Предиктивната аналитика използва исторически данни, статистика и машинно обучение, за да оцени вероятни бъдещи събития. Тя отговаря на въпроси като: кои клиенти са на път да се откажат? Колко запаси ще са необходими следващия месец? Кога вероятно ще се повреди една машина? Резултатите са вероятности, а не сигурност. Стойността им зависи силно от качеството на данните и от това дали прогнозите наистина влияят върху решенията и процесите.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоПредиктивното моделиране е техническото ядро на предиктивната аналитика: примерни данни с известни резултати се използват за построяване на модел, който предвижда стойност или клас за нови случаи. Често използвани методи са регресията, дърветата на решенията, случайните гори и невронните мрежи. Моделът може например да оцени цената на имот въз основа на жилищната площ, местоположението и годината на построяване. Преди внедряване той се тества върху задържани данни, за да се открие свръхнагласяне.
Машинното обучение е дял от изкуствения интелект, при който компютрите извеждат закономерности от данни, вместо всяко правило да бъде изрично програмирано. В зависимост от задачата моделите се учат от анотирани примери (с надзор), от неанотирани данни (без надзор) или чрез награди (с подкрепление). Приложенията вариират от спам филтри и прогнози за търсенето до препоръки за продукти. Качеството зависи силно от количеството и качеството на обучителните данни.
Извличането на данни (data mining) е системно търсене на закономерности, връзки и аномалии в големи масиви от данни. То използва статистически методи и методи на машинното обучение, като клъстеризация, класификация или асоциативен анализ. Класически пример е анализът на пазарната кошница в търговията на дребно, който показва кои продукти често се купуват заедно – основа за асортимента, разположението и препоръките.
Проучвателният анализ на данни (Exploratory data analysis, EDA) е първият, непредубеден поглед към даден масив от данни: изчисляват се обобщаващи показатели, разглеждат се разпределения и диаграми и се търсят закономерности, отклонения и липсващи стойности – още без фиксирана хипотеза. Той помага да се оцени качеството на данните и да се намерят смислени въпроси за по-нататъшен анализ или моделиране. Пример: преди прогноза за продажбите EDA показва, че един месец е записан непълно поради миграция на системата.
