Mikä on ennakoiva mallintaminen?
Ennustava mallintaminen on prosessi, jossa tunnettujen tulosten avulla luodaan, prosessoidaan ja validoidaan malli, jota voidaan käyttää tulevien tulosten ennustamiseen. Se on ennustavassa analytiikassa käytettävä työkalu, tiedon louhintatekniikka, joka yrittää vastata kysymykseen "mitä saattaa tapahtua tulevaisuudessa?"
Ennustavan mallinnuksen ymmärtäminen
Nopea siirtyminen digitaalisiin tuotteisiin on luonut tietomeren, joka on yrityksille helposti saatavilla. Yritykset hyödyntävät suuria tietoja asiakassuhteiden dynamiikan parantamiseksi. Tämä valtava määrä reaaliaikaista tietoa on saatu lähteistä, kuten sosiaalisesta mediasta, Internetin selaushistoriasta, matkapuhelintiedoista ja pilvipalvelualustoista.
Analysoimalla historiallisia tapahtumia on todennäköisyys, että yritys pystyy ennustamaan, mitä tapahtuu tulevaisuudessa, ja suunnittelemaan sen mukaisesti. Nämä tiedot ovat kuitenkin yleensä jäsentämättömiä ja liian monimutkaisia ihmisille analysoitavaksi lyhyessä ajassa. Monimutkaisuuden vuoksi, että valtavat tietomäärät ovat mukana, yritykset käyttävät yhä enemmän ennustavia analytiikkatyökaluja ennustaakseen lähitulevaisuudessa todennäköisesti tapahtuvan tapahtuman tuloksen.
Kuinka ennustava Analytics toimii
Ennustava analytiikka kerää ja käsittelee historiallista tietoa suurina määrinä ja käyttää tehokkaita tietokoneita arvioimaan aiemmin tapahtuneita ja antaa sitten arvion tulevaisuuden tapahtumista.
Ennustava analytiikka käyttää ennustajia tai tunnettuja ominaisuuksia luomaan ennustavia malleja, joita käytetään tulosteen hankkimiseen. Ennustava malli pystyy oppimaan kuinka eri datapisteet liittyvät toisiinsa. Kaksi yleisimmin käytettyä ennustavaa mallintamistekniikkaa ovat regressio- ja hermoverkot.
Yritykset käyttävät ennakoivaa mallintamista yhä enemmän ennusteiden tekemiseen lähitulevaisuudessa todennäköisesti tapahtuvista tapahtumista.
Erityiset näkökohdat
Tilastojen alalla regressio tarkoittaa lineaarista suhdetta tulo- ja lähtömuuttujien välillä. Ennustava malli, jossa on lineaarinen funktio, vaatii yhden ennustajan tai ominaisuuden tuloksen / lopputuloksen ennustamiseksi. Esimerkiksi pankki, joka haluaa havaita rahanpesun varhaisessa vaiheessa, saattaa sisällyttää lineaarisen ennustemallin.
Pankki haluaa erityisesti tietää, mitkä asiakkaista todennäköisesti harjoittavat rahanpesua jossain vaiheessa. Kaikki pankin asiakkaiden tiedot esitetään, ja ennustava malli rakennetaan kunkin asiakkaan tietyn ajanjakson aikana suorittamien siirtojen dollariarvon ympärille.
Malli opetetaan tunnistamaan rahanpesutapahtuman ja normaalin tapahtuman välinen ero. Mallin optimaalisen lopputuloksen tulisi olla malli, joka osoittaa, mikä asiakas rahansi rahaa ja mikä ei. Jos malli havaitsee, että tietylle asiakkaalle on syntymässä petosmalli, se luo signaalin toiminnalle, johon pankin petoksianalyytikot osallistuvat.
Ennusteellisia malleja käytetään myös hermoverkoissa, kuten koneoppimisessa ja syväoppimisessa, jotka ovat keinotekoisen älykkyyden (AI) kenttiä. Ihmisen aivot inspiroivat hermoverkkoja, ja ne luodaan hierarkkisilla tasoilla toisiinsa yhteydessä olevien solmujen verkolla, joka edustaa AI: n perustaa. Neuraaliverkkojen voima piilee niiden kyvyssä käsitellä epälineaarisia datasuhteita. He osaavat luoda muuttujien välille suhteita ja malleja, jotka osoittautuvat mahdottomiksi tai liian aikaa vieviksi ihmisanalyytikoille.
Avainsanat
- Ennustava mallinnus on prosessi, jossa tunnettujen tulosten avulla luodaan, prosessoidaan ja validoidaan malli, jota voidaan käyttää tulevien ennusteiden tekemiseen. Kaksi yleisimmin käytettyä ennustavaa mallintamistekniikkaa ovat regressio- ja hermoverkot.
Joten vaikka pankki voi syöttää tunnettuihin muuttujiin, kuten asiakkaidensa aloittamien siirtojen arvoa malliinsa saadakseen halutun lopputuloksen siitä, kuka todennäköisesti osallistuu rahanpesuun, hermoverkko voi luoda tehokkaamman mallin, jos se pystyy luoda onnistuneesti suhde syötemuuttujien, kuten sisäänkirjautuneen ajan, käyttäjän maantieteellisen sijainnin, käyttäjän laitteen IP-osoitteen, varojen vastaanottajan tai lähettäjän ja minkä tahansa muun ominaisuuden, joka todennäköisesti muodostaa rahanpesua, välillä.
Muita ennustavia mallinnustekniikoita, joita rahoitusyritykset käyttävät, ovat päätöksentekopuut, aikasarjojen louhinta ja Bayesian analyysi. Yritykset, jotka hyödyntävät suurta dataa ennustavien mallintamistoimenpiteiden avulla, ymmärtävät paremmin, kuinka asiakkaat suhtautuvat heidän tuotteisiinsa ja osaavat tunnistaa mahdolliset riskit ja mahdollisuudet yritykselle.
