Phân loại Các mô hình cho Predictive Analytics - núm vú

Các mô hình là cần thiết để thực hiện phân tích tiên đoán. Một mô hình không gì khác hơn là một mô tả toán học của một phân đoạn của thế giới mà mọi người quan tâm. Một mô hình có thể bắt chước hành vi của khách hàng. Nó có thể đại diện cho các phân khúc khách hàng khác nhau. Một mô hình được làm tốt, có thể điều chỉnh có thể dự báo - dự đoán với độ chính xác cao - kết quả tiếp theo của một sự kiện nhất định.

Bạn có nhiều cách để phân loại các mô hình được sử dụng cho phân tích tiên đoán. Nói chung, bạn có thể sắp xếp chúng ra bằng

• Các vấn đề kinh doanh mà họ giải quyết và các chức năng kinh doanh chính họ phục vụ (như bán hàng, quảng cáo, nhân sự hoặc quản lý rủi ro).
• Việc thực hiện toán học được sử dụng trong mô hình (như số liệu thống kê, khai thác dữ liệu, và học máy).

Mỗi mô hình sẽ có một số sự kết hợp của các khía cạnh này; thường xuyên hơn không, một hoặc hai sẽ chiếm ưu thế. Chức năng dự định của mô hình có thể theo một trong nhiều hướng - tiên đoán, phân loại, phân cụm, quyết định theo định hướng, hoặc liên kết.

Các mô hình dự đoán

Các mô hình dự đoán phân tích dữ liệu và dự đoán kết quả tiếp theo. Đây là đóng góp lớn cho phân tích tiên đoán, khác với thông tin kinh doanh. Kinh doanh tình báo theo dõi những gì đang xảy ra trong một tổ chức ngay bây giờ. Các mô hình dự đoán phân tích dữ liệu lịch sử để đưa ra quyết định thông báo về khả năng kết quả trong tương lai.

Do điều kiện nhất định (số lượng và tần suất gần đây của khách hàng khiếu nại, ngày gia hạn dịch vụ tiếp cận, và sự sẵn có của các lựa chọn rẻ hơn do cạnh tranh) có khả năng là khách hàng này sẽ churn?

Kết quả của mô hình tiên đoán cũng có thể là câu trả lời nhị phân, có / không hoặc 0/1: ví dụ như một giao dịch là gian lận. Một mô hình tiên đoán có thể tạo ra nhiều kết quả, đôi khi kết hợp có / không có kết quả với một xác suất rằng một sự kiện nhất định sẽ xảy ra. Ví dụ, mức độ tín nhiệm của khách hàng có thể được đánh giá là có hoặc không, và xác suất được chỉ định mô tả khả năng khách hàng trả hết nợ đúng hạn.

Mô hình phân nhóm và phân loại

Khi một mô hình sử dụng phân cụm và phân loại, nó xác định các nhóm khác nhau trong dữ liệu hiện có. Bạn vẫn có thể xây dựng mô hình tiên đoán trên đầu ra của mô hình phân cụm bằng cách sử dụng cụm sao để phân loại các điểm dữ liệu mới.

Ví dụ: nếu bạn chạy thuật toán phân cụm trên dữ liệu khách hàng và tách chúng thành các nhóm được xác định rõ thì bạn có thể sử dụng phân loại để tìm hiểu về một khách hàng mới và xác định nhóm của mình rõ ràng.Sau đó, bạn có thể điều chỉnh trả lời của bạn (ví dụ như chiến dịch tiếp thị được nhắm mục tiêu) và xử lý khách hàng mới của bạn.

Phân loại sử dụng một sự kết hợp của các đặc điểm và các tính năng để cho biết liệu một mục dữ liệu thuộc về một lớp cụ thể.

Nhiều ứng dụng hoặc các vấn đề kinh doanh có thể được xây dựng như các vấn đề phân loại. Ví dụ như ở mức cơ bản, bạn có thể phân loại các kết quả như mong muốn và không mong muốn. Ví dụ, bạn có thể phân loại một yêu cầu bảo hiểm là hợp pháp hoặc gian lận.

Các mô hình quyết định

Với một kịch bản phức tạp, bạn nên đưa ra quyết định tốt nhất - và nếu bạn có hành động đó thì kết quả sẽ là gì? Các mô hình định hướng theo quyết định (đơn giản gọi là các mô hình quyết định) giải quyết các câu hỏi như vậy bằng cách xây dựng các kế hoạch chiến lược để xác định cách thức thực hiện tốt nhất, với các sự kiện nhất định. Các mô hình quyết định có thể là các chiến lược giảm nhẹ rủi ro, giúp xác định phản ứng tốt nhất của bạn với các sự kiện không mong muốn.

Các mô hình quyết định khảo sát các tình huống khác nhau và lựa chọn tốt nhất trong tất cả các môn học. Để đưa ra quyết định sáng suốt, bạn cần hiểu biết sâu sắc về các mối quan hệ phức tạp trong dữ liệu và ngữ cảnh bạn đang điều hành. Một mô hình quyết định phục vụ như một công cụ giúp bạn phát triển sự hiểu biết đó.

Các mô hình hiệp hội

Các mô hình kết hợp (gọi là các mô hình kết hợp) được xây dựng dựa trên những mối quan hệ và mối quan hệ cơ bản có trong dữ liệu. Nếu (ví dụ) một khách hàng đã đăng ký một dịch vụ cụ thể, nhiều khả năng là cô ấy sẽ yêu cầu một dịch vụ cụ thể khác. Nếu khách hàng muốn mua sản phẩm A (một chiếc xe thể thao) và sản phẩm đó có liên quan đến Sản phẩm B (ví dụ: kính mát do nhà sản xuất ô tô mang nhãn hiệu), anh ta có nhiều khả năng mua Sản phẩm B.

Một số hiệp hội có thể dễ dàng được xác định; những người khác có thể không được rõ ràng như vậy. Sự vấp ngã về một hiệp hội thú vị, chưa được biết trước, có thể dẫn đến những lợi ích to lớn.

Một cách khác để tìm một hiệp hội là xác định liệu một sự kiện nhất định có làm tăng khả năng xảy ra sự kiện khác hay không. Ví dụ, nếu, một công ty dẫn dắt một ngành công nghiệp nhất định chỉ báo cáo thu nhập của sao, thì xác suất là một giỏ cổ phiếu trong cùng một ngành đó tăng lên hay xuống giá trị?