Analiza predictivă folosește date istorice, statistică și învățare automată pentru a estima evenimente viitoare probabile. Răspunde la întrebări precum: care clienți urmează să renunțe? Ce stoc va fi necesar luna viitoare? Când este probabil să se defecteze un utilaj? Rezultatele sunt probabilități, nu certitudini. Valoarea lor depinde în mare măsură de calitatea datelor și de faptul că predicțiile ajung efectiv în decizii și procese.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulModelarea predictivă este nucleul tehnic al analizei predictive: pe baza unor date-exemplu cu rezultate cunoscute se construiește un model care prezice o valoare sau o clasă pentru cazuri noi. Metodele uzuale includ regresia, arborii de decizie, pădurile aleatorii și rețelele neuronale. Un model poate estima, de exemplu, prețul unei proprietăți pornind de la suprafața locuibilă, amplasare și anul construcției. Înainte de utilizare, este testat pe date păstrate deoparte, pentru a detecta supraajustarea.
Machine learning este o ramură a inteligenței artificiale în care computerele deduc tipare din date, în loc ca fiecare regulă să fie programată explicit. În funcție de sarcină, modelele învață din exemple etichetate (supervizat), din date neetichetate (nesupervizat) sau prin recompense (prin întărire). Aplicațiile merg de la filtrele de spam și prognozele de cerere până la recomandările de produse. Calitatea depinde în mare măsură de cantitatea și calitatea datelor de antrenare.
Data mining înseamnă căutarea sistematică, în seturi mari de date, a tiparelor, relațiilor și anomaliilor. Se bazează pe tehnici statistice și pe metode de machine learning, precum clusterizarea, clasificarea sau analiza asocierilor. Un exemplu clasic este analiza coșului de cumpărături din comerțul cu amănuntul, care arată ce produse se cumpără frecvent împreună – o bază pentru sortiment, amplasare și recomandări.
Analiza exploratorie a datelor (EDA) este prima privire deschisă asupra unui set de date: se calculează indicatori sintetici, se examinează distribuțiile și graficele și se caută tipare, valori aberante și valori lipsă – încă fără o ipoteză fixă. Ajută la evaluarea calității datelor și la formularea unor întrebări potrivite pentru analize sau modelări ulterioare. Exemplu: înaintea unei prognoze de vânzări, EDA arată că o lună a fost înregistrată incomplet din cauza unei migrări de sistem.
