Bagaimana mengkategorikan Model Analisis Prediktif - dummies

Anda mempunyai pelbagai cara untuk mengkategorikan model yang digunakan untuk analisis ramalan. Secara umum, anda boleh menyusunnya dengan < Masalah perniagaan yang mereka selesaikan dan fungsi perniagaan utama yang mereka sediakan (seperti jualan, pengiklanan, sumber manusia, atau pengurusan risiko).

• Pelaksanaan matematik yang digunakan dalam model (seperti statistik, perlombongan data, dan pembelajaran mesin).

Setiap model akan mempunyai gabungan beberapa aspek ini, lebih kerap daripada tidak, satu atau yang lain akan menguasai.

Cara menggunakan model ramalan

Model ramalan menganalisis data dan meramalkan hasil seterusnya. Ini adalah sumbangan besar analisis ramalan, yang berbeza dari kecerdasan perniagaan. Perisikan perniagaan memantau apa yang berlaku kini di dalam organisasi sekarang. Model ramalan menganalisis data sejarah untuk membuat keputusan yang berpengetahuan tentang kemungkinan hasil masa depan.

Memandangkan syarat-syarat tertentu (bilangan terbaru dan kekerapan aduan pelanggan, tarikh pembaharuan perkhidmatan yang mendekati, dan ketersediaan pilihan yang lebih murah oleh persaingan) bagaimana mungkin pelanggan ini untuk berpura-pura?

Output model ramalan juga boleh menjadi binari, ya / tidak atau 0/1 jawapan: sama ada transaksi adalah palsu. Model ramalan boleh menjana banyak keputusan, kadang-kadang menggabungkan hasil ya / tidak dengan kebarangkalian peristiwa tertentu akan berlaku. Kelayakan kredit pelanggan, sebagai contoh, dapat dinilai sebagai ya atau tidak, dan kebarangkalian diberikan yang menerangkan bagaimana pelanggan kemungkinan akan membayar pinjaman tepat pada waktunya.

Cara menggunakan kluster dan klasifikasi model

Apabila model menggunakan klustering dan klasifikasi, ia mengenal pasti pengelompokan yang berlainan dalam data sedia ada. Anda masih boleh membina model ramalan di atas output model clustering anda menggunakan kluster untuk mengklasifikasikan titik data baru.

Jika, sebagai contoh, anda menjalankan algoritma pengelompokkan pada data pelanggan anda dan dengan itu memisahkannya ke dalam kumpulan yang ditakrifkan dengan baik, anda kemudian boleh menggunakan klasifikasi untuk mengetahui tentang pelanggan baru dan dengan jelas mengenal pasti kumpulannya. Kemudian anda boleh menyesuaikan respons anda (sebagai contoh, kempen pemasaran yang disasarkan) dan pengendalian pelanggan baru anda.

Klasifikasi menggunakan gabungan ciri dan ciri untuk menunjukkan sama ada sesuatu item data tergolong dalam kelas tertentu.

Banyak aplikasi atau masalah perniagaan dapat dirumuskan sebagai masalah klasifikasi. Di peringkat yang sangat asas, contohnya, anda boleh mengklasifikasikan hasil yang diingini dan tidak dikehendaki. Sebagai contoh, anda boleh mengklasifikasikan tuntutan insurans sebagai sah atau penipuan.

Asas model keputusan

Memandangkan senario kompleks, apakah keputusan terbaik untuk membuatnya - dan jika anda mengambil tindakan itu, apakah hasilnya? Model yang berorientasikan keputusan (hanya dipanggil

model keputusan ) menangani soalan tersebut dengan membina rancangan strategik untuk mengenal pasti tindakan terbaik tindakan, memandangkan peristiwa tertentu. Model keputusan boleh menjadi strategi mitigasi risiko, membantu mengenal pasti tindak balas terbaik anda terhadap peristiwa yang tidak mungkin. Model keputusan meneliti pelbagai senario dan memilih yang terbaik dari semua kursus. Untuk membuat keputusan yang tepat, anda memerlukan pemahaman mendalam tentang hubungan kompleks dalam data dan konteks yang anda beroperasi. Model keputusan berfungsi sebagai alat untuk membantu anda mengembangkan pemahaman itu.

Asas model persatuan

Model-model persatuan (dipanggil

model persatuan ) dibina atas persatuan dan hubungan yang ada dalam data. Sekiranya pelanggan melanggan perkhidmatan tertentu, kemungkinan besar dia akan memesan perkhidmatan khusus yang lain. Sekiranya pelanggan ingin membeli Produk A (kereta sukan), dan produk tersebut dikaitkan dengan Produk B (katakan, cermin mata hitam yang dicap oleh pembuat kereta), dia lebih cenderung untuk membeli Produk B. Beberapa persatuan ini boleh mudah dikenali; orang lain mungkin tidak begitu jelas. Kesimpulan tentang persatuan yang menarik, sebelum ini tidak diketahui, boleh memberi manfaat dramatik.

Satu lagi cara mencari persatuan adalah untuk menentukan sama ada peristiwa tertentu meningkatkan kebarangkalian peristiwa lain akan berlaku. Jika, sebagai contoh, sebuah syarikat yang mengetuai sektor perindustrian tertentu hanya melaporkan pendapatan cemerlang, apakah kebarangkalian bahawa sekumpulan stok dalam sektor yang sama naik nilai?