Beranda
Topics
Analisis prediktif
Analisis prediktif adalah cabang dari analisis lanjutan yang membuat prediksi tentang hasil masa depan menggunakan data historis yang dikombinasikan dengan pemodelan statistik, teknik penggalian data, dan pembelajaran mesin.
Berbagai perusahaan menggunakan analisis prediktif untuk menemukan pola dalam data ini untuk mengidentifikasi risiko dan peluang. Analisis prediktif sering kali dikaitkan dengan data besar dan ilmu data.
Saat ini, perusahaan-perusahaan dibanjiri dengan data mulai dari file log hingga gambar dan video, dan semua data ini berada di repositori data yang berbeda-beda di seluruh organisasi. Untuk mendapatkan wawasan dari data ini, para ilmuwan data menggunakan algoritme pembelajaran mendalam dan pembelajaran mesin untuk menemukan pola dan membuat prediksi tentang kejadian masa depan. Beberapa teknik statistik ini termasuk model regresi logistik dan linier, jaringan saraf, dan pohon keputusan. Beberapa teknik pemodelan ini menggunakan pembelajaran prediktif awal untuk membuat wawasan prediktif tambahan.
Baca mengapa IBM dinobatkan sebagai pemimpin dalam laporan IDC MarketScape: Worldwide AI Governance Platforms 2023.
Model analisis prediktif dirancang untuk menilai data historis, menemukan pola, mengamati tren, dan menggunakan informasi tersebut untuk memprediksi tren masa depan. Model analitik prediktif populer termasuk klasifikasi, pengelompokan, dan model deret waktu.
Model klasifikasi
Model klasifikasi berada di bawah cabang model pembelajaran mesin yang diawasi. Model-model ini mengkategorikan data berdasarkan data historis, menggambarkan hubungan dalam kumpulan data tertentu. Sebagai contoh, model ini dapat digunakan untuk mengklasifikasikan pelanggan atau prospek ke dalam beberapa kelompok untuk tujuan segmentasi. Selain itu, dapat juga digunakan untuk menjawab pertanyaan dengan keluaran biner, seperti menjawab ya atau tidak atau benar dan salah; kasus penggunaan yang populer untuk ini adalah deteksi penipuan dan evaluasi risiko kredit. Jenis model klasifikasi termasuk regresi logistik, pohon keputusan, hutan acak, jaringan saraf, dan Naïve Bayes.
Model pengklusteran
Model pengklusteran termasuk dalam pembelajaran tanpa pengawasan. Model ini mengelompokkan data berdasarkan atribut serupa. Misalnya, situs e-commerce dapat menggunakan model untuk memisahkan pelanggan ke dalam kelompok serupa berdasarkan fitur umum dan mengembangkan strategi pemasaran untuk setiap kelompok. Algoritme pengklusteran umum termasuk pengklusteran k-mean, pengklusteran mean-shift, pengklusteran spasial berbasis densitas aplikasi dengan noise (DBSCAN), pengklusteran maksimalisasi harapan (EM) menggunakan Model Campuran Gaussian (GMM), dan pengklusteran hierarkis.
Model deret waktu
Model deret waktu menggunakan berbagai input data pada frekuensi waktu tertentu, seperti harian, mingguan, bulanan, dan sebagainya. Sudah hal umum untuk memplot variabel dependen dari waktu ke waktu untuk menilai data untuk musiman, tren, dan perilaku siklus, yang mungkin menunjukkan perlunya transformasi dan jenis model tertentu. Model Autoregressive (AR), moving average (MA), ARMA, dan ARIMA adalah model deret waktu yang sering digunakan. Sebagai contoh, pusat panggilan dapat menggunakan model deret waktu untuk memperkirakan berapa banyak panggilan yang akan diterima per jam pada waktu yang berbeda dalam sehari.
Analisis prediktif dapat digunakan di berbagai industri untuk masalah bisnis yang berbeda. Berikut adalah beberapa kasus penggunaan industri untuk menggambarkan cara analisis prediktif dapat menginformasikan pengambilan keputusan dalam situasi dunia nyata.
Organisasi yang mengetahui apa yang diharapkan berdasarkan pola masa lalu memiliki keunggulan bisnis dalam mengelola inventaris, tenaga kerja, kampanye pemasaran, dan sebagian besar aspek operasi lainnya.
IBM Watson Studio memberdayakan ilmuwan, pengembang, dan analis data untuk membangun, menjalankan, dan mengelola model AI, serta mengoptimalkan keputusan di mana pun pada IBM Cloud Pak for Data.
IBM SPSS Statistics adalah platform perangkat lunak statistik yang canggih. Menawarkan antarmuka yang mudah digunakan dan serangkaian fitur yang kuat yang memungkinkan organisasi Anda dengan cepat mengekstrak insight yang dapat ditindaklanjuti dari data Anda.
IBM SPSS Modeler adalah solusi ilmu data visual dan pembelajaran mesin (ML) terkemuka yang dirancang untuk membantu perusahaan mempercepat waktu untuk mendapatkan nilai dengan mempercepat tugas-tugas operasional bagi para ilmuwan data.
Maksimalkan nilai data perusahaan dan bangun organisasi berbasis wawasan yang memberikan keuntungan bisnis dengan IBM Consulting.
Analisis prediktif modern dapat memberdayakan bisnis Anda untuk menambah data dengan wawasan waktu nyata untuk memprediksi dan membentuk masa depan Anda. Baca panduan ini untuk mempelajari lebih lanjut.
Membangun model ML untuk memperkirakan risiko yang terkait dengan pemberian kartu kredit kepada pemohon, sehingga dapat membantu menilai apakah mereka layak menerimanya.
Lihat cara IBM SPSS Modeler dapat menghasilkan produktivitas ilmu data dan ROI yang cepat dengan menggunakan alat bantu Forrester Consulting yang ditugaskan oleh IBM.