Como categorizar modelos de análise preditiva - dummies

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 usada no modelo (como estatísticas, mineração de dados e aprendizado de máquina).

Cada modelo terá alguma combinação desses aspectos, mais frequentemente do que não, um ou outro dominará. A função pretendida do modelo pode levar uma das várias direções - Previsão, classificação, agrupamento, orientação para a decisão ou associativa.

Como usar modelos preditivos

Os modelos preditivos analisam os dados e prevêem o próximo resultado. Esta é a grande contribuição da análise preditiva, distinta da inteligência de negócios. Business intelligence monitora o que é goi ng 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 recente e frequência de queixas dos clientes, data de renovação do serviço que se aproxima e disponibilidade de opções mais baratas pela concorrência), como é provável que este cliente se torne churn?

A saída do modelo preditivo também pode ser uma resposta binária, sim / não ou 0/1: se uma transação é fraudulenta. 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.

Como usar os modelos de classificação e classificação

Quando um modelo usa agrupamento e classificação, ele identifica agrupamentos diferentes em 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.

Princípios básicos dos 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.

Bases de modelos de associação

Os modelos associativos (chamados

modelos de associação ) são baseados nas associações subjacentes e nas relações presentes nos dados. Se um cliente estiver inscrito em um serviço específico, é mais 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 de valor?