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.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoPrediktivno modeliranje tehnička je jezgra prediktivne analitike: pomoću primjera podataka s poznatim ishodima gradi se model koji za nove slučajeve predviđa vrijednost ili klasu. Uobičajene metode su regresija, stabla odlučivanja, slučajne šume i neuronske mreže. Model može, primjerice, procijeniti cijenu nekretnine na temelju površine, lokacije i godine izgradnje. Prije primjene testira se na izdvojenim podacima kako bi se otkrila pretreniranost.
Strojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
Rudarenje podataka je sustavno pretraživanje velikih skupova podataka u potrazi za obrascima, odnosima i anomalijama. Koristi statističke tehnike i metode strojnog učenja poput klasteriranja, klasifikacije ili analize asocijacija. Klasičan primjer je analiza košarice u maloprodaji, koja pokazuje koji se proizvodi često kupuju zajedno – temelj za asortiman, raspored i preporuke.
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.
