggior parte dei modelli predittivi funziona velocemente e spesso completa i calcoli in tempo reale. Ecco perché banche e rivenditori possono, Per esempio, calcolare il rischio di una richiesta di mutuo o carta di credito online e accettare o rifiutare la richiesta quasi istantaneamente in base a tale previsione.

Alcuni modelli predittivi sono più complessi, come quelli utilizzati nella biologia computazionale e nell'informatica quantistica; i risultati risultanti richiedono più tempo per essere elaborati rispetto a un'applicazione con carta di credito, ma vengono eseguiti molto più rapidamente di quanto fosse possibile in passato grazie ai progressi nelle capacità tecnologiche, compresa la potenza di calcolo.

I 5 migliori tipi di modelli predittivi

Fortunatamente, i modelli predittivi non devono essere creati da zero per ogni applicazione. Gli strumenti di analisi predittiva utilizzano una varietà di modelli e algoritmi controllati che possono essere applicati a un'ampia gamma di casi d'uso.

Le tecniche di modellazione predittiva sono state perfezionate nel tempo. Man mano che aggiungiamo più dati, informatica più muscolare, AI e machine learning e osserva i progressi complessivi nell'analisi, siamo in grado di fare di più con questi modelli.

I primi cinque modelli di analisi predittiva sono:

1. Modello di classificazione: Considerato il modello più semplice, categorizza i dati per una risposta alla query semplice e diretta. Un esempio di utilizzo potrebbe essere quello di rispondere alla domanda "Si tratta di una transazione fraudolenta?"
2. Modello di clustering: Questo modello annida i dati insieme per attributi comuni. Funziona raggruppando cose o persone con caratteristiche o comportamenti condivisi e pianifica strategie per ciascun gruppo su scala più ampia. Un esempio è la determinazione del rischio di credito per un richiedente un prestito in base a ciò che altre persone nella stessa situazione o in una situazione simile hanno fatto in passato.
3. Modello di previsione: Questo è un modello molto popolare, e funziona su qualsiasi cosa con un valore numerico basato sull'apprendimento dai dati storici. Per esempio, nel rispondere a quanta lattuga un ristorante dovrebbe ordinare la prossima settimana o quante chiamate un agente dell'assistenza clienti dovrebbe essere in grado di gestire al giorno o alla settimana, il sistema torna ai dati storici.
4. Modello outlier: Questo modello funziona analizzando punti dati anomali o periferici. Per esempio, una banca potrebbe utilizzare un modello anomalo per identificare le frodi chiedendo se una transazione è al di fuori delle normali abitudini di acquisto del cliente o se una spesa in una determinata categoria è normale o meno. Per esempio, un $1, L'addebito di 000 sulla carta di credito per una lavatrice e un'asciugatrice nel negozio big box preferito dal titolare della carta non sarebbe allarmante, ma $ 1, 000 spesi in abiti firmati in un luogo in cui il cliente non ha mai addebitato altri articoli potrebbero essere indicativi di un account violato.
5. Modello serie temporale: Questo modello valuta una sequenza di punti dati in base al tempo. Per esempio, il numero di pazienti con ictus ricoverati in ospedale negli ultimi quattro mesi viene utilizzato per prevedere quanti pazienti l'ospedale potrebbe aspettarsi di ricoverare la prossima settimana, il prossimo mese o il resto dell'anno. Una singola metrica misurata e confrontata nel tempo è quindi più significativa di una semplice media.

Algoritmi predittivi comuni

Gli algoritmi predittivi utilizzano una delle due cose:machine learning o deep learning. Entrambi sono sottoinsiemi di intelligenza artificiale (AI). L'apprendimento automatico (ML) coinvolge dati strutturati, come fogli di calcolo o dati macchina. Il deep learning (DL) si occupa di dati non strutturati come video, Audio, testo, post e immagini sui social media, essenzialmente le cose con cui gli umani comunicano che non sono numeri o letture di metriche.

Alcuni degli algoritmi predittivi più comuni sono:

1. Foresta casuale: Questo algoritmo è derivato da una combinazione di alberi decisionali, nessuno dei quali è correlato, e può utilizzare sia la classificazione che la regressione per classificare grandi quantità di dati.
2. Modello lineare generalizzato (GLM) per due valori: Questo algoritmo restringe l'elenco delle variabili per trovare il "miglior adattamento". Può elaborare punti critici e modificare l'acquisizione dei dati e altre influenze, come predittori categoriali, per determinare il risultato "migliore adattamento", superando così gli inconvenienti di altri modelli, come una regressione lineare regolare.
3. Modello con aumento del gradiente: Questo algoritmo utilizza anche diversi alberi decisionali combinati, ma a differenza di Random Forest, gli alberi sono correlati. Costruisce un albero alla volta, consentendo così all'albero successivo di correggere i difetti nell'albero precedente. È spesso usato nelle classifiche, come sugli output dei motori di ricerca.
4. K-significa: Un algoritmo popolare e veloce, K-Means raggruppa i punti dati per somiglianze e quindi viene spesso utilizzato per il modello di clustering. Può rendere rapidamente cose come offerte di vendita al dettaglio personalizzate a individui all'interno di un grande gruppo, come un milione o più di clienti con un simile gusto per i cappotti di lana rossa foderati.
5. Profeta: Questo algoritmo viene utilizzato nelle serie temporali o nei modelli di previsione per la pianificazione della capacità, come per esigenze di inventario, quote di vendita e allocazione delle risorse. È altamente flessibile e può facilmente accogliere euristiche e una serie di utili ipotesi.

Modellazione predittiva e analisi dei dati

La modellazione predittiva è anche nota come analisi predittiva. In genere, il termine "modellazione predittiva" è preferito negli ambienti accademici, mentre "analisi predittiva" è il termine preferito per le applicazioni commerciali della modellazione predittiva.

L'utilizzo efficace dell'analisi predittiva dipende in larga misura dall'accesso illimitato a volumi sufficienti di dati accurati, dati puliti e pertinenti. Mentre i modelli predittivi possono essere straordinariamente complessi, come quelli che utilizzano alberi decisionali e clustering di k-means, la parte più complessa è sempre la rete neurale; questo è, il modello mediante il quale i computer vengono addestrati a prevedere i risultati. L'apprendimento automatico utilizza una rete neurale per trovare correlazioni in set di dati eccezionalmente grandi e "apprendere" e identificare modelli all'interno dei dati.

Vantaggi della modellazione predittiva

In poche parole, l'analisi predittiva riduce i tempi, sforzo e costi nella previsione dei risultati aziendali. Variabili come fattori ambientali, intelligenza competitiva, i cambiamenti della regolamentazione e le condizioni del mercato possono essere presi in considerazione nel calcolo matematico per rendere le viste più complete a costi relativamente bassi.

Esempi di tipi specifici di previsione che possono avvantaggiare le aziende includono la previsione della domanda, pianificazione del personale, analisi del tasso di abbandono, fattori esterni, analisi competitiva, manutenzione della flotta e dell'hardware IT e rischi finanziari.

Sfide della modellazione predittiva

È essenziale mantenere l'analisi predittiva focalizzata sulla produzione di utili informazioni di business perché non tutto ciò che questa tecnologia scopre è utile. Alcune informazioni estratte hanno valore solo per soddisfare una mente curiosa e hanno poche o nessuna implicazione commerciale. Essere sviati è una distrazione che poche aziende possono permettersi.

Anche, essere in grado di utilizzare più dati nella modellazione predittiva è un vantaggio solo fino a un certo punto. Troppi dati possono distorcere il calcolo e portare a un risultato privo di significato o errato. Per esempio, più cappotti vengono venduti man mano che la temperatura esterna scende. Ma solo fino a un certo punto. Le persone non comprano più cappotti quando fuori ci sono -20 gradi Fahrenheit di quanto non facciano quando sono -5 gradi sotto lo zero. Ad un certo punto, il freddo è abbastanza freddo da stimolare l'acquisto di cappotti e le temperature più rigide non cambiano più in modo apprezzabile quel modello.

E con gli enormi volumi di dati coinvolti nella modellazione predittiva, anche mantenere la sicurezza e la privacy sarà una sfida. Ulteriori sfide risiedono nei limiti dell'apprendimento automatico.

Limiti della modellazione predittiva

Secondo un rapporto McKinsey, limitazioni comuni e le loro "migliori soluzioni" includono:

1. Errori nell'etichettatura dei dati: Questi possono essere superati con l'apprendimento per rinforzo o le reti generative avversarie (GAN).
2. Carenza di enormi set di dati necessari per addestrare l'apprendimento automatico: La soluzione possibile è "apprendimento one-shot, ” in cui una macchina apprende da un piccolo numero di dimostrazioni piuttosto che da un enorme set di dati.
3. L'incapacità della macchina di spiegare cosa e perché ha fatto ciò che ha fatto: Le macchine non "pensano" o "imparano" come gli umani. Allo stesso modo, i loro calcoli possono essere così eccezionalmente complessi che gli umani hanno difficoltà a trovare, figuriamoci seguire, la logica. Tutto ciò rende difficile per una macchina spiegare il suo lavoro, o che gli umani lo facciano. Eppure la trasparenza del modello è necessaria per una serie di motivi, con il capo della sicurezza umana tra loro. Possibili soluzioni promettenti:spiegazioni locali interpretabili indipendentemente dal modello (LIME) e tecniche di attenzione.
4. Generalizzabilità dell'apprendimento , o meglio la sua mancanza: A differenza degli umani, le macchine hanno difficoltà a portare avanti ciò che hanno imparato. In altre parole, hanno difficoltà ad applicare ciò che hanno imparato a una nuova serie di circostanze. Qualunque cosa abbia appreso è applicabile a un solo caso d'uso. Questo è in gran parte il motivo per cui non dobbiamo preoccuparci dell'ascesa dei padroni dell'IA in tempi brevi. Affinché la modellazione predittiva che utilizza l'apprendimento automatico sia riutilizzabile, ovvero utile in più di un caso d'uso:una possibile soluzione è il trasferimento dell'apprendimento.
5. Bias nei dati e negli algoritmi: La mancata rappresentazione può distorcere i risultati e portare a maltrattamenti di grandi gruppi di esseri umani. Ulteriore, i pregiudizi precotti sono difficili da trovare ed eliminare in seguito. In altre parole, i pregiudizi tendono ad autoperpetuarsi. Questo è un bersaglio mobile, e nessuna soluzione chiara è stata ancora identificata.

Il futuro della modellazione predittiva

Modellazione predittiva, noto anche come analisi predittiva, e machine learning sono ancora giovani e in via di sviluppo di tecnologie, significa che c'è molto di più a venire. Come tecniche, metodi, strumenti e tecnologie migliorano, così saranno i benefici per le imprese e le società.

Però, queste non sono tecnologie che le aziende possono permettersi di adottare in seguito, dopo che la tecnologia raggiunge la maturità e tutti i nodi sono stati risolti. I vantaggi a breve termine sono semplicemente troppo forti perché un utente in ritardo possa superarli e rimanere competitivi.

Il nostro consiglio:comprendere e implementare la tecnologia ora e quindi aumentare i vantaggi aziendali insieme ai successivi progressi delle tecnologie.

Modellazione predittiva nelle piattaforme

Per tutte le aziende tranne le più grandi, raccogliere i vantaggi dell'analisi predittiva si ottiene più facilmente utilizzando i sistemi ERP che hanno le tecnologie integrate e contengono l'apprendimento automatico pre-addestrato. Per esempio, pianificazione, le funzionalità di previsione e budgeting possono fornire un motore di modelli statistici per modellare rapidamente più scenari che affrontano le mutevoli condizioni di mercato.

Come altro esempio, una funzione di pianificazione della fornitura o capacità di fornitura può prevedere allo stesso modo consegne potenzialmente in ritardo, ordini di acquisto o vendita e altri rischi o impatti. I fornitori alternativi possono anche essere rappresentati sulla dashboard per consentire alle aziende di ruotare per soddisfare i requisiti di produzione o distribuzione.

La modellazione finanziaria, la pianificazione e il budget sono aree chiave per raccogliere i numerosi vantaggi derivanti dall'utilizzo di queste tecnologie avanzate senza sovraccaricare il tuo team.