Прогнозирующая аналитика

Прогнозирующая аналитика - это форма бизнес -аналитики, применяя машинное обучение для создания прогнозной модели для определенных бизнес -приложений. Таким образом, он охватывает различные статистические методы из прогнозного моделирования и машинного обучения, которые анализируют текущие и исторические факты, чтобы делать прогнозы о будущих или иных неизвестных событиях. Он представляет собой основное подмножество приложений машинного обучения; В некоторых контекстах это является синонимом машинного обучения.

В бизнесе прогнозные модели используют закономерности , обнаруженные в исторических и транзакционных данных для выявления рисков и возможностей. Модели отражают отношения между многими факторами, позволяющими оценить риск или потенциал, связанный с конкретным набором условий, направляя принятие решений для кандидатов.

Определяющий функциональный эффект этих технических подходов заключается в том, что прогнозирующая аналитика обеспечивает прогнозирующую оценку (вероятность) для каждого человека (клиента, сотрудника, пациента здравоохранения, SKU, транспортного средства, компонента, машины или другой организационной единицы), чтобы определить, информировать или влияют на организационные процессы, которые относятся к большому количеству лиц, например, в маркетинге, оценке кредитного риска, обнаружение мошенничества, производство, здравоохранение и правительственные операции, включая правоохранительные органы.

Определение

Прогнозирующая аналитика - это набор технологий бизнес -аналитики (BI), которые раскрывают отношения и закономерности в больших объемах данных, которые можно использовать для прогнозирования поведения и событий. В отличие от других технологий BI, прогнозирующая аналитика выглядит вперед, используя прошлые события, чтобы предвидеть будущее. Статистические методы прогнозирования аналитики включают моделирование данных , машинное обучение , ИИ , глубокого обучения алгоритмы и интеллектуальный анализ данных . Часто неизвестное событие интереса будет в будущем, но прогнозирующая аналитика может быть применена к любому типу неизвестного, будет ли она в прошлом, настоящем или будущем. Например, выявление подозреваемых после совершения преступления или мошенничества с кредитными картами по мере его возникновения. Ядро прогнозирующей аналитики зависит от захвата взаимосвязей между объяснительными переменными и предсказанными переменными из прошлых событий, а также для их использования для прогнозирования неизвестного результата. Однако важно отметить, что точность и удобство использования результатов будут в значительной степени зависеть от уровня анализа данных и качества предположений.

Прогнозирующая аналитика часто определяется как прогнозирование на более подробном уровне гранулярности, то есть генерирование прогнозирующих показателей (вероятностей) для каждого отдельного организационного элемента. Это отличает его от прогнозирования . Например, «прогнозирующая аналитика - Технология, которая учится из опыта (данных), чтобы предсказать будущее поведение людей для принятия лучших решений». В будущих промышленных системах ценность прогнозной аналитики будет заключаться в прогнозировании и предотвращении потенциальных проблем для достижения почти нулевого разрыва и дополнительно интегрироваться в предписывающую аналитику для оптимизации решений.

Аналитические методы

Подходы и методы, используемые для проведения прогнозирующей аналитики, могут быть в целом сгруппированы в методы регрессии и методы машинного обучения.

Машинное обучение

Основная статья: машинное обучение

Машинное обучение может быть определена как способность машины учиться, а затем имитировать поведение человека, которое требует интеллекта. Это достигается с помощью искусственного интеллекта, алгоритмов и моделей.

Авторегрессивный интегрированный скользящий средний (ARIMA)

Основная статья: Арима

Модели ARIMA являются распространенным примером моделей временных рядов. Эти модели используют авторегрессию, что означает, что модель может быть оснащена программным обеспечением для регрессии, которое будет использовать машинное обучение для проведения большей части регрессионного анализа и сглаживания. Известно, что модели ARIMA не имеют общей тенденции, но вместо этого имеют различия в среднем, который имеет постоянную амплитуду, что приводит к статистически сходным временным моделям. Благодаря этому анализируются переменные, и данные фильтруются, чтобы лучше понять и предсказать будущие значения.

Одним из примеров метода ARIMA являются экспоненциальные модели сглаживания. Экспоненциальное сглаживание учитывает разницу в важности между более старыми и более новыми наборами данных, поскольку более поздние данные являются более точными и ценными в прогнозировании будущих значений. Для достижения этого показатели используются для того, чтобы придать более новые наборы данных больший вес в расчетах, чем более старые наборы.

Модели временных рядов

Основная статья: временные ряды

Модели временных рядов представляют собой подмножество машинного обучения, которое использует временные ряды, чтобы понять и прогнозировать данные, используя прошлые значения. Временные ряды - это последовательность значения переменной в равной степени разнесенные периоды, такую ​​как годы или кварталы в бизнес -приложениях. Для этого данные должны быть сглажены, или случайная дисперсия данных должна быть удалена, чтобы выявить тенденции в данных. Есть несколько способов сделать это.

Скользящая средняя

Основная статья: скользящая средняя

Методы одиночной скользящей средней используют меньшие и меньшие пронумерованные наборы прошлых данных для уменьшения ошибок, связанной с получением одного среднего, что делает его более точным средним, чем для принятия среднего показателя всего набора данных.

Оценные методы скользящей средней используют данные, обнаруженные в отдельных методах скользящей средней, принимая среднее значение набора данных с средним числом. Тем не менее, поскольку набор данных с средним числом трудно вычислять с помощью наборов данных с ровными номерами, этот метод работает лучше с наборами данных с нечетными номерами, чем даже.

Прогнозное моделирование

Основная статья: прогнозное моделирование

Предсказательное моделирование - это статистическая техника, используемая для прогнозирования будущего поведения. Он использует прогнозирующие модели для анализа взаимосвязи между конкретной единицей в данной выборке и одной или несколькими функциями устройства. Цель этих моделей состоит в том, чтобы оценить возможность того, что единица в другой выборке будет отображать ту же шаблон. Прогнозирующие модельные решения могут рассматриваться как тип технологии интеллектуального анализа данных. Модели могут анализировать как исторические, так и текущие данные и генерировать модель, чтобы предсказать потенциальные будущие результаты.

Независимо от используемой методологии, как правило, процесс создания прогнозирующих моделей включает в себя одни и те же шаги. Во -первых, необходимо определить цели проекта и желаемые результаты и перевести их в прогнозирующие аналитические цели и задачи. Затем проанализируйте исходные данные, чтобы определить наиболее подходящие данные и подход построения моделей (модели столь же полезны, как и применимые данные, используемые для их создания). Выберите и преобразуйте данные, чтобы создать модели. Создать и тестировать модели, чтобы оценить, являются ли они действительными, и смогут достичь целей проекта и показателей. Примените результаты модели к соответствующим бизнес -процессам (выявление закономерности в данных не обязательно означает, что бизнес поймет, как использовать или использовать их). После этого управление и поддержание моделей для стандартизации и повышения производительности (спрос будет увеличиваться для управления моделями, чтобы соответствовать новым правилам соответствия).

Регрессионный анализ

Основная статья: регрессионный анализ

Как правило, регрессионный анализ использует структурные данные наряду с прошлыми значениями независимых переменных и взаимосвязи между ними и зависимой переменной для формирования прогнозов.

Линейная регрессия

Основная статья: линейная регрессия

При линейной регрессии график построен с предыдущими значениями зависимой переменной, нанесенной на ось Y, и независимой переменной, которая анализируется на графике на оси X. Затем строка регрессии построена статистической программой, представляющей взаимосвязь между независимыми и зависимыми переменными, которые можно использовать для прогнозирования значений зависимой переменной, основанной только на независимой переменной. С помощью линии регрессии программа также показывает уравнение перехвата наклона для линии, которое включает в себя дополнение к члену ошибки регрессии, где, чем выше значение термина ошибки, тем менее точна модель регрессии. Чтобы уменьшить значение термина ошибки, в модель вводится другие независимые переменные, и аналогичные анализы выполняются на этих независимых переменных. Кроме того, множественная линейная регрессия (MLP) может быть использована для устранения отношений с участием нескольких независимых переменных, предлагая более комплексный подход к моделированию.

Приложения

Аналитический обзор и условные ожидания при аудите

Важный аспект аудита включает аналитический обзор. В аналитическом обзоре определяется разумность исследуемых остатков счетов. Аудиторы выполняют этот процесс посредством прогнозного моделирования, чтобы сформировать прогнозы, называемые условными ожиданиями от балансов, проверенных с использованием методов авторегрессии интегрированного скользящего среднего (ARIMA) и методов общего регрессионного анализа, В частности, с помощью статистического метода для аналитического обзора (Star) методов.

Метод ARIMA для аналитического обзора использует анализ временных рядов на прошлых аудированных балансах, чтобы создать условные ожидания. Эти условные ожидания затем сравниваются с фактическими остатками, о которых сообщалось на аудируемом счете, чтобы определить, насколько близко зарегистрированные остатки к ожиданиям. Если зарегистрированные остатки близки к ожиданиям, учетные записи не проверены дальше. Если зарегистрированные балансы сильно отличаются от ожиданий, существует более высокая вероятность ошибки учета материала и проведен дальнейший аудит.

Методы регрессионного анализа развернуты аналогичным образом, за исключением того, что используемая модель регрессии предполагает доступность только одной независимой переменной. Материальность независимой переменной, способствующей аудируемой балансам счета, определяется с использованием прошлых остатков счетов наряду с нынешними структурными данными. Материальность - это важность независимой переменной в его связи с зависимой переменной. В этом случае зависимой переменной является баланс счета. Благодаря этому наиболее важная независимая переменная используется для создания условного ожидания, и, аналогично методу ARIMA, затем условное ожидание сравнивается с сообщенным балансом счета, и решение принимается на основе близости двух остатков.

Звездные методы работают с использованием регрессионного анализа и впадают в два метода. Первый - это подход Star Monthly Balance, и используемый и регрессионный анализ условного анализа и регрессионного анализа связаны с одним месяцем. Другим методом является подход к годовому балансу Star, который происходит в более широком масштабе, основываясь на условных ожиданиях и регрессионном анализе на один год, который проверяется. Помимо разницы в прошлом времени, оба метода работают одинаково, путем сравнения ожидаемых и сообщенных остатков, чтобы определить, какие счета для дальнейшего изучения.

Кроме того, включение аналитических процедур в стандарты аудита подчеркивает растущую необходимость для аудиторов для изменения этих методологий в соответствии с конкретными наборами данных, что отражает постоянно меняющийся характер финансового обследования.

Деловая стоимость

По мере того, как мы переходим в мир технологических достижений, где все больше и больше данных создаются и хранятся в цифровом виде, предприятия ищут способы воспользоваться этой возможностью и использовать эту информацию, чтобы помочь получить прибыль. Прогнозирующая аналитика может быть использована и способна предоставлять множество преимуществ широкому кругу предприятий, включая фирмы по управлению активами, страховые компании, коммуникационные компании и многие другие фирмы. Каждая компания, которая использует управление проектами для достижения своих целей, пользуется огромным преимуществом от прогнозирующих интеллектуальных возможностей. В исследовании, проведенном IDC, анализируется будущее, Дэн Вассет и Генри Д. Моррис объясняют, как фирма по управлению активами использовала прогнозирующую аналитику для разработки лучшей маркетинговой кампании. Они перешли от массового маркетингового подхода к ориентированному на клиента подхода, где вместо того, чтобы отправлять одно и то же предложение каждому клиенту, они персонализируют каждое предложение на основе своего клиента. Прогнозирующая аналитика использовалась для прогнозирования вероятности того, что возможный клиент примет персональное предложение. Из -за маркетинговой кампании и прогнозирующей аналитики уровень принятия фирмы взлетел, в три раза больше людей принимают свои персонализированные предложения.

Технологические достижения в прогнозной аналитике увеличили свою ценность для фирм. Одним из технологических достижений являются более мощные компьютеры, и с этой прогнозирующей аналитикой стала способность создавать прогнозы на большие наборы данных намного быстрее. С увеличением вычислительной мощности также поступает больше данных и приложений, что означает более широкий спектр входов для использования с прогнозирующей аналитикой. Другой технологический прогресс включает в себя более удобный интерфейс, позволяющий меньший барьер входа и менее обширное обучение, необходимое для сотрудников для эффективного использования программного обеспечения и приложений. Из -за этих достижений гораздо больше корпораций принимают прогнозирующую аналитику и видят выгоды в эффективности и эффективности сотрудников, а также прибыли. Процент провальных проектов довольно высок - колоссальные 70% всех проектов не могут обеспечить то, что было обещано клиентам. Однако внедрение процесса управления снижает частоту отказов до 20% или ниже.

Прогноз денежных потоков

Одномерные и многомерные модели ARIMA компании могут использоваться для прогнозирования будущих денежных потоков , с ее уравнениями и расчетами, основанными на прошлых значениях определенных факторов, способствующих денежным потокам. Используя анализ временных рядов, значения этих факторов могут быть проанализированы и экстраполированы для прогнозирования будущих денежных потоков для компании. Для одномерных моделей прошлые значения денежных потоков являются единственным фактором, используемым в прогнозировании. Между тем, многомерные модели используют несколько факторов, связанных с данными о начислении, таких как операционный доход до амортизации.

Другая модель, используемая для прогнозирования потоков денежных средств, была разработана в 1998 году и известна как модель Decwow, Kothari и Watts, или DKW (1998). DKW (1998) использует регрессионный анализ, чтобы определить взаимосвязь между несколькими переменными и денежными потоками. С помощью этого метода модель обнаружила, что изменения и начисления денежных потоков негативно связаны, в частности, посредством текущих доходов, и использование этой связи предсказывает денежные потоки за следующий период. Модель DKW (1998) получает эти отношения благодаря взаимосвязи начислений и денежных потоков с задолженностью и дебиторской задолженностью, а также инвентаризации.

Защита детей

Некоторые агентства по защите детей начали использовать прогнозирующую аналитику для помещения случаев высокого риска. Например, в округе Хиллсборо, штат Флорида , Использование агентства по охране детей детей в инструменте прогнозного моделирования предотвращало смерть детей, связанных с жестоким обращением с детьми в целевой популяции.

Прогнозирование результатов юридических решений

Прогнозирование результатов юридических решений может быть принято программами ИИ. Эти программы могут использоваться в качестве вспомогательных инструментов для профессий в этой отрасли.

Портфель, продукт или прогноз на уровне экономики

Часто в центре внимания не потребитель, а продукт, портфель, фирма, промышленность или даже экономика. Например, ритейлер может быть заинтересован в прогнозировании спроса на уровне магазина в целях управления запасами. Или Совет Федеральной резервной системы может быть заинтересован в прогнозировании уровня безработицы в течение следующего года. Эти типы проблем могут быть решены с помощью прогнозной аналитики с использованием методов временных рядов (см. Ниже). Они также могут быть рассмотрены с помощью подходов машинного обучения, которые превращают исходные временные ряды в векторное пространство функций, где алгоритм обучения находит закономерности, которые обладают прогнозной силой.

Андеррайтинг

Многие предприятия должны учитывать подверженность риску из -за их различных услуг и определять расходы, необходимые для покрытия риска. Прогнозирующая аналитика может помочь подправить эти величины, предсказав шансы на болезни, дефолт , банкротство и т. Д. Прогнозирующая аналитика может упростить процесс приобретения клиентов, прогнозируя будущее поведение риска, использующее данные на уровне приложения. Прогнозирующая аналитика в форме кредитных баллов сократила количество времени, которое требуется для разрешений на ссуды, особенно на рынке ипотеки. Правильная прогнозирующая аналитика может привести к надлежащим ценовым решениям, которые могут помочь снизить будущий риск дефолта. Прогнозирующая аналитика может быть использована для снижения моральной опасности и предотвращения несчастных случаев.

Полицейский

Основная статья: прогнозирующая полицейская деятельность

Полицейские агентства в настоящее время используют упреждающие стратегии для предотвращения преступности. Прогнозирующая аналитика, которая использует статистические инструменты для прогнозирования моделей преступности, предоставляет полицейские агентства новые способы мобилизации ресурсов и снижения уровня преступности. С помощью этой прогнозной аналитики данных о преступности полиция может лучше выделить ограниченные ресурсы и рабочую силу, чтобы предотвратить больше преступлений. Режиссер патруль или решение проблем может быть использована для защиты горячих точек преступности, которые демонстрируют плотность преступности, намного выше, чем в среднем в городе.

Спорт

Несколько фирм появились, специализирующиеся на прогнозной аналитике в области профессионального спорта как для команд, так и для отдельных лиц. Хотя прогнозирование поведения человека создает широкую дисперсию из -за многих факторов, которые могут измениться после того, как прогнозируются, включая травмы, исполнение, решения тренеров, погоду и многое другое, использование прогнозной аналитики для проецирования долгосрочных тенденций и производительности полезно. Большая часть поля была начата с концепции Moneyball о Билли Бин, около рубежа века, и теперь большинство профессиональных спортивных команд используют свои собственные факультеты аналитики.

Смотрите также

• Актуарная наука
• Искусственный интеллект в здравоохранении
• Аналитические процедуры (финансовый аудит)
• Большие данные
• Вычислительная социология
• Преступное сокращение с использованием статистической истории
• Управление решениями
• Болезнь наблюдения
• Учебная аналитика
• Алгоритм шансов
• Распознавание образца
• Прогнозирующий вывод
• Прогнозирующая полицейская деятельность
• Аналитика социальных сетей

Дальнейшее чтение

• Агрести, Алан (2002). Категориальный анализ данных . Хобокен: Джон Уайли и сыновья . ISBN  0-471-36093-7 .
• Coggeshall, Стивен; Дэвис, Джон; Джонс, Роджер ; Schutzer, Daniel (1995). «Интеллектуальные системы безопасности». В Freedman, Roy S.; Flein, Robert A.; Ледерман, Джесс (ред.). Искусственный интеллект на рынках капитала . Чикаго: Ирвин. ISBN  1-55738-811-3 .
• Кокер, Фрэнк (2014). Пульс: Понимание жизненно важных признаков вашего бизнеса . Bellevue, WA: публикация окружающей среды. ISBN  978-0-9893086-0-1 .
• Devroye, L.; Györfi, L.; Лугоси Г. (1996). Вероятностная теория распознавания закономерностей . Нью-Йорк: Springer-Verlag. ISBN  9781461207115 - через Google Books .
• Эндерс, Уолтер (2004). Прикладные временные ряды эконометрики . Хобокен: Джон Уайли и сыновья . ISBN  0-521-83919-х .
• Финлей, Стивен (2014). Прогнозирующая аналитика, интеллектуальный анализ данных и большие данные. Мифы, заблуждения и методы . Basingstoke: Palgrave Macmillan . ISBN  978-1-137-37927-6 .
• Грин, Уильям (2012). Эконометрический анализ (7 -е изд.). Лондон: Прентис Холл . ISBN  978-0-13-139538-1 .
• Guidère, Mathieu; Говард, н; Аргамон, Ш. (2009). Анализ богатого языка для борьбы с терроризмом . Берлин, Лондон, Нью-Йорк: Springer-Verlag. ISBN  978-3-642-01140-5 .
• Митчелл, Том (1997). Машинное обучение . Нью-Йорк: МакГроу-Хилл . ISBN  0-07-042807-7 .
• Зигель, Эрик (2016). Прогнозирующая аналитика: способность предсказать, кто будет щелкнуть, покупать, лгать или умереть . Джон Уайли и сыновья . ISBN  978-1119145677 .
• Тьюки, Джон (1977). Исследовательский анализ данных . Нью-Йорк: Аддисон-Уэсли. ISBN  0-201-07616-0 .