Prediktiv analys
Vad är det och varför är det viktigt

Banker och finansiella institut

Finansbranschen, som har enorma mängder data och pengar i omlopp, har länge använt prediktiv analys för att upptäcka och minimera riskerna för bedrägerier. Andra användningsområden inkluderar att mäta kreditrisker, maximera kors-/merförsäljning och behålla värdefulla kunder. Commonwealth Bank använder analys för att förutsäga sannolikheten att de utsätts för bedrägerier innan de godkänner varje transaktion - och det inom 40 millisekunder från att transaktionen startade.

Detaljhandeln

Sedan den ökända studien som avslöjade att män som handlar blöjor ofta köper öl samtidigt, används prediktiv analys av detaljhandlare för varuplanering, prisoptimering, analysera effekten av sina marknadskampanjer och för att fastställa vilka erbjudanden som fungerar bästa bland olika konsumentgrupper. Genom att analysera kundbeteenden fick företaget Staples insikter och en komplett bild av sina kunder och uppnådde en ROI på 137 procent.

Olja, gas och allmännyttiga tjänster

Oavsett om det handlar om att förutse fel på utrustning, framtida resursbehov, reducera riskerna inom säkerhet och tillförlitlighet eller förbättra det övergripande resultatet, har energisektorn verkligen omfamnat prediktiv analys. Salt River Projects är det nästa största offentliga kraftverket i USA och en av Arizonas största vattenleverantörer. Med hjälp av dataanalys från sensorer kan de förutspå när turbinerna i sina kraftverk behöver underhåll.

Myndigheter och offentlig sektor

Myndigheter har spelat en viktig roll i utvecklingen av ny datateknik. US Census Bureau, statistiska centralbyrån i USA, har analyserat data i decennier för att förstå befolkningstrender. Myndigheter använder nu prediktiv analys, precis som många andra branscher, för att ge bättre service, upptäcka och förhindra bedrägerier och bättre förstå konsumentbeteenden. De använder även prediktiv analys för att förbättra säkerheten på internet.

Sjukvårdsförsäkring

Förutom att upptäcka försäkringsbedrägerier, vidtar försäkringsbranschen inom hälso- och sjukvården åtgärder för att identifiera vilka patienter som löper störst risk att drabbas av kroniska sjukdomar samt hitta vilka interventioner som fungerar bäst. Express Scripts, en organisation för hantering av apoteksförmåner, använder analys för att identifiera vilka som inte följer ordinerad behandling. Detta har resulterat i en besparing på mellan 1,500 till 9,000 amerikanska dollar per patient.

Tillverkningsindustrin

Inom tillverkningsindustrin är det mycket viktigt att identifiera vilka faktorer som leder till sämre kvalitet och produktionsfel såväl som att optimera maskindelar, service och distribution. Ett exempel är Lenovo som använder prediktiv analys för att bättre förstå garantiärenden - ett initiativ som resulterade i att kostnaderna för att hantera garantiärenden minskade med 10-15 procent. .

Regression (linjär och logistisk) är en av de mest populära metoderna inom statistik. Regressionsanalys uppskattar samband mellan variabler. Metoden används när man har kontinuerlig data som kan antas följa en normalfördelning för att hitta mönster i stora datamängder. Regressionsanalys används ofta för att bestämma hur mycket olika faktorer, såsom priset, påverkar en tillgångs rörelsemönster. Med regressionsanalys vill man förutsäga ett tal som kallas Y-variabeln. Med linjär regression används en oberoende variabel för att förklara och/eller förutsäga resultatet av Y. Multipel regression använder två eller flera oberoende variabler för att förutsäga resultatet. Med logistisk regression förutsäger modellen okända variabler för en diskret variabel baserat på känt värde för andra variabler. Svarsvariabeln är kategorisk, vilket innebär att den endast kan anta ett begränsat antal värden. Med binär logistisk regression har en svarsvariabel bara två värden som 0 eller 1. I multipel logistisk regression kan en svarsvariabel ha flera olika nivåer som låg, medel och hög eller 1, 2 och 3.

Beslutsträd är klassificeringsmodeller som delar upp data i delmängder baserat på kategorier av indatavariabler. Detta hjälper dig att förstå vägen till att ta ett beslut. Ett beslutsträd ser ut som ett träd där varje gren representerar ett val mellan ett antal alternativ, och varje blad representerar en klassificering eller ett beslut. Modellen tittar på all data och försöker hitta den variabel som delar upp data i logiska grupper, som är mest olika. Beslutsträd är populära eftersom de är lätta att förstå och tolka. Modellen hanterar också saknade värden på ett bra sätt och är användbar för preliminärt välja variabler. Så om du har många saknade värden eller vill ha ett snabbt och enkelt svar ska du börja med ett träd.

Neurala nätverk är sofistikerade och kan modellera extremt komplexa relationer. Eftersom de är både kraftfulla och flexibla är de mycket populära bland de som kan tillämpa tekniken. Styrkan ligger i förmågan att hantera icke-linjära relationer i data, vilket blir allt vanligare desto mer data som samlas in. Neurala nätverk används ofta för att bekräfta resultat från enklare metoder som regressionsanalys eller beslutsträd. Neurala nätverk är baserade på mönsterigenkänning och AI-processer som grafiskt "modellerar" parametrarna. Metoden fungerar bäst när ingen matematisk formel är känd som relaterar indata till utdata, när förutsägelsen är viktigare än förklaringen eller när det finns mycket data att träna modellen med. Artificiella neurala nätverk utvecklades ursprungligen av forskare som försökte efterlikna hjärnans neurofysiologi.