Bagaimana Mengkategorikan Model Analisis Prediktif - dummies

Anda memiliki berbagai cara untuk mengkategorikan model yang digunakan untuk analisis prediktif. Secara umum, Anda dapat memilahnya dengan < Masalah bisnis yang mereka selesaikan dan fungsi bisnis utama yang mereka layani (seperti penjualan, periklanan, sumber daya manusia, atau manajemen risiko).

• Penerapan matematis yang digunakan dalam model (seperti statistik, data mining, dan pembelajaran mesin) Setiap model memiliki beberapa kombinasi dari aspek-aspek ini; lebih sering daripada tidak, satu atau yang lain akan mendominasi. Fungsi yang dimaksudkan dari model dapat mengambil salah satu dari berbagai arah. - prediktif, klasifikasi, clustering, decision-oriented, atau asosiatif.

• Cara menggunakan model prediktif

Model prediktif menganalisa data dan memprediksi hasil selanjutnya. Ini adalah kontribusi besar analisis prediktif, berbeda dari kecerdasan bisnis. Bisnis intelijen memonitor apa itu goi ng di dalam sebuah organisasi sekarang. Model prediktif menganalisa data historis untuk membuat keputusan tentang kemungkinan hasil di masa depan.

Dengan kondisi tertentu (jumlah terbaru dan frekuensi keluhan pelanggan, tanggal pembaharuan layanan mendekati, dan ketersediaan pilihan yang lebih murah oleh pesaing) seberapa besar kemungkinan pelanggan ini melakukan churn?

Output dari model prediktif juga bisa berupa jawaban biner, ya / tidak atau 0/1: apakah transaksi itu salah. Model prediktif dapat menghasilkan banyak hasil, terkadang menggabungkan hasil ya / tidak dengan probabilitas bahwa suatu peristiwa tertentu akan terjadi. Kelayakan kredit pelanggan, misalnya, dapat dinilai sebagai ya atau tidak, dan probabilitas yang diberikan yang menggambarkan seberapa besar kemungkinan pelanggan tersebut melunasi pinjaman tepat waktu.

Cara menggunakan model cluster dan klasifikasi

Bila sebuah model menggunakan clustering dan klasifikasi, ia mengidentifikasi pengelompokan yang berbeda dalam data yang ada. Anda tetap bisa membangun model prediksi di atas output dari model clustering Anda dengan menggunakan clustering untuk mengklasifikasikan poin data baru.

Jika, misalnya, Anda menjalankan algoritma pengelompokan pada data pelanggan Anda dan dengan demikian memisahkannya menjadi kelompok yang terdefinisi dengan baik, Anda kemudian dapat menggunakan klasifikasi untuk belajar tentang pelanggan baru dan dengan jelas mengidentifikasi kelompoknya. Kemudian Anda dapat menyesuaikan respons Anda (misalnya, kampanye pemasaran yang ditargetkan) dan penanganan pelanggan baru Anda.

Klasifikasi menggunakan kombinasi karakteristik dan fitur untuk menunjukkan apakah item data termasuk dalam kelas tertentu.

Banyak aplikasi atau masalah bisnis dapat diformulasikan sebagai masalah klasifikasi. Pada tingkat dasar, misalnya, Anda dapat mengklasifikasikan hasil sesuai keinginan dan tidak diinginkan. Misalnya, Anda bisa mengklasifikasikan klaim asuransi sebagai sah atau curang.

Dasar-dasar model keputusan

Dengan skenario yang kompleks, keputusan terbaik apa yang harus diambil - dan jika Anda mengambil tindakan itu, apa hasilnya? Model berorientasi keputusan (hanya disebut

model keputusan

) menjawab pertanyaan semacam itu dengan menyusun rencana strategis sehingga bisa mengidentifikasi tindakan terbaik, mengingat kejadian tertentu. Model keputusan dapat menjadi strategi mitigasi risiko, membantu mengidentifikasi respons terbaik Anda terhadap kejadian yang tidak mungkin terjadi.

Model keputusan menyelidiki berbagai skenario dan memilih yang terbaik dari semua mata kuliah. Untuk membuat keputusan, Anda memerlukan pemahaman mendalam tentang hubungan kompleks dalam data dan konteks operasi Anda. Model keputusan berfungsi sebagai alat untuk membantu Anda mengembangkan pemahaman itu. Model dasar asosiasi Model asosiatif (disebut

model asosiasi

) dibangun di atas asosiasi dan hubungan mendasar yang ada dalam data. Jika pelanggan berlangganan layanan tertentu, kemungkinan besar dia akan memesan layanan khusus lainnya. Jika pelanggan mencari untuk membeli Produk A (mobil sport), dan produk tersebut terkait dengan Produk B (katakanlah, kacamata hitam yang dicap oleh produsen mobil), dia cenderung membeli Produk B.

Beberapa asosiasi ini dapat mudah dikenali; yang lain mungkin tidak begitu jelas. Tersandung pada sebuah asosiasi menarik, yang sebelumnya tidak diketahui, dapat menyebabkan manfaat dramatis. Cara lain untuk menemukan sebuah asosiasi adalah untuk menentukan apakah suatu peristiwa tertentu meningkatkan kemungkinan bahwa peristiwa lain akan terjadi. Jika, misalnya, perusahaan yang memimpin sektor industri tertentu baru saja melaporkan pendapatan luar biasa, berapakah probabilitas bahwa sekeranjang saham di sektor yang sama naik nilainya?