Modellazione Predittiva: Guida Completa a Tipi, Benefici e Algoritmi
La modellazione predittiva è un metodo per predire risultati futuri usando la data modeling. È uno dei modi principali con cui un business vede la sua strada forward e pianifica di conseguenza. Pur non essendo infallibile, questo metodo tende ad avere alti tassi di accuratezza, ed è per questo che è così comunemente usato.
Cos'è la Modellazione Predittiva?
In breve, la modellazione predittiva è una tecnica statistica che usa machine learning e data mining per predire e forecastare probabili risultati futuri con l'aiuto di dati storici ed esistenti. Funziona analizzando dati correnti e storici e proiettando ciò che impara su un modello generato per forecastare outcome probabili. La modellazione predittiva può predire quasi tutto: da rating TV e prossimo acquisto cliente a rischi credito e utili aziendali.
Un modello predittivo non è fisso; viene validato o rivisto regolarmente per incorporare cambiamenti nei dati sottostanti. In altre parole, non è una previsione one-and-done. I modelli predittivi fanno assunzioni basate su ciò che è successo in passato e ciò che succede ora. Se nuovi dati in arrivo mostrano cambiamenti in ciò che succede ora, l'impatto sul probabile outcome futuro deve essere ricalcolato. Es: un'azienda software potrebbe modellare dati storici vendite contro spese marketing in più regioni per creare un modello per futuri ricavi basato sull'impatto della spesa marketing.
La maggior parte dei modelli predittivi lavora velocemente e spesso completa calcoli in real time. Per questo banche e retailer possono, per esempio, calcolare il rischio di una richiesta mutuo o carta di credito online e accettare o declinare quasi istantaneamente basandosi su quella predizione.
Alcuni modelli predittivi sono più complessi, come quelli usati in biologia computazionale e quantum computing; gli output risultanti richiedono più tempo per calcolare di una richiesta carta di credito ma sono fatti molto più velocemente di quanto possibile in passato grazie ad avanzamenti tecnologici, inclusa la potenza di calcolo.
Top 5 Tipi di Modelli Predittivi
Fortunatamente, i modelli predittivi non devono essere creati da zero per ogni applicazione. Gli strumenti di predictive analytics usano una varietà di modelli e algoritmi vetted applicabili a una vasta gamma di use case.
Le tecniche di modellazione predittiva sono state perfezionate nel tempo. Aggiungendo più dati, computing più muscoloso, AI e machine learning e vedendo avanzamenti overall in analytics, siamo in grado di fare di più con questi modelli.
I top 5 modelli di predictive analytics sono:
- Modello di classificazione: Considerato il più semplice, categorizza dati per query response semplice e diretta. Un use case: rispondere "Questa transazione è fraudolenta?"
- Modello di clustering: Annida dati insieme per attributi comuni. Funziona raggruppando cose o persone con caratteristiche o comportamenti condivisi e pianificando strategie per ogni gruppo su larga scala. Es: determinare rischio credito per un richiedente prestito basandosi su cosa hanno fatto altri in situazioni simili in passato.
- Modello di forecast: Molto popolare, funziona su qualsiasi cosa con valore numerico basandosi sull'apprendimento da dati storici. Es: quanta lattuga un ristorante dovrebbe ordinare la prossima settimana, o quante chiamate un agente supporto clienti dovrebbe gestire al giorno/settimana, il sistema guarda ai dati storici.
- Modello outlier: Funziona analizzando punti dati anomali o outlier. Es: una banca potrebbe usare un modello outlier per identificare frodi chiedendo se una transazione è fuori dalle abitudini d'acquisto normali del cliente o se una spesa in una data categoria è normale. Es: un addebito $1.000 per lavatrice/asciugatrice nel big box store preferito dal titolare non allarma, ma $1.000 spesi in abbigliamento firmato in una località dove il cliente non ha mai fatto altri acquisti potrebbe indicare un account violato.
- Modello time series: Valuta una sequenza di punti dati basata sul tempo. Es: il numero di pazienti ictus ammessi in ospedale negli ultimi 4 mesi serve a predire quanti pazienti l'ospedale potrebbe aspettarsi la prossima settimana, mese o resto anno. Una singola metrica misurata e confrontata nel tempo è così più significativa di una semplice media.
Algoritmi Predittivi Comuni
Gli algoritmi predittivi usano una di due cose: machine learning o deep learning. Entrambi sono sottinsiemi di intelligenza artificiale (AI). Il machine learning (ML) coinvolge dati strutturati, come fogli di calcolo o dati macchina. Il deep learning (DL) gestisce dati non strutturati come video, audio, testo, post social media e immagini — essenzialmente ciò con cui gli umani comunicano che non sono numeri o letture metriche.
Alcuni dei più comuni algoritmi predittivi sono:
- Random Forest: Questo algoritmo deriva da una combinazione di decision trees, nessuna correlata, e può usare sia classificazione che regressione per classificare grandi quantità di dati.
- Generalized Linear Model (GLM) per Due Valori: Ristringe la lista di variabili per trovare "best fit". Può calcolare tipping point, change data capture e altre influenze, come predittori categorici, per determinare l'outcome "best fit", superando svantaggi di altri modelli, come regressione lineare regolare.
- Gradient Boosted Model: Usa anche diversi decision trees combinati, ma a differenza di Random Forest, gli alberi sono correlati. Costruisce un albero alla volta, permettendo al successivo di correggere difetti del precedente. Spesso usato in ranking, come output motori di ricerca.
- K-Means: Algoritmo popolare e veloce, raggruppa punti dati per similarità, spesso usato per il modello clustering. Può rendere velocemente cose come offerte retail personalizzate a individui in un gruppo enorme, es: un milione o più clienti con simile preferenza per cappotti rossi di lana a righe.
- Prophet: Usato in modelli time-series o forecast per capacity planning, come bisogni inventario, quote vendite, allocazione risorse. È altamente flessibile e accomoda facilmente euristiche e un array di assunzioni utili.
Modellazione Predittiva e Data Analytics
La modellazione predittiva è anche nota come predictive analytics. Generalmente, "modellazione predittiva" è favorita in ambito accademico, mentre "predictive analytics" è il termine preferito per applicazioni commerciali.
L'uso efficace di predictive analytics dipende pesantemente da accesso illimitato a volumi sufficienti di dati accurati, puliti e rilevanti. Mentre i modelli predittivi possono essere straordinariamente complessi, come quelli usando decision trees e k-means clustering, la parte più complessa è sempre la neural network; cioè, il modello con cui i computer sono addestrati a predire outcome. Il machine learning usa una neural network per trovare correlazioni in data set eccezionalmente grandi e "imparare" e identificare pattern nei dati.
Benefici della Modellazione Predittiva
In sintesi, la predictive analytics riduce tempo, sforzo e costi nel forecasting di outcome business. Variabili come fattori ambientali, competitive intelligence, cambiamenti regolatori e condizioni di mercato possono essere fattorizzate nel calcolo matematico per rendere viste più complete a costi relativamente bassi.
Esempi di tipi specifici di forecasting che beneficiano i business: demand forecasting, headcount planning, churn analysis, fattori esterni, analisi competitiva, manutenzione fleet e hardware IT, rischi finanziari.
Sfide della Modellazione Predittiva
È essenziale mantenere la predictive analytics focalizzata su produzione di insight business utili perché non tutto ciò che questa tecnologia scova è utile. Alcune informazioni minate hanno valore solo nel soddisfare una mente curiosa e hanno poche o nessuna implicazione business. Distrarsi è una distrazione che pochi business possono permettersi.
Inoltre, poter usare più dati nella modellazione predittiva è un vantaggio solo fino a un certo punto. Troppi dati possono distorcere il calcolo e portare a outcome meaningless o erroneo. Es: più cappotti si vendono man mano che la temperatura esterna scende. Ma solo fino a un punto. La gente non compra più cappotti a -20°F che a -5° sotto zero. A un certo punto, freddo è abbastanza freddo da spingere l'acquisto di cappotti e temperature più rigide non cambiano più apprezzabilmente quel pattern.
E con i volumi massicci di dati coinvolti, mantenere sicurezza e privacy sarà anche una sfida. Ulteriori sfide risiedono nelle limitazioni del machine learning.
Limitazioni della Modellazione Predittiva
Secondo un report McKinsey, limitazioni comuni e loro "best fixes" includono:
- Errori nell'etichettatura dati: Superabili con reinforcement learning o generative adversarial networks (GANs).
- Carenza di massive data set necessari per addestrare machine learning: Una possibile fix è "one-shot learning", dove una macchina impara da un piccolo numero di dimostrazioni invece che su un massive data set.
- Incapacità della macchina di spiegare cosa e perché ha fatto ciò che ha fatto: Le macchine non "pensano" o "imparano" come gli umani. I loro calcoli possono essere eccezionalmente complessi che gli umani faticano a trovare, figurarsi seguire, la logica. Tutto questo rende difficile per una macchina spiegare il suo lavoro, o per gli umani farlo. Eppure la trasparenza del modello è necessaria per vari motivi, con la sicurezza umana in testa. Fix promettenti: local-interpretable-model-agnostic explanations (LIME) e attention techniques.
- Generalizzabilità dell'apprendimento, o meglio mancanza di essa: A differenza degli umani, le macchine hanno difficoltà a portare avanti ciò che hanno imparato. In altre parole, faticano ad applicare ciò che hanno imparato a un nuovo set di circostanze. Quello che ha imparato è applicabile a un solo use case. È largamente per questo che non dobbiamo preoccuparci dell'ascesa di AI overlord presto. Per la modellazione predittiva usando ML per essere riutilizzabile — utile in più di un use case — una possibile fix è transfer learning.
- Bias in dati e algoritmi: La non-rappresentazione può distorcere outcome e portare a maltrattamento di grandi gruppi umani. Inoltre, bias cotti dentro sono difficili da trovare e purgare dopo. In altre parole, i bias tendono ad auto-perpetuarsi. È un moving target, e nessuna fix chiara è stata ancora identificata.
Il Futuro della Modellazione Predittiva
La modellazione predittiva, anche nota come predictive analytics, e il machine learning sono ancora tecnologie giovani e in sviluppo, significa che c'è molto altro in arrivo. Man mano che tecniche, metodi, strumenti e tecnologie migliorano, miglioreranno anche i benefici per business e società.
Tuttavia, non sono tecnologie che i business possono permettersi di adottare dopo, quando la tech raggiunge maturità e tutti i bug sono risolti. I vantaggi near-term sono semplicemente troppo forti per un late adopter per superarli e restare competitivo.
Il nostro consiglio: Capisci e implementa la tecnologia ora e poi fai crescere i benefici business accanto ai successivi avanzamenti nelle tecnologie.
Modellazione Predittiva nelle Piattaforme
Per tutte le aziende tranne le più grandi, raccogliere i benefici di predictive analytics è più facilmente ottenibile usando sistemi ERP che hanno le tecnologie built-in e contengono machine learning pre-addestrato. Es: funzioni di planning, forecasting e budgeting possono fornire un statistical model engine per modellare rapidamente scenari multipli che gestiscono condizioni di mercato mutevoli.
Come altro esempio, una funzione di supply planning o supply capacity può similmente predire consegne potenzialmente in ritardo, ordini acquisto o vendita e altri rischi o impatti. Fornitori alternativi possono anche essere rappresentati in dashboard per permettere alle aziende di pivotare per incontrare requisiti manifatturieri o distributivi.
Financial modeling e planning e budgeting sono aree chiave per raccogliere i molti benefici di queste tecnologie avanzate senza sovraccaricare il tuo team.
Articoli in Evidenza
- Modello CAPM: Vantaggi e Svantaggi
- Quantitative Investing: Benefici, Rischi e Funzionamento
- Premium Financing: Vantaggi, Rischi e Quando Utilizzarlo
- Captive Insurance: Vantaggi, Rischi e Funzionamento
- Repurchase Agreement (Repo): Funzionamento, Vantaggi e Rischi
- Transazione del Debito: Vantaggi e Rischi - Guida Completa
- Hedging valutario: rischi, vantaggi e strategie per investitori
- Blockchain e Criptovalute: Capire la Connessione
- Fondi FMP Debt: Vantaggi ed Efficienza Fiscale Spiegati
- ETF Wrap: Guida a Tipologie di Conto e Vantaggi
-
Commercio Omnicanale: Vantaggi, Strategie e Tendenze FutureNel 2020, i consumatori statunitensi hanno speso oltre 861 miliardi di dollari online, con un aumento del 44% rispetto al 2019. Lo studio, condotto da Digital Commerce 360, prevede un altro significat...
-
Capire gli investitori: tipi e strategie per la ricchezza a lungo termineInvestire è una parte fondamentale per costruire stabilità finanziaria a lungo termine. Ma cosè un investitore? Man mano che ti addentri in questo mondo, scoprirai che ne esistono molti tipi. Anche s...
