Prognozinė analitika naudoja istorinius duomenis, statistiką ir mašininį mokymąsi, kad įvertintų tikėtinus būsimus įvykius. Ji atsako į tokius klausimus: kurie klientai ketina nutraukti sutartį? Kiek atsargų reikės kitą mėnesį? Kada tikėtina mašinos gedimas? Rezultatai yra tikimybės, o ne tikrumas. Jų vertė labai priklauso nuo duomenų kokybės ir nuo to, ar prognozės iš tikrųjų panaudojamos sprendimams ir procesams.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąPrognozinis modeliavimas yra prognozinės analitikos techninė šerdis: naudojant pavyzdinius duomenis su žinomais rezultatais sukuriamas modelis, kuris prognozuoja reikšmę ar klasę naujiems atvejams. Įprasti metodai: regresija, sprendimų medžiai, atsitiktiniai miškai ir neuroniniai tinklai. Pavyzdžiui, modelis gali įvertinti nekilnojamojo turto kainą pagal plotą, vietą ir statybos metus. Prieš diegiant jis išbandomas su atidėtais duomenimis, kad būtų aptiktas persimokymas.
Mašininis mokymasis yra dirbtinio intelekto šaka, kurioje kompiuteriai dėsningumus išveda iš duomenų, o ne turi aiškiai užprogramuotą kiekvieną taisyklę. Priklausomai nuo užduoties, modeliai mokosi iš pažymėtų pavyzdžių (su priežiūra), iš nepažymėtų duomenų (be priežiūros) arba per atlygius (sustiprintas mokymasis). Taikymai apima nuo šlamšto filtrų ir paklausos prognozių iki produktų rekomendacijų. Kokybė labai priklauso nuo mokymo duomenų kiekio ir kokybės.
Duomenų gavyba – tai sistemingas didelių duomenų rinkinių tyrimas siekiant rasti dėsningumų, ryšių ir anomalijų. Ji remiasi statistiniais metodais ir mašininio mokymosi technikomis, pavyzdžiui, klasterizavimu, klasifikavimu ar asociacijų analize. Klasikinis pavyzdys – pirkinių krepšelio analizė mažmeninėje prekyboje, rodanti, kokios prekės dažnai perkamos kartu; tai asortimento, išdėstymo ir rekomendacijų pagrindas.
Tiriamoji duomenų analizė (angl. exploratory data analysis, EDA) – tai pirmoji, atvira duomenų rinkinio apžvalga: skaičiuojate suvestinius rodiklius, nagrinėjate skirstinius ir diagramas, ieškote dėsningumų, nuokrypių ir trūkstamų reikšmių – dar neturėdami tvirtos hipotezės. Ji padeda įvertinti duomenų kokybę ir rasti prasmingų klausimų tolesnei analizei ar modeliavimui. Pavyzdys: prieš pardavimų prognozę EDA atskleidžia, kad vienas mėnuo dėl sistemos migracijos buvo užfiksuotas nepilnai.
