Analizy predykcyjne

Modele analiz predykcyjnych są przeznaczone do oceny danych historycznych, wykrywania wzorców, obserwowania trendów i wykorzystywania tych informacji do przewidywania przyszłych trendów. Popularne modele analiz predykcyjnych obejmują klasyfikację, grupowanie, prognozy, wartości odstające i serie czasowe. Wszystkie z nich zostały szczegółowo opisane poniżej.

Modele klasyfikacyjne
Modele klasyfikacyjne są zaliczane do nadzorowanych modeli uczenia maszynowego. Umieszczają one dane w kategoriach na podstawie wniosków z danych historycznych. Modele takie są powszechnie używane w przypadku odpowiadania na pytania z binarnymi wynikami, takimi jak odpowiedzi „tak” lub „nie”, czy też „prawda” i „fałsz”. Do rodzajów modeli klasyfikacyjnych zalicza się regresję logistyczną, drzewa decyzyjne, lasy losowe, sieci neuronowe i naiwny klasyfikator bayesowski.

Modele grupowania
Modele grupowania są zaliczane do uczenia nienadzorowanego. Sortują one dane na grupy w oparciu o podobne atrybuty. Na przykład serwis handlu elektronicznego może użyć takiego modelu do podzielenia klientów na podobne grupy w oparciu o wspólne cechy i opracować strategie marketingowe dla każdej z tych grup. Powszechnie stosowane algorytmy grupowania obejmują grupowanie k-średnich, grupowanie średniego przesunięcia, grupowanie przestrzenne aplikacji z szumem oparte na gęstościach (DBSCAN), grupowanie z maksymalizacją oczekiwań (EM) przy użyciu modeli mieszaniny Gaussa (GMM) oraz grupowanie hierarchiczne.

Modele prognostyczne
Modele prognostyczne wykorzystują predykcję wartości metrycznych, szacując wartość liczbową dla nowych danych na podstawie trendów z danych historycznych. Na przykład call center może użyć takiego modelu do prognozowania ilości połączeń, które otrzyma w ciągu godziny. Przykładami modeli prognostycznych są modele serii czasowych i modele ekonometryczne.

Modele wartości odstających
Modele wartości odstających służą do analizy anomalii w zbiorze danych. Na przykład oznaczenie anomalii na listach transakcji pomaga firmom ubezpieczeniowym wykrywać oszustwa.Do popularnych metod wykrywania wartości odstających zalicza się analizę wartości skrajnych, modelowanie probabilistyczne i statystyczne, regresję liniową, modelowanie oparte na bliskości i modelowanie teorii informacji.

Modele serii czasowych
Modele serii czasowych wykorzystują sekwencję punktów danych, używając czasu jako parametru wejściowego. Mogą one brać pod uwagę dane z ostatniego roku, obliczać metrykę liczbową i używać jej do przewidywania danych z trzech do sześciu tygodni. Model serii czasowej może być na przykład wykorzystany przez szpital do przewidywania pojemności izby przyjęć na podstawie liczby pacjentów, którzy pojawili się w ciągu ostatnich sześciu tygodni.

Analiza predykcyjna rozpoczyna się od określenia celu biznesowego, np. zmniejszenia ilości odpadów, oszczędności czasu lub obniżenia kosztów. Proces ten wykorzystuje modele do przetwarzania ogromnych zbiorów danych, aby wygenerować wyniki wspierające ten cel.

Przykładowo proces analizy predykcyjnej dla przewidywania przychodów ze sprzedaży przebiega według następujących podstawowych kroków.

1. Import danych z różnych źródeł. Źródła danych w tym przypadku obejmują sprzedaż produktów, budżety marketingowe i krajowy PKB.
2. Oczyszczenie danych poprzez usunięcie wartości odstających (np. skoków danych, brakujących danych) oraz ich agregację. Do agregacji różnych typów danych, takich jak sprzedaż produktów, budżety marketingowe i krajowy PKB, może być użyta pojedyncza tabela.
3. Opracowanie modelu predykcyjnego w sposób zapewniający odpowiednie dopasowanie. Na przykład do budowy i treningu modelu predykcyjnego dla prognozowania przychodów mogą być używane sieci neuronowe.
4. Wdrożenie modelu w środowisku produkcyjnym, gdzie może być on dostępny za pośrednictwem innych aplikacji.

Analizy predykcyjne stanowią kluczowy element strategii wykorzystania analiz — klasyczne analizy statystyczne łączą się w nich z nowym światem sztucznej inteligencji (AI). Obecnie intuicyjne w obsłudze narzędzia, nowe techniki predykcyjne i modele wdrażania chmur hybrydowych przenikają się w bezprecedensowy w historii sposób. Dzięki temu analizy i modele predykcyjne jeszcze nigdy nie znajdowały się w tak bliskim zasięgu. Po raz pierwszy organizacje każdej wielkości mogą dysponować narzędziami umożliwiającymi wbudowanie mechanizmów analizy predykcyjnej w procesy biznesowe i wykorzystanie sztucznej inteligencji na dużą skalę.

Ewolucja w kierunku korporacyjnego programu analityki wielkich zbiorów danych może przynieść znaczącą przewagę konkurencyjną. Typowe etapy takiej ewolucji to:

Faza 1: Pierwsze kroki

Kiedy przedsiębiorstwo decyduje się zbudować swoje mechanizmy analityki wielkich zbiorów danych, zwykle zaczyna od projektów ad hoc, takich jak tworzenie modeli w celu odpowiedzi na konkretne pytania lub wsparcia projektów badawczych. Dzięki rozwiązaniom takim jak IBM Watson Studio Desktop analitycy danych mogą pracować przez 24 godziny na dobę na własnych komputerach lub laptopach i w razie potrzeby synchronizować się z większym zespołem.

Faza 2: Rozszerzenie zastosowania

W miarę coraz powszechniejszego stosowania analityki wielkich zbiorów danych w całym przedsiębiorstwie różne działy wdrażają swoje modele, łączą je ze źródłami danych i wprowadzają do aplikacji produkcyjnych. IBM Watson Studio i IBM Watson Machine Learning ułatwiają zespołom analitycznym i IT współpracę w tym cyklu życia.

Faza 3: Wdrożenie w skali przedsiębiorstwa

Po wbudowaniu mechanizmów sztucznej inteligencji w procesy o newralgicznym znaczeniu organizacje muszą stworzyć centralną platformę do zarządzania modelami i danymi oraz do ich nadzorowania. IBM Cloud Pak for Data może zapewnić infrastrukturę i narzędzia niezbędne do opracowania kompleksowej, wielochmurowej platformy, która będzie działać jako pojedynczy punkt kontroli.