Categorizando modelos para modelos de Análise Preditiva - dummies

Os modelos são necessários para realizar análises preditivas. Um modelo não é senão uma representação matemática de um segmento do mundo em que as pessoas estão interessadas. Um modelo pode imitar os aspectos comportamentais de nossos clientes. Pode representar os diferentes segmentos de clientes. Um modelo bem feito e bem ajustado pode prever - prever com alta precisão - o próximo resultado de um determinado evento.

Você tem várias maneiras de categorizar os modelos usados ​​para análises preditivas. Em geral, você pode ordená-los por

• Os problemas de negócios que eles resolvem e as principais funções de negócios que eles servem (como vendas, publicidade, recursos humanos ou gerenciamento de riscos).
• A implementação matemática utilizada no modelo (como estatísticas, mineração de dados e aprendizado automático).

Todo modelo terá alguma combinação desses aspectos; na maioria das vezes, um ou outro dominará. A função pretendida do modelo pode levar uma das várias direções - preditiva, classificação, agrupamento, orientado a decisões ou associativo.

Modelos preditivos

Os modelos preditivos analisam dados e prevêem o próximo resultado. Este é o grande contributo da análise preditiva, distinto da inteligência de negócios. Business Intelligence monitora o que está acontecendo em uma organização agora. Os modelos preditivos analisam os dados históricos para tomar uma decisão informada sobre a probabilidade de resultados futuros.

Dadas certas condições (número e frequência recentes de queixas de clientes, data de renovação do serviço que se aproxima e disponibilidade de opções mais baratas pela competição), como é provável que este cliente acerte?

A saída do modelo preditivo também pode ser uma resposta binária, sim / não ou 0/1: se uma transação é fraudulenta, por exemplo. Um modelo preditivo pode gerar múltiplos resultados, às vezes combinando sim / sem resultados com a probabilidade de que um determinado evento aconteça. A credibilidade de um cliente, por exemplo, pode ser classificada como sim ou não, e uma probabilidade atribuída descreve a probabilidade de o cliente pagar um empréstimo a tempo.

Modelos de agrupamento e classificação

Quando um modelo usa agrupamento e classificação, ele identifica diferentes agrupamentos dentro dos dados existentes. Você ainda pode construir um modelo preditivo sobre a saída do seu modelo de cluster usando o cluster para classificar novos pontos de dados.

Se, por exemplo, você executar um algoritmo de agrupamento nos dados dos seus clientes e, assim, separá-los em grupos bem definidos, você pode usar a classificação para aprender sobre um novo cliente e identificar claramente seu grupo.Então você pode adaptar sua resposta (por exemplo, uma campanha de marketing direcionada) e seu tratamento do novo cliente.

Classificação usa uma combinação de características e recursos para indicar se um item de dados pertence a uma determinada classe.

Muitas aplicações ou problemas de negócios podem ser formulados como problemas de classificação. No nível muito básico, por exemplo, você pode classificar os resultados desejados e não desejados. Por exemplo, você pode classificar uma reivindicação de seguro como legítima ou fraudulenta.

Modelos de decisão

Dado um cenário complexo, qual a melhor decisão a tomar - e se você tomasse essa ação, qual seria o resultado? Os modelos orientados a decisões (simplesmente chamados de modelos de decisão) abordam tais questões através da construção de planos estratégicos, de modo a identificar o melhor curso de ação, dado determinados eventos. Os modelos de decisão podem ser estratégias de mitigação de risco, ajudando a identificar sua melhor resposta a eventos improváveis.

Os modelos de decisão sondam vários cenários e selecionam o melhor de todos os cursos. Para tomar uma decisão informada, você precisa de uma compreensão profunda dos relacionamentos complexos nos dados e no contexto em que você está operando. Um modelo de decisão serve como uma ferramenta para ajudá-lo a desenvolver essa compreensão.

Modelos de associação

Os modelos associativos (chamados modelos de associação) são baseados nas associações subjacentes e nas relações presentes nos dados. Se (por exemplo) um cliente estiver inscrito em um serviço específico, é muito provável que ela solicite outro serviço específico. Se um cliente procura comprar o Produto A (um carro esportivo), e esse produto está associado ao Produto B (por exemplo, óculos de sol marcados pelo fabricante de automóveis), é mais provável que ele compre o Produto B.

Algumas dessas associações podem facilmente identificado; outros podem não ser tão óbvios. Tropeçar sobre uma associação interessante, anteriormente desconhecida, pode levar a benefícios dramáticos.

Outra maneira de encontrar uma associação é determinar se um determinado evento aumenta a probabilidade de que outro evento aconteça. Se, por exemplo, uma empresa que lidere um determinado setor industrial apenas denuncie ganhos estelares, qual é a probabilidade de uma cesta de ações nesse mesmo setor subir ou descer em valor?