Kauzální inference zahrnuje metody, které z dat odvozují vztahy příčiny a následku, místo aby jen zjišťovaly korelace. Odpovídá na otázky jako „Co by se stalo, kdybychom toto opatření neprovedli?“. K nástrojům patří randomizované experimenty, například A/B testy, kauzální grafy a statistické techniky pro observační data. Příklad: ověření, zda slevová kampaň skutečně zvýšila prodej, nebo zda by tržby stoupaly i tak ze sezónních důvodů.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoBayesovské sítě jsou grafické modely, které znázorňují proměnné jako uzly a jejich pravděpodobnostní závislosti jako orientované šipky. Pomocí Bayesovy věty ukazují, jak nová pozorování mění pravděpodobnost jiných událostí. Příkladem je podpora diagnostiky: odhad nejpravděpodobnější příčiny z pozorovaných příznaků. Jejich silnými stránkami jsou transparentnost a schopnost pracovat s nejistými nebo neúplnými daty.
Prediktivní analytika využívá historická data, statistiku a strojové učení k odhadu pravděpodobných budoucích událostí. Odpovídá na otázky, jako: Kteří zákazníci chtějí odejít? Kolik zásob bude potřeba příští měsíc? Kdy se pravděpodobně porouchá stroj? Výsledkem jsou pravděpodobnosti, nikoli jistoty. Jejich hodnota výrazně závisí na kvalitě dat a na tom, zda se předpovědi skutečně promítnou do rozhodnutí a procesů.
V oblasti AI označuje bias (zkreslení) systematické zkreslení výsledků. Často pramení z nevyvážených nebo historicky zkreslených trénovacích dat, ale také z návrhu modelu nebo ze způsobu, jakým je otázka formulována. Známý příklad: nástroj pro předvýběr uchazečů, který se učí z minulých rozhodnutí o přijetí, může prohlubovat existující znevýhodnění. Ve statistice bias znamená také odchylku odhadu od skutečné hodnoty. K protiopatřením patří rozmanitá data, pravidelné audity a lidská rozhodnutí v personálních záležitostech.
Průzkumová analýza dat (EDA) je první, otevřený pohled na datový soubor: počítáte souhrnné ukazatele, zkoumáte rozdělení a grafy a hledáte vzorce, odlehlé hodnoty a chybějící hodnoty – zatím bez pevné hypotézy. Pomáhá posoudit kvalitu dat a najít smysluplné otázky pro další analýzu nebo modelování. Příklad: před prognózou prodeje EDA odhalí, že jeden měsíc byl kvůli migraci systému zaznamenán neúplně.
