Come scegliere un algoritmo per un modello di analisi predittiva - dummies

Diversi algoritmi statistici, di data mining e di apprendimento automatico sono disponibili per l'uso nel modello di analisi predittiva. Sei in una posizione migliore per selezionare un algoritmo dopo aver definito gli obiettivi del modello e selezionato i dati su cui lavorerai.

Alcuni di questi algoritmi sono stati sviluppati per risolvere problemi aziendali specifici, migliorare gli algoritmi esistenti o fornire nuove funzionalità, che potrebbero renderli più appropriati per gli scopi di altri. È possibile scegliere tra una gamma di algoritmi per affrontare problemi di business come i seguenti:

• Per la segmentazione della clientela e / o il rilevamento della comunità nella sfera sociale, ad esempio, sono necessari algoritmi di clustering.

• Per la fidelizzazione dei clienti o per sviluppare un sistema di raccomandazione, dovresti utilizzare gli algoritmi di classificazione.

• Per il calcolo del punteggio di credito o la previsione del prossimo risultato degli eventi basati sul tempo, si utilizzerà un algoritmo di regressione.

Poiché il tempo e le risorse lo consentono, è necessario eseguire quanti più algoritmi del tipo appropriato possibile. Il confronto tra diverse esecuzioni di algoritmi diversi può portare a scoperte sorprendenti sui dati o sulla business intelligence incorporati nei dati. In questo modo puoi ottenere informazioni più dettagliate sul problema aziendale e aiutarti a identificare quali variabili all'interno dei tuoi dati hanno un potere predittivo.

Alcuni progetti di analisi predittiva riescono meglio creando un modello di ensemble , un gruppo di modelli che operano sugli stessi dati. Un modello ensemble utilizza un meccanismo predefinito per raccogliere risultati da tutti i suoi modelli di componenti e fornire un risultato finale per l'utente.

I modelli possono assumere varie forme: una query, una raccolta di scenari, un albero decisionale o un'analisi matematica avanzata. Inoltre, alcuni modelli funzionano meglio per determinati dati e analisi. È possibile (ad esempio) utilizzare algoritmi di classificazione che impiegano regole decisionali per decidere l'esito di un determinato scenario o transazione, affrontando domande come queste:

• È probabile che questo cliente risponda alla nostra campagna di marketing?

• È probabile che questo trasferimento di denaro faccia parte di un programma di riciclaggio di denaro?

• È probabile che questo mutuatario rinunci al prestito?

È possibile utilizzare algoritmi di clustering non supervisionati per individuare le relazioni esistenti all'interno del set di dati. È possibile utilizzare questi algoritmi per trovare diversi raggruppamenti tra i clienti, determinare quali servizi possono essere raggruppati o decidere ad esempio quali prodotti possono essere venduti.

Gli algoritmi di regressione possono essere utilizzati per prevedere dati continui, come ad esempio la previsione dell'andamento di un movimento azionario dati i prezzi passati.

I dati e gli obiettivi di business non sono gli unici fattori da considerare quando si seleziona un algoritmo. L'esperienza dei vostri scienziati di dati è di enorme valore a questo punto; scegliere un algoritmo che porti a termine il lavoro è spesso una combinazione complicata di scienza e arte.

La parte artistica deriva dall'esperienza e competenza nel settore aziendale, che svolge anche un ruolo fondamentale nell'individuazione di un modello che possa servire in modo preciso gli obiettivi di business.