تجزیه و تحلیل پیش بینی کننده

تجزیه و تحلیل پیش بینی استفاده از داده ها ، الگوریتم های آماری و تکنیک های یادگیری ماشین برای شناسایی احتمال نتایج آینده بر اساس داده های تاریخی است. هدف این است که فراتر از دانستن آنچه برای ارائه بهترین ارزیابی از آنچه در آینده اتفاق خواهد افتاد ، پیش برویم.

تاریخچه تجزیه و تحلیل پیش بینی و پیشرفت های فعلی

گرچه تجزیه و تحلیل پیش بینی برای ده ها سال گذشته است ، اما این فناوری است که زمان آن فرا رسیده است. بیشتر و بیشتر سازمان ها به سمت تجزیه و تحلیل پیش بینی کننده روی می آورند تا خط پایین و مزیت رقابتی خود را افزایش دهند. چرا حالا؟

• در حال رشد حجم و انواع داده ها و علاقه بیشتر به استفاده از داده ها برای تولید بینش های ارزشمند.
• رایانه های سریعتر و ارزان تر.
• نرم افزار آسانتر استفاده.
• شرایط اقتصادی سخت تر و نیاز به تمایز رقابتی.

با شیوع بیشتر نرم افزار تعاملی و کاربردی آسان تر ، تجزیه و تحلیل پیش بینی کننده دیگر فقط دامنه ریاضیدانان و آمارشناسان نیست. تحلیلگران تجارت و کارشناسان خط مشاغل نیز از این فناوری ها استفاده می کنند.

چرا تجزیه و تحلیل پیش بینی مهم است؟

سازمانها برای کمک به حل مشکلات دشوار و کشف فرصت های جدید به تجزیه و تحلیل پیش بینی شده اند. مصارف متداول شامل:

تشخیص کلاهبرداری. ترکیب چندین روش تحلیلی می تواند تشخیص الگوی را بهبود بخشد و از رفتار جنایی جلوگیری کند. از آنجا که امنیت سایبری به یک نگرانی رو به رشد تبدیل می شود ، تجزیه و تحلیل رفتاری با کارایی بالا تمام اقدامات موجود در یک شبکه را در زمان واقعی بررسی می کند تا ناهنجاری هایی را نشان دهد که ممکن است نشانگر کلاهبرداری ، آسیب پذیری های روز صفر و تهدیدهای مداوم پیشرفته باشد.

بهینه سازی کمپین های بازاریابی. تجزیه و تحلیل پیش بینی کننده برای تعیین پاسخ یا خریدهای مشتری و همچنین ترویج فرصت های فروش متقابل استفاده می شود. مدل های پیش بینی کننده به مشاغل کمک می کند تا سودآورترین مشتریان خود را جذب ، حفظ و رشد کنند.

بهبود عملیات. بسیاری از شرکت ها برای پیش بینی موجودی و مدیریت منابع از مدل های پیش بینی استفاده می کنند. خطوط هوایی از تجزیه و تحلیل پیش بینی برای تعیین قیمت بلیط استفاده می کنند. هتل ها سعی می کنند تعداد مهمانان را برای هر شب معین برای به حداکثر رساندن اشغال و افزایش درآمد پیش بینی کنند. تجزیه و تحلیل پیش بینی سازمانها را قادر می سازد تا کارآمدتر عمل کنند.

کاهش خطراز نمرات اعتباری برای ارزیابی احتمال پیش فرض خریدار برای خرید استفاده می شود و نمونه ای شناخته شده از تجزیه و تحلیل پیش بینی کننده است. نمره اعتباری عددی است که توسط یک مدل پیش بینی ایجاد می شود که کلیه داده های مربوط به اعتبار یک شخص را در بر می گیرد. سایر موارد مربوط به ریسک شامل مطالبات بیمه و مجموعه است.

تجزیه و تحلیل پیش بینی کننده در دنیای امروز

با تجزیه و تحلیل پیش بینی کننده ، می توانید فراتر از یادگیری آنچه اتفاق افتاده است و چرا برای کشف بینش در مورد آینده. بیاموزید که چگونه تجزیه و تحلیل پیش بینی کننده دنیایی را که در آن زندگی می کنیم شکل می دهد.

شکاف مهارت های تجزیه و تحلیل پیش بینی شده دارید؟

این کتاب الکترونیکی از SAS شامل مشاوره در دنیای واقعی کارفرمایان و مربیان در زمینه یافتن ، نگه داشتن و ایجاد انگیزه در استعدادهای برتر تجزیه و تحلیل است.

قرار دادن تجزیه و تحلیل پیش بینی کننده برای استفاده خوب

این گزارش مرکز بینش بررسی تجارت هاروارد شامل 25 مقاله با تمرکز بر نحوه استفاده از تجزیه و تحلیل پیش بینی در تصمیم گیری و برنامه ریزی است.

چگونه تجزیه و تحلیل پیش بینی می تواند اعتبار خود را به تلاش های بازاریابی شما اضافه کند؟

بیاموزید که چگونه ویژگی بازاریابی علم را اضافه می کند و جادوگری را از تلاش های بازاریابی شما با جایگزینی فرضیات و مدل های دلخواه با داده ها و تجزیه و تحلیل ها حذف می کند.

بهترین روشها برای نتایج مدل سازی بهتر پیش بینی شده

مدیریت و هماهنگی کلیه مراحل در فرآیند تحلیلی می تواند پیچیده باشد. بیاموزید که چگونه گام به گام بروید و به نتایج بهتر و قابل اطمینان تر برسید.

تجزیه و تحلیل پیش بینی کننده

SAS ® نرم افزار داده کاوی از الگوریتم های اثبات شده و برش استفاده شده است که به شما کمک می کند تا بزرگترین چالش های خود را حل کنید.

چه کسی از آن استفاده می کند؟

هر صنعت می تواند از تجزیه و تحلیل پیش بینی کننده برای کاهش خطرات ، بهینه سازی عملیات و افزایش درآمد استفاده کند. در اینجا چند نمونه هستند.

خدمات بانکی و مالی

صنعت مالی ، با مقادیر زیادی از داده ها و پول در معرض خطر ، مدتهاست که تجزیه و تحلیل پیش بینی کننده را برای تشخیص و کاهش کلاهبرداری ، اندازه گیری ریسک اعتباری ، به حداکثر رساندن فرصت های فروش متقابل/بالا به بالا و حفظ مشتریان ارزشمند پذیرفته است. بانک مشترک المنافع از Analytics برای پیش بینی احتمال فعالیت کلاهبرداری برای هر معامله معین قبل از مجاز بودن آن استفاده می کند - در 40 میلی ثانیه از شروع معامله.

خرده فروشی

از آنجا که این مطالعه بدنام که نشان می دهد مردانی که پوشک خریداری می کنند اغلب به طور همزمان آبجو می خرند ، خرده فروشان در همه جا از تجزیه و تحلیل پیش بینی برای برنامه ریزی کالا و بهینه سازی قیمت استفاده می کنند ، تا اثربخشی وقایع تبلیغاتی را تجزیه و تحلیل کنند و تعیین کنند که کدام پیشنهادات مناسب ترین برای مصرف کنندگان است. استیپلز با تجزیه و تحلیل رفتار ، ارائه تصویر کاملی از مشتریان و تحقق 137 ٪ ROI ، بینش مشتری را به دست آورد.

نفت ، گاز و آب و برق

این که آیا این پیش بینی خرابی تجهیزات و نیازهای منابع آینده ، کاهش خطرات ایمنی و قابلیت اطمینان یا بهبود عملکرد کلی است ، صنعت انرژی با قدرت تحلیلی پیش بینی کننده را پذیرفته است. پروژه Salt River دومین ابزار برق عمومی در ایالات متحده و یکی از بزرگترین تأمین کنندگان آب آریزونا است. تجزیه و تحلیل داده های سنسور دستگاه پیش بینی می کند که توربین های تولید کننده برق نیاز به نگهداری دارند.

دولت ها و بخش عمومی

دولت ها در پیشرفت فن آوری های رایانه بازیگران اصلی بوده اند. دفتر سرشماری ایالات متحده در حال تجزیه و تحلیل داده ها برای درک روند جمعیت برای ده ها سال است. اکنون دولت ها مانند بسیاری از صنایع دیگر - برای بهبود خدمات و عملکرد - از تجزیه و تحلیل پیش بینی کننده استفاده می کنند. تشخیص و جلوگیری از کلاهبرداری ؛و رفتار مصرف کننده را بهتر درک کنید. آنها همچنین از تجزیه و تحلیل پیش بینی کننده برای تقویت امنیت سایبری استفاده می کنند.

بیمه سلامت

علاوه بر تشخیص کلاهبرداری در مورد ادعاها ، صنعت بیمه درمانی در جهت شناسایی بیماران در معرض خطر بیماری مزمن و یافتن بهترین مداخلات اقدام می کند. Express Scripts ، یک شرکت بزرگ مزایای داروسازی ، از تجزیه و تحلیل برای شناسایی کسانی که پیروی از درمان های تجویز شده ندارند ، استفاده می کند و در نتیجه 1500 تا 9000 دلار برای هر بیمار پس انداز می شود.

تولید

برای تولید کنندگان شناسایی عوامل منجر به کاهش کیفیت و خرابی تولید و همچنین بهینه سازی قطعات ، منابع خدمات و توزیع بسیار مهم است. Lenovo فقط یک تولید کننده است که از تجزیه و تحلیل پیش بینی برای درک بهتر ادعاهای ضمانت استفاده کرده است - ابتکار عمل که منجر به کاهش 10 تا 15 درصدی در هزینه های ضمانت شده است.

در مورد صنایع با استفاده از این فناوری بیشتر بدانید

صنعت را انتخاب کنید

• کشاورزی
• بانکداری
• بازارهای سرمایه
• تحصیلات
• مراقبت های بهداشتی
• هتل
• بیمه
• علوم زیستی
• تولید
• بخش عمومی
• کالاهای خرده فروشی و مصرفی
• تجارت کوچک و متوسط
• تحلیلی ورزشی
• سفر و حمل و نقل
• راه دور ، رسانه و فناوری
• خدمات رفاهی

قرار دادن جادو در جادو

Sports Analytics یک منطقه داغ است ، به لطف پیش بینی های نیت نقره و مسابقات. Orlando Magic NBA از تجزیه و تحلیل پیش بینی SAS برای بهبود درآمد و تعیین ترکیبات شروع استفاده می کند. کاربران تجاری در سراسر سازمان سحر و جادو اورلاندو دسترسی فوری به اطلاعات دارند. این جادو اکنون می تواند به صورت بصری تازه ترین داده ها ، درست به بازی و صندلی را کشف کند.

تجزیه و تحلیل متن پیش بینی کننده

تقریباً 90 درصد از کل داده ها بدون ساختار است. آیا از تجزیه و تحلیل پیش بینی برای یافتن بینش در تمام این داده ها استفاده می کنید؟

چگونه کار می کند

مدل های پیش بینی کننده از نتایج شناخته شده برای توسعه (یا آموزش) مدلی استفاده می کنند که می تواند برای پیش بینی مقادیر برای داده های مختلف یا جدید استفاده شود. مدل سازی نتایج به شکل پیش بینی هایی را نشان می دهد که احتمال متغیر هدف (برای مثال درآمد) را بر اساس اهمیت تخمین زده شده از مجموعه ای از متغیرهای ورودی نشان می دهد.

این با مدلهای توصیفی متفاوت است که به شما در درک آنچه اتفاق افتاده است ، یا مدل های تشخیصی که به شما در درک روابط کلیدی کمک می کنند و تعیین می کنند که چرا اتفاقی افتاده است ، متفاوت است. کتابهای کامل به روشها و تکنیک های تحلیلی اختصاص داده شده است. برنامه های درسی کامل کالج عمیقاً به این موضوع می پردازند. اما برای مبتدیان ، در اینجا چند اصول اولیه وجود دارد.

دو نوع مدل پیش بینی وجود دارد. مدل های طبقه بندی عضویت در کلاس را پیش بینی می کنند. به عنوان مثال ، شما سعی می کنید طبقه بندی کنید که آیا کسی احتمالاً ترک خواهد کرد ، خواه او به یک دادخواست پاسخ دهد ، خواه او یک ریسک اعتباری خوب باشد و غیره. رویدادی که شما هدف قرار می دهید. مدل های رگرسیون تعدادی را پیش بینی می کنند - به عنوان مثال ، چقدر درآمد مشتری در طی سال آینده یا تعداد ماه ها قبل از عدم موفقیت یک مؤلفه در یک دستگاه تولید می کند.

سه مورد از تکنیک های مدل سازی پیش بینی شده به طور گسترده درختان تصمیم گیری ، رگرسیون و شبکه های عصبی است.

رگرسیون (خطی و لجستیک) یکی از محبوب ترین روش در آمار است. تجزیه و تحلیل رگرسیون روابط بین متغیرها را برآورد می کند. در نظر گرفته شده برای داده های مداوم که می توان فرض کرد که توزیع عادی را دنبال می کند ، الگوهای کلیدی را در مجموعه داده های بزرگ پیدا می کند و اغلب برای تعیین میزان عوامل خاص مانند قیمت ، بر حرکت یک دارایی تأثیر می گذارد. با تجزیه و تحلیل رگرسیون ، ما می خواهیم یک عدد را به نام پاسخ یا متغیر y پیش بینی کنیم. با رگرسیون خطی ، از یک متغیر مستقل برای توضیح و/یا پیش بینی نتیجه Y استفاده می شود. رگرسیون چندگانه از دو یا چند متغیر مستقل برای پیش بینی نتیجه استفاده می کند. با رگرسیون لجستیک ، متغیرهای ناشناخته از یک متغیر گسسته بر اساس مقدار شناخته شده متغیرهای دیگر پیش بینی می شوند. متغیر پاسخ طبقه ای است ، به این معنی که می تواند فقط تعداد محدودی از مقادیر را فرض کند. با رگرسیون لجستیک باینری ، یک متغیر پاسخ فقط دو مقدار مانند 0 یا 1 دارد. در رگرسیون لجستیک متعدد ، یک متغیر پاسخ می تواند چندین سطح مانند پایین ، متوسط و بالا یا 1 ، 2 و 3 داشته باشد.

درختان تصمیم گیری مدل های طبقه بندی هستند که بر اساس دسته بندی متغیرهای ورودی ، داده ها را به زیر مجموعه ها تقسیم می کنند. این به شما کمک می کند تا مسیر تصمیمات کسی را درک کنید. یک درخت تصمیم گیری مانند یک درخت با هر شاخه به نظر می رسد که بین تعدادی از گزینه ها انتخابی را نشان می دهد ، و هر برگ نمایانگر طبقه بندی یا تصمیم است. این مدل به داده ها نگاه می کند و سعی می کند متغیری را پیدا کند که داده ها را به گروه های منطقی تقسیم می کند که بیشترین تفاوت را دارند. درختان تصمیم گیری محبوب هستند زیرا درک و تفسیر آنها آسان است. آنها همچنین مقادیر گمشده را به خوبی کنترل می کنند و برای انتخاب متغیر مقدماتی مفید هستند. بنابراین ، اگر مقادیر گمشده زیادی دارید یا یک پاسخ سریع و به راحتی قابل تفسیر می خواهید ، می توانید با یک درخت شروع کنید.

شبکه های عصبی تکنیک های پیچیده ای هستند که قادر به مدل سازی روابط بسیار پیچیده هستند. آنها محبوب هستند زیرا قدرتمند و انعطاف پذیر هستند. این قدرت در توانایی آنها در رسیدگی به روابط غیرخطی در داده ها به وجود می آید ، که به طور فزاینده ای متداول است زیرا ما داده های بیشتری را جمع می کنیم. آنها اغلب برای تأیید یافته های تکنیک های ساده مانند رگرسیون و درختان تصمیم گیری استفاده می شوند. شبکه های عصبی مبتنی بر تشخیص الگوی و برخی فرآیندهای هوش مصنوعی هستند که پارامترهای "مدل" را به صورت گرافیکی انجام می دهند. آنها خوب کار می کنند که هیچ فرمول ریاضی شناخته نشده باشد که ورودی ها را به خروجی ها مربوط می کند ، پیش بینی مهمتر از توضیح است یا داده های آموزشی زیادی وجود دارد. شبکه های عصبی مصنوعی در ابتدا توسط محققانی که در تلاش بودند از نوروفیزیولوژی مغز انسان تقلید کنند ، ساخته شده اند.

تکنیک های محبوب دیگری که ممکن است در مورد آنها بشنوید

تجزیه و تحلیل بیزی. روشهای بیزی پارامترها را به عنوان متغیرهای تصادفی درمان می کنند و احتمال را به عنوان "درجه اعتقاد" تعریف می کنند (یعنی احتمال یک رویداد درجه ای است که شما معتقدید این رویداد صحیح است). هنگام انجام تجزیه و تحلیل بیزی ، با یک باور قبلی در مورد توزیع احتمال یک پارامتر ناشناخته شروع می کنید. پس از یادگیری اطلاعات از داده هایی که دارید ، اعتقاد خود را در مورد پارامتر ناشناخته تغییر داده یا به روز می کنید.

مدل های گروه. مدل های گروهی با آموزش چندین مدل مشابه و ترکیب نتایج آنها برای بهبود دقت ، کاهش تعصب ، کاهش واریانس و شناسایی بهترین مدل برای استفاده با داده های جدید تولید می شوند.

تقویت شیب. این یک رویکرد تقویت کننده است که چندین بار مجموعه داده های شما را تغییر می دهد تا نتیجه ای را ایجاد کند که میانگین وزنی مجموعه داده های مجدداً ساخته شده است. مانند درختان تصمیم گیری ، تقویت هیچ فرضیه ای در مورد توزیع داده ها ایجاد نمی کند. تقویت بیشتر از یک درخت تصمیم گیری در معرض بیش از حد قرار دادن داده ها است و اگر یک درخت تصمیم گیری نسبتاً مناسب با داده ها متناسب باشد ، تقویت کننده اغلب باعث بهبود مناسب می شود.(داده های بیش از حد به این معنی است که شما از متغیرهای زیادی استفاده می کنید و مدل بسیار پیچیده است. زیرنویس به معنای برعکس است - متغیرهای کافی نیست و مدل خیلی ساده است. هر دو دقت پیش بینی را کاهش می دهند.)

پاسخ افزایشی (همچنین به آن مدل های بالابر یا بالابر) نیز گفته می شود. این مدل تغییر احتمال ناشی از یک عمل را مدل می کند. آنها به طور گسترده ای برای کاهش خفگی و کشف اثرات برنامه های مختلف بازاریابی استفاده می شوند.

K-Nearest همسایه (KNN). این یک روش غیر پارامتری برای طبقه بندی و رگرسیون است که ارزش های یک شیء یا عضویت در کلاس را بر اساس نمونه های آموزشی K-Closest پیش بینی می کند.

استدلال مبتنی بر حافظه. استدلال مبتنی بر حافظه یک روش همسایه K-Nearest برای طبقه بندی یا پیش بینی مشاهدات است.

حداقل مربعات جزئی. این روش آماری انعطاف پذیر می تواند برای داده های هر شکل اعمال شود. این روابط بین ورودی ها و خروجی ها حتی در صورت همبستگی ورودی و پر سر و صدا ، چندین خروجی وجود دارد ، خروجی های مختلفی وجود دارد یا ورودی های بیشتری نسبت به مشاهدات وجود دارد. روش حداقل مربعات جزئی به دنبال عواملی است که هم تغییرات پاسخ و هم پیش بینی کننده را توضیح می دهد.

تجزیه و تحلیل مؤلفه اصلی. هدف از تجزیه و تحلیل مؤلفه اصلی ، استخراج تعداد کمی از ترکیبات خطی مستقل (مؤلفه های اصلی) مجموعه ای از متغیرها است که بیشتر اطلاعات را در متغیرهای اصلی حفظ می کنند.

دستگاه بردار پشتیبانی. این تکنیک یادگیری ماشین نظارت شده از الگوریتم های یادگیری مرتبط برای تجزیه و تحلیل داده ها و تشخیص الگوهای استفاده می کند. می توان از آن برای طبقه بندی و رگرسیون استفاده کرد.

داده های سری زمانی کاوی. داده های سری زمانی با گذشت زمان در یک بازه خاص (فروش در یک ماه ، تماس در روز ، بازدیدهای وب در ساعت و غیره) جمع می شوند و جمع می شوند. داده های داده سری زمانی تکنیک های سنتی کاوی و پیش بینی داده های سنتی را ترکیب می کند. تکنیک های داده کاوی مانند نمونه گیری ، خوشه بندی و درختان تصمیم گیری برای داده های جمع آوری شده در طول زمان با هدف بهبود پیش بینی ها اعمال می شود.