Làm thế nào để giải quyết các vấn đề trong Analytics tiên đoán - núm vú

Mô hình dự đoán đang trở nên phổ biến như một công cụ để quản lý nhiều khía cạnh của kinh doanh. Đảm bảo rằng việc phân tích dữ liệu được thực hiện đúng sẽ thúc đẩy sự tự tin trong các mô hình được sử dụng - từ đó có thể tạo ra sự cần thiết mua sắm cho các phân tích tiên đoán để trở thành bộ công cụ chuẩn của tổ chức bạn.

Có lẽ sự phổ biến ngày càng tăng này đến từ những cách mà một dự án phân tích tiên đoán có thể hỗ trợ ra quyết định bằng cách tạo ra các mô hình mô tả các bộ dữ liệu, khám phá các mô hình và xu hướng mới có thể có được (như được chỉ ra bởi dữ liệu) và dự đoán các kết quả có độ tin cậy cao hơn.

Các giả định tối thiểu và các biến quyết định nào cho phép mô hình phù hợp nhất với dữ liệu?

• Mô hình đang được xây dựng như thế nào so với các mô hình áp dụng khác?

• Các tiêu chuẩn nào là tốt nhất để đánh giá và chấm điểm mô hình này?

• Một lần nữa, bạn có thể gọi tiếng nói của kinh nghiệm để giải cứu: Các chuyên gia về kiến ​​thức miền có thể thảo luận những câu hỏi này, giải thích bất kỳ kết quả nào cho thấy các mẫu ẩn trong dữ liệu và giúp xác minh và xác nhận kết quả của mô hình.

Làm thế nào để mô tả những hạn chế của mô hình phân tích tiên đoán

Bất kỳ mô hình phân tích tiên đoán nào có những hạn chế nhất định dựa trên các thuật toán mà nó sử dụng và tập dữ liệu mà nó chạy. Bạn nên biết những hạn chế đó và làm cho chúng hoạt động vì lợi ích của bạn; những người liên quan đến các thuật toán bao gồm

Các biến này có mối tương quan cao như thế nào (mối quan hệ thống kê giữa các tính năng)

• Cho dù các biến có độc lập không (không có mối quan hệ giữa các đối tượng)

• Cho dù phạm vi của dữ liệu mẫu làm cho mô hình có xu hướng overfitting

• Để khắc phục những hạn chế của mô hình của bạn, sử dụng âm thanh

• kiểm tra chéo

kỹ thuật để kiểm tra các mô hình của bạn. Bắt đầu bằng cách chia dữ liệu của bạn thành tập huấn và tập dữ liệu thử nghiệm và chạy mô hình đối với từng bộ dữ liệu riêng biệt để đánh giá và tính điểm dự đoán mô hình. Cách thử nghiệm và đánh giá mô hình phân tích tiên đoán của bạn Không mô hình nào có thể tạo ra dự báo chính xác 100%; bất kỳ mô hình nào cũng có tiềm năng tạo ra kết quả không chính xác. Hãy theo dõi bất kỳ biến thể đáng kể nào giữa các dự báo mà mô hình của bạn sản xuất và dữ liệu được quan sát - đặc biệt nếu kết quả của mô hình mâu thuẫn với ý nghĩa thông thường.Nếu nó có vẻ quá tốt, xấu, hoặc cực đoan là đúng, thì có lẽ nó không đúng (với thực tế, dù sao đi nữa).

Trong quá trình đánh giá, hãy kiểm tra kỹ các kết quả đầu ra của các mô hình bạn đang thử nghiệm và so sánh chúng với các biến đầu vào. Khả năng dự báo của mô hình của bạn phải trả lời tất cả các mục tiêu kinh doanh đã đề cập mà đã thúc đẩy sự ra đời của nó ngay từ đầu.

Các giả định sử dụng trong mô hình

Các biến được đưa vào hoặc loại trừ trong phân tích

Làm việc với người dùng doanh nghiệp để đánh giá từng bước của quá trình mô hình của bạn; đảm bảo rằng các đầu ra mô hình có thể dễ dàng diễn giải và sử dụng trong tình huống kinh doanh thực tế. Cân bằng độ chính xác và độ tin cậy của mô hình bằng cách dễ dàng các kết quả đầu ra của mô hình có thể được diễn giải và đưa vào sử dụng thực tế.

• Làm thế nào để tránh các mô hình phân tích tiên đoán không thể mở rộng

• Khi bạn xây dựng một mô hình, hãy luôn luôn chú ý đến khả năng mở rộng. Luôn kiểm tra hiệu suất, độ chính xác và độ tin cậy của mô hình ở các quy mô khác nhau. Mô hình của bạn có thể thay đổi quy mô của nó - và tăng lên lớn nhất nếu cần - mà không bị sụp đổ hoặc đưa ra dự đoán xấu.

• Khả năng mở rộng là một thách thức trong quá khứ. Các mô hình dự đoán mất nhiều thời gian để xây dựng và chạy. Các bộ dữ liệu chạy trên các mô hình là nhỏ, và dữ liệu tốn kém để thu thập, lưu trữ và tìm kiếm. Nhưng đó là tất cả trong kỷ nguyên "trước dữ liệu lớn".

Ngày nay dữ liệu lớn rất rẻ, dồi dào, và đang phát triển. Trên thực tế, một vấn đề tiềm ẩn khác xuất hiện: Khối lượng dữ liệu đáng sợ hiện đang có sẵn có thể ảnh hưởng tiêu cực đến mô hình và làm suy giảm hiệu suất của nó, lỗi thời trong mô hình trong một khoảng thời gian tương đối ngắn. Thực hiện đúng, khả năng mở rộng có thể giúp "mô hình tương lai" của bạn.

Tương lai không phải là mối đe dọa duy nhất. Ngay cả trong kỷ nguyên trực tuyến hiện tại, dữ liệu trực tuyến có thể áp đảo mô hình - đặc biệt nếu các luồng dữ liệu tăng lên do lũ lụt.

Khối lượng dữ liệu một mình có thể gây ra các biến quyết định và dự đoán các yếu tố để phát triển thành các con số khổng lồ đòi hỏi phải liên tục cập nhật mô hình. Vì vậy, có, mô hình của bạn đã được tốt hơn có thể mở rộng - nhanh chóng mở rộng.