A prediktív analitika történeti adatokat, statisztikát és gépi tanulást használ a valószínű jövőbeli események becslésére. Olyan kérdésekre ad választ, mint: mely ügyfelek készülnek lemondani? Mennyi készletre lesz szükség a következő hónapban? Mikor valószínű egy gép meghibásodása? Az eredmények valószínűségek, nem bizonyosságok. Értékük nagymértékben függ az adatok minőségétől, és attól, hogy az előrejelzések ténylegesen beépülnek-e a döntésekbe és a folyamatokba.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA prediktív modellezés a prediktív analitika technikai magja: ismert eredményű példaadatokból olyan modellt építenek, amely új esetekre értéket vagy osztályt jósol. Gyakori módszerek a regresszió, a döntési fák, a véletlen erdők és a neurális hálózatok. Egy modell például egy ingatlan árát becsülheti az alapterületből, a fekvésből és az építési évből. Az üzembe helyezés előtt visszatartott adatokon tesztelik, hogy kiszűrjék a túlillesztést.
A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek mintázatokat vezetnek le az adatokból ahelyett, hogy minden szabályt kifejezetten beprogramoznának. A feladattól függően a modellek címkézett példákból (felügyelt), címkézetlen adatokból (felügyelet nélküli) vagy jutalmakon keresztül (megerősítéses) tanulnak. Az alkalmazások a spamszűrőktől és kereslet-előrejelzésektől a termékajánlásokig terjednek. A minőség nagymértékben függ a tanítóadatok mennyiségétől és minőségétől.
Az adatbányászat nagy adathalmazok szisztematikus átvizsgálása mintázatok, összefüggések és anomáliák után. Statisztikai eljárásokra és gépi tanulási módszerekre épül, mint a klaszterezés, az osztályozás vagy az asszociációelemzés. Klasszikus példa a kiskereskedelmi kosárelemzés, amely megmutatja, mely termékeket vásárolják gyakran együtt – ez a termékkínálat, az elhelyezés és az ajánlások alapja.
A feltáró adatelemzés (Exploratory Data Analysis, EDA) egy adathalmaz első, nyitott szemlélése: összesítő mutatókat számolnak, eloszlásokat és diagramokat vizsgálnak, mintázatokat, kiugró értékeket és hiányzó értékeket keresnek – még rögzített hipotézis nélkül. Segít felmérni az adatminőséget, és értelmes kérdéseket találni a további elemzéshez vagy modellezéshez. Példa: egy értékesítési előrejelzés előtt az EDA kimutatja, hogy az egyik hónapot rendszermigráció miatt hiányosan rögzítették.
