Categorizzazione dei modelli per l'analisi predittiva - i modelli manichini

I modelli sono necessari per eseguire l'analisi predittiva. Un modello non è altro che una rappresentazione matematica di un segmento del mondo a cui le persone sono interessate. Un modello può imitare gli aspetti comportamentali dei nostri clienti. Può rappresentare i diversi segmenti di clienti. Un modello ben fatto e ben sintonizzato può previsioni - prevedere con alta precisione - il prossimo risultato di un dato evento.

Esistono vari modi per classificare i modelli utilizzati per l'analisi predittiva. In generale, puoi ordinarli per

• I problemi aziendali che risolvono e le funzioni aziendali principali che servono (ad esempio vendite, pubblicità, risorse umane o gestione dei rischi).
• L'implementazione matematica utilizzata nel modello (come statistiche, data mining e machine learning).

Ogni modello avrà una combinazione di questi aspetti; più spesso, l'uno o l'altro domineranno. La funzione prevista del modello può prendere una delle varie direzioni: predittiva, classificazione, clustering, decision-oriented o associativa.

Modelli predittivi

Modelli predittivi analizzano i dati e predicono il prossimo risultato. Questo è il grande contributo dell'analisi predittiva, distinta dalla business intelligence. La business intelligence monitora cosa sta succedendo in un'organizzazione ora. I modelli predittivi analizzano i dati storici per prendere una decisione informata sulla probabilità di esiti futuri.

Date determinate condizioni (numero recente e frequenza dei reclami dei clienti, data di rinnovo del servizio in corso e disponibilità di opzioni più economiche da parte della concorrenza), quanto è probabile che questo cliente si dimostri?

L'output del modello predittivo può anche essere una risposta binaria, sì / no o 0/1: se una transazione è fraudolenta, per esempio. Un modello predittivo può generare più risultati, a volte combinando i risultati sì / no con la probabilità che si verifichi un determinato evento. Ad esempio, l'affidabilità creditizia di un cliente può essere valutata come sì o no e una probabilità assegnata che descrive quanto è probabile che il cliente paghi un prestito in tempo utile.

Modelli di clustering e classificazione

Quando un modello utilizza il clustering e la classificazione, identifica diversi raggruppamenti all'interno di dati esistenti. È ancora possibile costruire un modello predittivo sopra l'output del modello di clustering usando il clustering per classificare nuovi punti dati.

Se, ad esempio, si esegue un algoritmo di clustering sui dati dei clienti e quindi li si separano in gruppi ben definiti, è possibile utilizzare la classificazione per conoscere un nuovo cliente e identificare chiaramente il proprio gruppo.Quindi puoi adattare la tua risposta (ad esempio, una campagna di marketing mirata) e la gestione del nuovo cliente.

La classificazione utilizza una combinazione di caratteristiche e caratteristiche per indicare se un elemento di dati appartiene a una particolare classe.

Molte applicazioni o problemi aziendali possono essere formulati come problemi di classificazione. Ad un livello di base, ad esempio, è possibile classificare i risultati desiderati e non desiderati. Ad esempio, è possibile classificare un reclamo di assicurazione come legittimo o fraudolento.

Modelli decisionali

Dato uno scenario complesso, qual è la decisione migliore da prendere e se si dovesse prendere quell'azione, quale sarebbe il risultato? I modelli orientati alla decisione (chiamati semplicemente modelli decisionali) affrontano tali questioni costruendo piani strategici in modo da identificare la migliore linea d'azione, dati certi eventi. I modelli decisionali possono essere strategie di mitigazione del rischio, contribuendo a identificare la migliore risposta agli eventi improbabili.

I modelli decisionali esplorano vari scenari e selezionano il migliore di tutti i corsi. Per prendere una decisione informata, hai bisogno di una profonda comprensione delle complesse relazioni nei dati e nel contesto in cui stai operando. Un modello decisionale funge da strumento per aiutarti a sviluppare tale comprensione.

Modelli di associazione

I modelli associativi (chiamati modelli di associazione) sono costruiti sulle associazioni e sulle relazioni sottostanti presenti nei dati. Se (ad esempio) un cliente è abbonato a un particolare servizio, è molto probabile che lei ordini un altro servizio specifico. Se un cliente sta cercando di acquistare il prodotto A (un'auto sportiva) e tale prodotto è associato al prodotto B (per esempio, occhiali da sole marchiati dal produttore automobilistico), è più probabile che acquisti il ​​prodotto B.

Alcune di queste associazioni possono facilmente identificabile; altri potrebbero non essere così ovvi. Inciampare su un'associazione interessante, precedentemente sconosciuta, può portare a benefici drammatici.

Un altro modo per trovare un'associazione è determinare se un determinato evento aumenta la probabilità che si verifichi un altro evento. Se, per esempio, un'azienda che guida un determinato settore industriale ha appena riportato utili stellari, qual è la probabilità che un paniere di azioni in quello stesso settore aumenti o diminuisca di valore?