Catégorisation des modèles pour Predictive Analytics - modèles mannequins

Les modèles sont nécessaires pour effectuer des analyses prédictives. Un modèle n'est rien d'autre qu'une représentation mathématique d'un segment du monde qui intéresse les gens. Un modèle peut imiter les aspects comportementaux de nos clients. Il peut représenter les différents segments de clientèle. Un modèle bien fait et bien réglé peut prévoir - prédire avec une grande précision - le résultat suivant d'un événement donné.

Vous disposez de plusieurs méthodes pour catégoriser les modèles utilisés pour l'analyse prédictive. En général, vous pouvez les trier par

• Les problèmes d'affaires qu'ils résolvent et les principales fonctions commerciales qu'ils servent (telles que les ventes, la publicité, les ressources humaines ou la gestion des risques).
• L'implémentation mathématique utilisée dans le modèle (comme les statistiques, l'exploration de données et l'apprentissage automatique).

Chaque modèle aura une combinaison de ces aspects; le plus souvent, l'un ou l'autre dominera. La fonction prévue du modèle peut prendre plusieurs directions: prédictive, classification, clustering, décisionnel ou associatif.

Modèles prédictifs

Les modèles prédictifs analysent les données et prédisent le résultat suivant. C'est la grande contribution de l'analyse prédictive, distincte de l'intelligence d'affaires. La veille économique surveille ce qui se passe dans une organisation maintenant. Les modèles prédictifs analysent les données historiques pour prendre une décision éclairée sur la probabilité de résultats futurs.

Compte tenu de certaines conditions (nombre récent et fréquence des réclamations des clients, date du renouvellement du service qui approche, disponibilité d'options moins chères par la concurrence), quelle est la probabilité de ce client?

La sortie du modèle prédictif peut aussi être une réponse binaire, oui / non ou 0/1: si une transaction est frauduleuse, par exemple. Un modèle prédictif peut générer plusieurs résultats, combinant parfois des résultats oui / non avec la probabilité qu'un certain événement se produise. La solvabilité d'un client, par exemple, pourrait être notée comme oui ou non, et une probabilité attribuée qui décrit la probabilité que le client doit rembourser un prêt à temps.

Modèles de classification et de classification

Lorsqu'un modèle utilise la classification et la classification, il identifie différents groupes à l'intérieur des données existantes. Vous pouvez toujours créer un modèle prédictif en plus de la sortie de votre modèle de cluster à l'aide du clustering pour classer les nouveaux points de données.

Si, par exemple, vous exécutez un algorithme de clustering sur les données de vos clients et que vous les séparez en groupes bien définis, vous pouvez ensuite utiliser la classification pour connaître un nouveau client et identifier clairement son groupe.Ensuite, vous pouvez personnaliser votre réponse (par exemple, une campagne marketing ciblée) et votre gestion du nouveau client.

La classification utilise une combinaison de caractéristiques et de caractéristiques pour indiquer si un élément de données appartient à une classe particulière.

De nombreuses applications ou problèmes d'entreprise peuvent être formulés comme des problèmes de classification. Au niveau le plus élémentaire, par exemple, vous pouvez classer les résultats comme souhaités et indésirables. Par exemple, vous pouvez classer une réclamation d'assurance comme légitime ou frauduleuse.

Modèles de décision

Compte tenu d'un scénario complexe, quelle est la meilleure décision à prendre - et si vous deviez prendre cette mesure, quel serait le résultat? Les modèles décisionnels (simplement appelés modèles de décision) répondent à ces questions en élaborant des plans stratégiques afin d'identifier la meilleure ligne de conduite, compte tenu de certains événements. Les modèles de décision peuvent être des stratégies d'atténuation des risques, aidant à identifier votre meilleure réponse aux événements improbables.

Les modèles de décision explorent divers scénarios et sélectionnent le meilleur de tous les cours. Pour prendre une décision éclairée, vous devez comprendre en profondeur les relations complexes dans les données et le contexte dans lequel vous opérez. Un modèle de décision sert d'outil pour vous aider à développer cette compréhension.

Modèles d'association

Les modèles associatifs (appelés modèles d'association) reposent sur les associations et les relations sous-jacentes présentes dans les données. Si (par exemple) un client est abonné à un service particulier, il est fort probable qu'il va commander un autre service spécifique. Si un client cherche à acheter un produit A (une voiture de sport), et que ce produit est associé au produit B (par exemple, des lunettes de soleil marquées par le constructeur), il est plus susceptible d'acheter un produit B.

facilement être identifié; d'autres peuvent ne pas être si évidents. Trébucher sur une association intéressante, auparavant inconnue, peut conduire à des avantages spectaculaires.

Une autre façon de trouver une association est de déterminer si un événement donné augmente la probabilité qu'un autre événement ait lieu. Si, par exemple, une entreprise qui dirige un certain secteur industriel vient de déclarer des bénéfices exceptionnels, quelle est la probabilité qu'un panier d'actions de ce même secteur augmente ou diminue?