全新的企业工作室,结合了传统机器学习与由基础模型提供支持的新生成式 AI 功能。
预测分析模型旨在评估历史数据、发现模式、观察趋势,并利用这些信息预测未来趋势。常用的预测分析模型包括分类模型、聚类分析和时序模型。
分类模型
分类模型属于 监督式 机器学习模型的分支。这些模型根据历史数据对数据进行分类,描述特定数据集中的关系。例如,此模型可用于将客户或潜在客户划分为不同组别,以便进行细分。此外,它还可用于回答具有二进制输出的问题,例如回答是或否或真或假;这方面的常见的用例包括欺诈检测和信用风险评估。分类模型的类型包括逻辑回归、决策树、随机森林、神经网络和朴素贝叶斯。
集群模型
聚类模型属于无监督学习。它们根据相似的属性对数据进行分组。例如,电子商务网站可以利用该模型,根据共同特征将客户分成类似的群体,并针对每个群体制定营销策略。常见的聚类算法包括 K-均值聚类、均值移动聚类、基于密度的带噪声应用空间聚类 (DBSCAN)、使用高斯混合模型 (GMM) 的期望最大化 (EM) 聚类以及分层聚类。
时序模型
时间序列模型使用特定时间频率的各种数据输入,例如每日、每周、每月等。通常绘制随时间变化的因变量来评估数据的季节性、趋势和周期性行为,以指示是否需要特定的转换和模型类型。自回归 (AR)、移动平均 (MA)、ARMA 和 ARIMA 模型都是常用的时间序列模型。例如,客户服务中心可以使用时间序列模型来预测一天中不同时间每小时会接到多少个电话。
可在各行各业部署预测性分析,解决不同的业务问题。以下是一些行业用例,说明预测性分析如何为现实情况下的决策提供信息。
根据以往模式进行未来预测的组织在管理库存、员工队伍、营销活动和大多数其他运营方面具有业务优势。
IBM Watson® Studio 使数据科学家、开发人员和分析人员能够在 IBM Cloud Pak for Data 上随时随地构建、运行和管理 AI 模型并优化决策。
IBM® SPSS® Statistics 是一个功能强大的统计软件平台,提供了用户友好的界面和一组出色的功能,使贵组织可以快速从数据中提取切实可行的洞察分析。
IBM® SPSS® Modeler 是领先的可视化数据科学和机器学习 (ML) 解决方案,旨在通过加快数据科学家的操作任务来帮助企业缩短实现价值的时间。