Predictive Analytics Neyi Tahmin Ediyor ve Ne Kadar İyi Yapıyor?

Predictive Analytics Neyi Tahmin Ediyor ve Ne Kadar İyi Yapıyor?

Tahmine dayalı analitik, kulağa nasıl geliyorsa onu yapar: Gelecekte neler olabileceğini anlamak için verileri analiz eder. Çoğu tahminde olduğu gibi, hiçbir zaman %100 doğru olmaz, ancak büyük veri ve yapay zeka onu çok daha doğru hale getiriyor.

Bir zamanlar matematik ve bilgisayar biliminin nispeten özel bir dalı olmasına rağmen, yeni tahmin teknolojileri daha erişilebilir ve kolay uygulanabilir: işletmeler bunu müşteriler üzerinde, araştırmacılar hastalıklar üzerinde kullanıyor, reklam ajansları tüketicileri hedeflemek için kullanıyor, bankalar dolandırıcılığı önlemek için kullanıyor , ve liste uzayıp gidiyor. Peki tahmine dayalı analitik gerçekten nasıl çalışıyor, neyi tahmin ediyor ve tahminleri ne kadar güvenilir?

tahmine dayalı-analitik-süreç

Tahmine dayalı analizin birkaç genel adımı vardır:

Bu basit bir örnek, ancak Google Haritalar’ın trafik tahminlerine daha önce baktıysanız, buna benzer bir şey kullanmışsınızdır. Ne kadar doğru olduğu, mevcut olan geçmiş ve gerçek zamanlı verilerin kalitesine bağlıdır, ancak neredeyse her zaman oldukça yakın bir tahminde bulunabilir, bu da tahmine dayalı analitikle ilgili olan şeydir.

tahmine dayalı-analitik-perakende

Tahmine dayalı analitik, tıbbi araştırma, finans, üretim, tedarik zincirleri ve başka yerlerde verimli bir şekilde kullanılmaktadır, ancak bu teknoloji için en karlı uygulamalardan biri müşteri davranışını analiz etmek ve tahmin etmektir. Verilerinizin neden bu kadar değerli bir meta olduğunu hiç merak ettiyseniz, bunun ana nedenlerinden biri budur. Büyük miktarda geçmiş kullanıcı verisine erişim sayesinde, şirketlerin tüketicilerin düğmelerine nasıl basabileceklerini anlamaları çok daha kolay.

Sağlık ve tıpta, tahmine dayalı analitik çoğunlukla tedavileri optimize etmek ve hastalıklarla savaşmanın yeni yollarını bulmak için kullanılıyor. Hastaneler, geçmiş hasta verilerini analiz ederek geri gelmesi gereken hasta sayısını azaltabilir, daha kişiselleştirilmiş tedavi planları oluşturabilir ve daha doğru risk değerlendirmeleri alabilir. Risk faktörlerini, tedavi sonuçlarını ve daha fazlasını belirlemek için hastalar ve popülasyonlar tarafından oluşturulan verileri kullanan tahmine dayalı analitik modeller de hastalık araştırmaları için önemlidir.

Finans alanındaki uygulamalar da benzer şekilde özellikle risk odaklıdır, kim bir kredi veya hesap için güvenli bahis olabilir? Tahmine dayalı analitik uygulamak, finansal kurumların temerrüde düşme riski yüksek olan kişileri belirlemesine ve dolandırıcılık faaliyetlerini daha etkili bir şekilde işaretlemesine yardımcı olabilir.

Ancak hiçbir sektör tahmine dayalı analitik konusunda perakende ve reklamcılık kadar hevesli değildir. Müşterinizin her hareketini izleyebileceğinizi, onu büyük bir veritabanına besleyebildiğinizi ve kalıpları analiz edebildiğinizi hayal edin. Kimlerin hizmetinizi kullanmayı bırakma olasılığının yüksek olduğunu, insanların ürününüzü kullanmaya devam etmesini sağlayan şeyleri, belirli reklamlara kimlerin tepki verme olasılığının en yüksek olduğunu, kampanyalarınızla kimleri hedefleyeceğinizi gerçek zamanlı olarak güncellenebilen ve analiz edilebilen verilerle öğrenebilirsiniz. .

tahmine dayalı-analitik-güven

Her model farklı olduğu için bu sorunun tek bir cevabı yok. Verilerin kalitesi, onu analiz etmek için kullanılan yöntemler ve bir dizi başka faktör, tahminlerin ne kadar doğru olabileceğini belirler. Tahmine dayalı analitik her zaman doğru anlamaz, ancak büyük veri ve yapay zekadaki ilerlemeler sayesinde her şeyi doğru yapıyorlar daha fazla zamanın.

Büyük veriyi “büyük” yapan şey, ne kadar çok olduğu değil, büyük miktarda verinin ne kadar etkili bir şekilde işlenebildiğidir. İstatistiklerin çoğu, tarihsel olarak, bir belirsizlik katmanı ekleyen, bu popülasyonlardan alınan örneklere dayanarak popülasyonlar hakkında tahminlerde bulunmaya dayanmaktadır.

Bununla birlikte, büyük veri araçları, tahminlerde bulunmak için mevcut verilerin çok daha fazlasını kullanmayı mümkün kılar ve bu da onların doğru olma olasılığını çok daha yüksek hale getirir. Tahmine dayalı analitik, insanlara reklam sunma ve işe gidip gelme zamanlarını belirleme konusunda zaten oldukça iyi bir iş çıkarıyor ve gelecekte yalnızca daha etkili olacak.

Nasıl iyi kararlar verirsin? İnsanlık tarihinin büyük bölümünde, mevcut girdileri işlemek ve buna göre hareket etmek için beynimizi kullandık. Kararlarımız her zaman doğru bilgi eksikliği, kalıpları belirleme konusunda sınırlı bir yetenek ve herhangi bir sayıda önyargı ile lekelenmiştir.

Büyük bir veri kümesine sahip iyi yapılmış bir algoritma olsa da, bu soruna sahip değildir ve zihinsel emeğimizin çoğunu makinelere boşaltma yeteneği, insanlık için ileriye doğru büyük bir adımdır. Elbette, algoritmalar kasıtlı veya kasıtsız olarak önyargılı olabilir, veri kümeleri bozulabilir ve davranışla ilgili tahminler, perakende deneyimlerini optimize etmek için kullanılabildikleri kadar sosyal kontrol için de kullanılabilir. Sistemlerimizin şeffaf ve genel olarak faydalı olacak şekilde gelişmesini sağlamak, teknolojinin geleceği şekillendirme (ve tahmin etme) şekli üzerinde gerçek bir etkiye sahip olacaktır.

İmaj kredisi: Davranış Analizini Oluşturan Olayların Görsel Temsili, Tahmine Dayalı Analitik Süreci

En son eğitimlerimizle ilgili güncellemeleri alın.

Andrew Braun, seyahat, ekonomi, matematik, veri analizi, fitness ve daha fazlası dahil olmak üzere çok çeşitli ilgi alanlarına sahip, ömür boyu süren bir teknoloji meraklısıdır. Kripto para birimlerinin ve diğer merkezi olmayan teknolojilerin savunucusu ve yeni nesil inovasyonların birbirini geçmeye devam ettiğini görmeyi umuyor.

“Kalabalık Bilgeliği” adlı TV şovunun tonları!

“İyi yapılmış bir algoritma”

“algoritmalar önyargılı olabilir”

“Davranışla ilgili tahminler sosyal kontrol için kullanılabilir”

Hey @dragonmouth lütfen bana yardım et… lütfen!

Merhaba,

Daha da kötüsü, Büyük Veri ve Tahmine dayalı analitikle ilgili sorunlardan biri, yakalanan ve/veya paylaşılan veri havuzlarının şeffaflığıyla ilgilendiğinden, verilerin paylaşılmamasındaki çoklu karşılaştırma sorunudur.

İletişim, eğlence ve ticaretimiz internete taşındı ve internet telefonlarımıza, IoT cihazlarımıza, arabalarımıza ve hatta gözlüklerimize taşındı, hayat kaydedilebilir ve tahmin edilmesi zor olan her şekilde tahmine dayalı analitik elde edilebilir. on yıl önce.

Google, Facebook ve Amazon gibi şirketlerin tümü veri egzozumuz aracılığıyla dijital yaşamlarımızı anlamanın yollarını ararken, veri madenciliğinin yeni bulunan yolları anahtardır ve yeni internet ekonomisinin temelini oluşturur. Sonra Edward Snowden’ın ABD elektronik gözetiminin ölçeği ve kapsamı hakkındaki sızıntılarından bu yana, görünüşe göre bu, güvenlik servislerinin ilgi alanı haline geldi ve onlar da bizim veri yollarımızdan öğrenebileceklerine hayran kaldılar.

Bu başarısız mıydı?

Amazon, Google, Facebook ve Twitter, ardından Target ve Tesco, hatta Microsoft ve Apple bile bu şirketler Büyük Verilerini sizinle veya küresel bir veri tabanındaki herhangi biriyle paylaşmak üzere değiller.

Şirketlerin ve Hükümetlerin kazanmak için bir yarışta teklif verdiği, bir biftek veya holdinglerin olduğu Uzay alemini unutmamak. Bu noktada sadece açgözlülük mü yoksa açgözlülük tarafından Büyük Veri konusuna mı yönlendiriliyor?

Tahmine dayalı analitik, tüm işletmeler için gereklidir. ve tüm uygulamalı mühendislik çalışmaları. Yönetim ekibi hesaplamaları yapmakla uğraşırsa, “hatalar” istatistiksel olarak beklenir ve bilerek maliyetlendirilir.

Daha açık örnekler, trafik ışıkları, herhangi bir depo veya mağazada mal stoklanması ve tüm ticari girişimlerdir. Arızalar, hatalar vb. bilinebilir, tahmin edilebilir ve maliyet tahmini yapılabilir. “Sosyal Adalet” kişileri endişelerinden dolayı affedilebilir. Makro-yönetim, karmaşık istatistiksel çalışmalar gerektirir. Orijinal makalenin yazarı, açıkçası herhangi bir “İşletme Yüksek Lisansı konularını incelemedi, imho.

Leave a Reply

Your email address will not be published. Required fields are marked *

*