Comment résoudre les problèmes dans Predictive Analytics - les mannequins

La modélisation prédictive gagne en popularité en tant qu'outil de gestion de nombreux aspects de l'entreprise. En veillant à ce que l'analyse des données soit bien effectuée, vous renforcerez la confiance dans les modèles utilisés, ce qui, à son tour, peut générer l'adhésion nécessaire à l'analyse prédictive pour faire partie de la boîte à outils standard de votre organisation.

Cette popularité accrue vient peut-être de la façon dont un projet d'analyse prédictive peut soutenir la prise de décision en créant des modèles décrivant des ensembles de données, découvrant de nouveaux modèles et tendances (comme indiqué par les données) et prédisant les résultats avec une plus grande fiabilité.

Pour atteindre cet objectif, un projet d'analyse prédictive doit fournir un modèle qui correspond le mieux aux données en sélectionnant les variables de décision correctement et efficacement. Certaines questions essentielles doivent être résolues en route vers cet objectif:

• Quelles sont les hypothèses minimales et les variables de décision qui permettent au modèle de s'adapter au mieux aux données?

• Comment le modèle en construction se compare-t-il aux autres modèles applicables?

• Quels critères sont les meilleurs pour évaluer et noter ce modèle?

Une fois de plus, vous pouvez appeler la voix de l'expérience à la rescousse: Les experts en connaissances du domaine peuvent discuter de ces questions, interpréter les résultats montrant des modèles cachés dans les données et aider à vérifier et valider les résultats du modèle.

Comment décrire les limites du modèle d'analyse prédictive

Tout modèle analytique prédictif présente certaines limites en fonction des algorithmes utilisés et de l'ensemble de données sur lequel il s'exécute. Vous devriez être conscient de ces limitations et les faire fonctionner à votre avantage; ceux liés aux algorithmes incluent

• Si les données ont des modèles non linéaires (ne forment pas une ligne)

• Quelle est la corrélation entre les variables (relations statistiques entre les entités)

• Indépendance des variables (pas de relation entre les entités)

• Si la portée des exemples de données rend le modèle sujet à un surajustement

Pour surmonter les limites de votre modèle, utilisez des techniques de validation croisée pour tester vos modèles. Commencez par diviser vos données en ensembles de données de formation et de test, et exécutez le modèle par rapport à chacun de ces ensembles de données séparément pour évaluer et noter les prédictions du modèle.

Comment tester et évaluer votre modèle d'analyse prédictive

Aucun modèle ne peut produire des prévisions précises à 100%; tout modèle a le potentiel de produire des résultats inexacts. Soyez à l'affût de toute variation significative entre les prévisions que votre modèle produit et les données observées - surtout si les résultats du modèle contredisent le bon sens.Si cela semble trop beau, mauvais ou extrême pour être vrai, alors ce n'est probablement pas vrai (à la réalité, de toute façon).

Dans le processus d'évaluation, examinez attentivement les sorties des modèles que vous testez et comparez-les aux variables d'entrée. La capacité de prévision de votre modèle doit répondre à tous les objectifs commerciaux déclarés qui ont motivé sa création en premier lieu.

Si des erreurs ou des préjugés apparaissent dans la sortie de votre modèle, essayez de revenir à

• La validité, la fiabilité et la saisonnalité relative des données

• Hypothèses utilisées dans le modèle

• Variables incluses ou exclues dans l'analyse

Travaillez avec les utilisateurs professionnels pour évaluer chaque étape du processus de votre modèle; assurez-vous que les résultats du modèle peuvent être facilement interprétés et utilisés dans une situation d'affaires réelle. Équilibrer la précision et la fiabilité du modèle avec la facilité avec laquelle les résultats du modèle peuvent être interprétés et mis en pratique.

Comment éviter les modèles d'analyse prédictive non évolutifs

Lorsque vous créez un modèle, gardez toujours l'évolutivité à l'esprit. Toujours vérifier la performance, la précision et la fiabilité du modèle à différentes échelles. Votre modèle devrait être capable de changer son échelle - et de l'agrandir aussi grand que nécessaire - sans s'effondrer ou produire de mauvaises prédictions.

L'évolutivité était un véritable défi par le passé. Les modèles prédictifs ont mis du temps à se construire et à fonctionner. Les jeux de données sur lesquels les modèles fonctionnaient étaient petits et les données étaient coûteuses à collecter, à stocker et à rechercher. Mais tout cela était dans l'ère "pré-big data".

Aujourd'hui, les données volumineuses sont bon marché, abondantes et en croissance. En fait, un autre problème potentiel se pose: le formidable volume de données actuellement disponible peut avoir un effet négatif sur le modèle et dégrader ses performances, en laissant le modèle se périmer dans un laps de temps relativement court. Correctement mis en œuvre, l'évolutivité peut aider à «pérenniser» votre modèle.

L'avenir n'est pas la seule menace. Même dans l'ère actuelle de l'Internet, les données diffusées en continu peuvent submerger un modèle - surtout si les flux de données augmentent jusqu'à une inondation.

Le volume de données peut à lui seul amener les variables de décision et les facteurs de prédiction à atteindre des nombres gigantesques qui nécessitent une mise à jour continue du modèle. Alors oui, votre modèle devrait être évolutif - rapidement évolutif.