Что такое прогнозное моделирование?
Прогнозирующее моделирование - это процесс использования известных результатов для создания, обработки и проверки модели, которая может использоваться для прогнозирования будущих результатов. Это инструмент, используемый в прогнозной аналитике, методике интеллектуального анализа данных, которая пытается ответить на вопрос "что может произойти в будущем?"
Понимание прогнозирующего моделирования
Быстрый переход на цифровые продукты создал море данных, которые легко доступны и доступны для бизнеса. Большие данные используются компаниями для улучшения динамики отношений между клиентами и бизнесом. Этот огромный объем данных в реальном времени получают из таких источников, как социальные сети, история посещений интернета, данные сотовых телефонов и платформы облачных вычислений.
Анализируя исторические события, есть вероятность, что бизнес сможет предсказать, что произойдет в будущем, и спланировать соответственно. Однако эти данные обычно неструктурированы и слишком сложны для анализа человеком за короткий промежуток времени. Из-за сложности, которую представляют огромные объемы данных, компании все чаще используют инструменты прогнозной аналитики для прогнозирования результатов события, которое может произойти в ближайшем будущем.
Как работает интеллектуальная аналитика
Прогнозная аналитика собирает и обрабатывает исторические данные в огромных количествах и использует мощные компьютеры для оценки того, что произошло в прошлом, а затем предоставляет оценку того, что произойдет в будущем.
Прогнозирующая аналитика использует предикторы или известные функции для создания прогностических моделей, которые будут использоваться при получении результатов. Прогностическая модель способна узнать, как различные точки данных связаны друг с другом. Двумя наиболее широко используемыми методами прогнозного моделирования являются регрессия и нейронные сети.
Компании все чаще используют прогнозное моделирование для прогнозирования событий, которые могут произойти в ближайшем будущем.
Особые соображения
В области статистики регрессия относится к линейной зависимости между входными и выходными переменными. Прогнозирующая модель с линейной функцией требует одного предиктора или функции, чтобы предсказать результат / результат. Например, банк, который надеется обнаружить отмывание денег на ранних стадиях, может использовать линейную модель прогнозирования.
Банк, в частности, хочет знать, кто из его клиентов, вероятно, будет заниматься отмыванием денег в определенный момент времени. Представлены все данные клиентов банка, а прогнозная модель построена на основе долларовой стоимости переводов, совершенных каждым клиентом в течение определенного периода времени.
Модель научена распознавать разницу между транзакцией отмывания денег и обычной транзакцией. Оптимальным результатом модели должна стать модель, которая показывает, какой клиент отмывал деньги, а какой нет. Если модель осознает, что для конкретного клиента возникает мошенничество, она создаст сигнал к действию, в котором будут участвовать аналитики банка по мошенничеству.
Прогнозирующие модели также используются в нейронных сетях, таких как машинное обучение и глубокое обучение, которые являются областями искусственного интеллекта (ИИ). Нейронные сети вдохновлены человеческим мозгом и созданы из сети взаимосвязанных узлов на иерархических уровнях, которые представляют собой основу для ИИ. Сила нейронных сетей заключается в их способности обрабатывать нелинейные отношения данных. Они способны создавать отношения и шаблоны между переменными, которые оказались бы невозможными или слишком трудоемкими для человеческих аналитиков.
Ключевые вынос
- Прогнозирующее моделирование - это процесс использования известных результатов для создания, обработки и проверки модели, которая может использоваться для будущих прогнозов. Двумя наиболее широко используемыми методами прогнозного моделирования являются регрессия и нейронные сети.
Таким образом, в то время как банк может ввести в свою модель известные переменные, такие как стоимость переводов, инициированных его клиентами, чтобы получить желаемый результат того, кто, вероятно, будет заниматься отмыванием денег, нейронная сеть может создать более мощный образец, если он может успешно создать взаимосвязь между входными переменными, такими как время входа в систему, географическое местоположение пользователя, IP-адрес устройства пользователя, получатель или отправитель денежных средств, и любой другой функцией, которая может вызывать отмывание денег.
Другие методы прогнозного моделирования, используемые финансовыми компаниями, включают деревья решений, анализ данных временных рядов и байесовский анализ. Компании, которые используют большие данные с помощью методов прогнозного моделирования, лучше понимают, как их клиенты взаимодействуют со своими продуктами, и могут определить потенциальные риски и возможности для компании.
