Napovedna analitika uporablja zgodovinske podatke, statistiko in strojno učenje za oceno verjetnih prihodnjih dogodkov. Odgovarja na vprašanja, kot so: katere stranke se bodo kmalu odjavile? Koliko zalog bo potrebnih naslednji mesec? Kdaj bo stroj verjetno odpovedal? Rezultati so verjetnosti, ne gotovosti. Njihova vrednost je močno odvisna od kakovosti podatkov in od tega, ali napovedi dejansko vplivajo na odločitve in procese.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevNapovedno modeliranje je tehnično jedro napovedne analitike: iz primerov podatkov z znanimi izidi se zgradi model, ki za nove primere napove vrednost ali razred. Pogoste metode so regresija, odločitvena drevesa, naključni gozdovi in nevronske mreže. Model lahko na primer oceni ceno nepremičnine na podlagi površine, lokacije in leta izgradnje. Pred uvedbo se preizkusi na zadržanih podatkih, da se odkrije preveliko prileganje.
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
Podatkovno rudarjenje je sistematično iskanje vzorcev, povezav in nepravilnosti v velikih podatkovnih zbirkah. Opira se na statistične tehnike in metode strojnega učenja, kot so razvrščanje v skupine, klasifikacija ali analiza asociacij. Klasičen primer je analiza nakupovalne košarice v trgovini, ki pokaže, kateri izdelki se pogosto kupijo skupaj – osnova za izbor ponudbe, postavitev in priporočila.
Raziskovalna analiza podatkov (EDA) je prvi, odprt pogled na podatkovno zbirko: izračunate povzetke, preučite porazdelitve in grafikone ter iščete vzorce, osamelce in manjkajoče vrednosti – še brez trdne hipoteze. Pomaga oceniti kakovost podatkov in poiskati smiselna vprašanja za nadaljnjo analizo ali modeliranje. Primer: pred napovedjo prodaje EDA razkrije, da je bil en mesec zaradi selitve sistema zabeležen nepopolno.
