Ennakoiva analytiikka käyttää historiadataa, tilastotiedettä ja koneoppimista todennäköisten tulevien tapahtumien arvioimiseen. Se vastaa kysymyksiin, kuten: mitkä asiakkaat ovat irtisanomassa sopimuksensa? Paljonko varastoa tarvitaan ensi kuussa? Milloin kone todennäköisesti rikkoutuu? Tulokset ovat todennäköisyyksiä, eivät varmuuksia. Niiden arvo riippuu paljon datan laadusta ja siitä, vaikuttavatko ennusteet todella päätöksiin ja prosesseihin.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoEnnustemallinnus on ennakoivan analytiikan tekninen ydin: esimerkkidatasta, jonka lopputulokset tunnetaan, rakennetaan malli, joka ennustaa uusille tapauksille arvon tai luokan. Yleisiä menetelmiä ovat regressio, päätöspuut, satunnaismetsät ja neuroverkot. Malli voi esimerkiksi arvioida kiinteistön hinnan pinta-alan, sijainnin ja rakennusvuoden perusteella. Ennen käyttöönottoa se testataan pidätetyllä datalla ylisovittumisen havaitsemiseksi.
Koneoppiminen on tekoälyn haara, jossa tietokoneet johtavat kuvioita datasta sen sijaan, että jokainen sääntö ohjelmoitaisiin erikseen. Tehtävästä riippuen mallit oppivat merkityistä esimerkeistä (ohjattu oppiminen), merkitsemättömästä datasta (ohjaamaton oppiminen) tai palkkioiden kautta (vahvistusoppiminen). Sovelluksia ovat roskapostisuodattimista ja kysyntäennusteista tuotesuosituksiin. Laatu riippuu vahvasti koulutusdatan määrästä ja laadusta.
Tiedonlouhinta on suurten aineistojen järjestelmällistä läpikäyntiä säännönmukaisuuksien, yhteyksien ja poikkeamien löytämiseksi. Siinä hyödynnetään tilastollisia menetelmiä ja koneoppimisen tekniikoita, kuten klusterointia, luokittelua tai assosiaatioanalyysia. Klassinen esimerkki on vähittäiskaupan ostoskorianalyysi, joka paljastaa, mitä tuotteita ostetaan usein yhdessä – perusta valikoimalle, sijoittelulle ja suosituksille.
Eksploratiivinen data-analyysi (EDA) on ensimmäinen, avoin katsaus aineistoon: lasketaan yhteenvetolukuja, tarkastellaan jakaumia ja kaavioita ja etsitään kuvioita, poikkeavia arvoja ja puuttuvia arvoja – ilman vielä kiinteää hypoteesia. Se auttaa arvioimaan datan laatua ja löytämään mielekkäitä kysymyksiä jatkoanalyysia tai mallinnusta varten. Esimerkki: ennen myyntiennustetta EDA paljastaa, että yksi kuukausi kirjattiin puutteellisesti järjestelmämigraation vuoksi.
