Kauzalno zaključivanje obuhvaća metode za izvođenje uzročno-posljedičnih veza iz podataka, umjesto da se samo utvrđuju korelacije. Odgovara na pitanja poput „Što bi se dogodilo da nismo poduzeli ovu mjeru?”. Alati uključuju randomizirane pokuse poput A/B testova, uzročne grafove i statističke tehnike za opservacijske podatke. Primjer: provjera je li kampanja popusta doista povećala prodaju ili bi ona porasla i bez nje zbog sezonskih razloga.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoBayesove mreže grafički su modeli koji varijable prikazuju kao čvorove, a njihove probabilističke ovisnosti kao usmjerene strelice. Primjenom Bayesova teorema pokazuju kako nova opažanja mijenjaju vjerojatnost drugih događaja. Jedan je primjer dijagnostička podrška: procjena najvjerojatnijeg uzroka na temelju uočenih simptoma. Njihove su prednosti transparentnost i sposobnost rada s nesigurnim ili nepotpunim podacima.
Prediktivna analitika koristi povijesne podatke, statistiku i strojno učenje za procjenu vjerojatnih budućih događaja. Odgovara na pitanja poput: koji klijenti namjeravaju otkazati? Koliko će zaliha biti potrebno sljedeći mjesec? Kada će vjerojatno otkazati neki stroj? Rezultati su vjerojatnosti, a ne sigurnosti. Njihova vrijednost uvelike ovisi o kvaliteti podataka i o tome ulaze li predviđanja doista u odluke i procese.
U području UI-ja pristranost označava sustavno iskrivljenje rezultata. Često proizlazi iz neuravnoteženih ili povijesno iskrivljenih podataka za učenje, ali i iz dizajna modela ili načina na koji je pitanje postavljeno. Poznat primjer: alat za probir kandidata koji uči iz prošlih odluka o zapošljavanju može produljiti postojeće nepovoljne položaje. U statistici pristranost označava i odstupanje procjene od stvarne vrijednosti. Protumjere uključuju raznolike podatke, redovite revizije i ljudske odluke u kadrovskim pitanjima.
Eksplorativna analiza podataka (EDA) prvi je, otvoreni pogled na skup podataka: računaju se sažete brojke, ispituju distribucije i grafikoni te traže obrasci, odstupanja i nedostajuće vrijednosti – još bez čvrste hipoteze. Pomaže procijeniti kvalitetu podataka i pronaći smislena pitanja za daljnju analizu ili modeliranje. Primjer: prije prognoze prodaje EDA otkriva da je jedan mjesec zbog migracije sustava nepotpuno evidentiran.
