Люди, использующие модели предиктивной аналитики, стремятся изучить текущие и прошлые данные и использовать их для точного определения вероятности будущих результатов. Вот шесть распространенных типов моделей прогнозной аналитики и возможные причины их использования.
1. Модель дерева решений
Модель дерева решений имеет структуру, аналогичную блок-схеме. Он делает прогнозы на основе ответов на предыдущие вопросы в дереве. Основой модели является корневой узел, и все возможные вопросы вытекают из него. Узлы решений представляют вопросы, а листовые узлы — ответы. Эта модель не всегда приводит к твердым выводам, но часто позволяет специалистам по обработке и анализу данных изучать варианты и принимать более обоснованные решения.
Маркетологи используют модель дерева решений для прогнозирования успеха запуска продукта. Это также может помочь им определить, проявит ли интерес к опциону хотя бы определенный процент целевого рынка. Менеджеры отделений неотложной помощи могут использовать модели дерева решений во время сортировки, чтобы получить рекомендации о том, каких пациентов следует посетить в первую очередь для достижения наилучших результатов.
2. Модель прогноза
Эта модель помогает людям определять будущие показатели. Это подходящий выбор, если у пользователя есть исторические и числовые данные для использования. Эта модель также может учитывать различные параметры при прогнозировании.
Например, представьте, что менеджер ресторана хочет знать, сколько у него будет заказов в ресторанах на вечер следующей пятницы. Модель прогноза может учитывать такие вещи, как праздники или другие особые события, которые могут побудить людей с большей или меньшей вероятностью захотеть пообедать вне дома, циркулируют ли болезни в этом районе и есть ли крупные события, такие как спортивные мероприятия или концерты, которые могут привлечь больше туристов в окрестности, чем обычно.
3. Модель выброса
Модель выбросов позволяет делать прогнозы о том, является ли что-то необычным событием, заслуживающим отметки. Банки часто используют этот тип прогнозной аналитики для обнаружения мошенничества. Эти приложения обычно имеют возможности распознавания образов, которые улавливают то, что обычно. Подумайте о том, что человек внезапно совершает покупку на 2500 долларов после покупки вещей, которые в среднем стоят менее 100 долларов. Эта транзакция вызовет модель выброса, потому что она необычна.
Многие организации учат людей распознавать, когда что-то может быть не так, особенно в законных отраслях, изобилующих мошеннической деятельностью, таких как списание долгов и компании-эмитенты кредитных карт, системы государственных лотерей и благотворительные и некоммерческие организации. Опечатки, просьбы о срочном предоставлении информации и электронные письма со странными вложениями — все это общие признаки потенциального онлайн-мошенничества. Тем не менее, даже самые зоркие люди не могут уловить все, но модели-выбросы могут восполнить пробелы.
4. Модель классификации
Модель классификации анализирует исторические данные и использует их для прогнозирования. Это одна из самых простых прогностических моделей, потому что она в первую очередь лучше всего подходит для вопросов, на которые можно ответить «да» или «нет».
Статистические данные показывают, что подготовка их к той или иной роли может стоить более чем в 1,25 раза больше, чем зарплата человека. Вот почему многие специалисты по кадрам используют платформы, основанные на модели классификации, чтобы определить, какие сотрудники могут скоро уйти. Если менеджеры вовремя узнают об этом, они могут вмешаться, проведя подробные беседы с недовольными сотрудниками и попытавшись изменить ситуацию.
5. Модель регрессии
Модель регрессии предсказывает взаимосвязь между двумя переменными. Результаты предоставляют пользователям числовое значение, которое они могут использовать для принятия решений, основанных на времени.
Один из возможных вариантов использования — узнать, какой доход будет приносить компании конкретная часть критически важного оборудования до того, как она столкнется с остановкой работы. Руководители компаний могут полагаться на результаты, чтобы определить лучшее время для планирования замены деталей и другого жизненно важного обслуживания.
6. Модель временных рядов
Люди часто выбирают модель временных рядов, когда им нужно делать краткосрочные или долгосрочные прогнозы на основе шаблонов исторических данных. Одно распространенное приложение позволяет розничным торговцам или другим участникам цепочки поставок оценить, какие товары, скорее всего, будут пользоваться наибольшим спросом в определенные месяцы или сезоны.
Однако он также может помочь людям, которым необходимо прогнозировать уровни трафика. Насколько загруженным будет аэропорт в летние месяцы по сравнению с зимними? Когда сайт электронной коммерции, вероятно, будет иметь наибольшее количество посетителей? Это ценные вопросы, и знание ответов на них может помочь людям избежать нежелательных последствий.
Какие модели прогнозной аналитики вы будете использовать?
Эти варианты использования показывают, почему прогнозная аналитика так важна во многих отраслях. Большинству лиц, принимающих решения, не нравится неопределенность, и использование правильных моделей прогнозной аналитики может существенно уменьшить ее. Тем не менее, не существует универсальной лучшей модели для выбора в каждом конкретном случае. Просмотр того, как люди часто применяют типы здесь и другие, поможет вам сделать обоснованный вывод для любого текущего или будущего проекта.
Читайте другие статьи по науке о данных на OpenDataScience.com, включая учебные пособия и руководства от начального до продвинутого уровня! Подпишитесь на нашу еженедельную рассылку здесь и получайте последние новости каждый четверг. Вы также можете пройти обучение по науке о данных по запросу, где бы вы ни находились, с нашей платформой Ai+ Training. Подпишитесь также на нашу быстрорастущую публикацию на Medium, ODSC Journal, и узнайте, как стать писателем.
