Analiza predictivă face exact cum sună: analizează datele pentru a afla ce s-ar putea întâmpla în viitor. La fel ca în majoritatea predicțiilor, nu este niciodată 100% corectă, dar datele mari și inteligența artificială o fac mult mai precisă.
În timp ce a fost cândva o ramură relativ specializată a matematicii și informaticii, noile tehnologii predictive sunt mai accesibile și mai ușor de aplicat: întreprinderile îl folosesc pentru clienți, cercetătorii îl folosesc pentru boli, agențiile de publicitate îl folosesc pentru a viza consumatorii, băncile îl folosesc pentru a preveni frauda. , iar lista continuă. Deci, cum funcționează cu adevărat analiza predictivă, ce prezice și cât de fiabile sunt previziunile sale?
Cum functioneazã?
Analiza predictivă are câțiva pași generali:
- Aflați ce doriți să preziceți: cât vă va dura să conduceți de la punctul A la punctul B?
- Adunați date istorice / actuale: experiențele anterioare ale dvs. / ale altora pe acest traseu / condițiile actuale.
- Identificați factori importanți: ziua săptămânii, ora din zi, vremea, frecvența întârzierilor etc.
- Creați și „antrenați” un model: încercați să aflați cum fiecare factor a influențat istoric timpul de conducere.
- Conectați informațiile curente și obțineți rezultatul: într-o zi caldă de luni, la ora 17:30, călătoria dvs. vă va lua treizeci de minute.
Acesta este un exemplu simplu, dar dacă ați aruncat vreodată o privire asupra previziunilor de trafic Google Maps, ați folosit așa ceva. Cât de precisă depinde de calitatea datelor istorice și în timp real disponibile, dar poate face aproape întotdeauna o presupunere destul de apropiată, care este ceea ce înseamnă analiza predictivă.
Ce prezice?
Analiza predictivă este utilizată în mod productiv în cercetarea medicală, finanțe, producție, lanțuri de aprovizionare și în alte părți, dar una dintre cele mai profitabile aplicații pentru această tehnologie este analiza și prezicerea comportamentului clienților. Dacă v-ați întrebat vreodată de ce datele dvs. sunt o marfă atât de prețioasă, acesta este unul dintre motivele principale. Cu acces la cantități mari de date istorice ale utilizatorilor, este mult mai ușor pentru companii să își dea seama cum pot apăsa butoanele consumatorilor.
În domeniul sănătății și al medicinii, analiza predictivă este utilizată mai ales pentru a optimiza tratamentele și pentru a găsi noi modalități de combatere a bolilor. Analizând datele istorice ale pacienților, spitalele pot reduce numărul pacienților care trebuie să revină, să creeze planuri de tratament mai personalizate și să obțină evaluări mai precise ale riscurilor. Modelele de analiză predictivă sunt, de asemenea, importante pentru cercetarea bolilor, folosind datele generate de pacienți și populații pentru a identifica factorii de risc, rezultatele tratamentului și multe altele.
Aplicațiile în finanțe se concentrează în mod similar asupra riscului – în mod specific, cine este un pariu sigur pentru un împrumut sau un cont? Aplicarea analizelor predictive poate ajuta instituțiile financiare să identifice persoanele care prezintă un risc ridicat de implicare și să semnaleze mai eficient activitatea de fraudă.
Însă nicio industrie nu este la fel de entuziasmată de analiza predictivă ca și retailul și publicitatea. Imaginați-vă dacă ați putea urmări fiecare mișcare a clientului dvs., să o alimentați într-o bază de date masivă și să o analizați pentru modele. Ați putea afla cine este cel mai probabil să înceteze să vă utilizeze serviciul, ce îi determină pe oameni să continue să utilizeze produsul dvs., cine este cel mai probabil să reacționeze la anumite anunțuri, pe cine să direcționeze cu campaniile dvs. – toate acestea cu date care pot fi actualizate și analizate în mod real timp.
Cât de precise sunt aceste predicții?
Nu există un răspuns unic la această întrebare, deoarece fiecare model este diferit. Calitatea datelor, metodele utilizate pentru a le analiza și o serie de alți factori joacă în cât de precise pot fi predicțiile. Analiza predictivă nu o face tot timpul corectă, dar datorită progreselor în date mari și a inteligenței artificiale, o fac bine Mai Mult a timpului.
Lucrul care face ca datele mari să fie „mari” nu este neapărat cât de mult există, ci cât de eficient pot fi procesate cantități mari de date. O mare parte din statistici s-au bazat în mod istoric pe presupuneri despre populații pe baza eșantioanelor extrase din acele populații, ceea ce adaugă un strat de incertitudine.
Cu toate acestea, instrumentele de date mari fac posibilă utilizarea mult mai mare a datelor disponibile pentru a face predicții, ceea ce le face mult mai probabil să fie corecte. Analiza predictivă face deja o treabă destul de bună de servire a anunțurilor oamenilor și de stabilire a orelor de deplasare și va fi mai eficientă doar în viitor.
Date mari (rele?)
Cum luați decizii bune? Pentru cea mai mare parte a istoriei umane, ne-am folosit creierul pentru a procesa orice intrări sunt disponibile și pentru a acționa în consecință. Deciziile noastre au fost întotdeauna afectate de lipsa de informații exacte, capacitatea limitată de a identifica tiparele și orice număr de prejudecăți.
Un algoritm bine făcut, cu un set de date mare, nu are însă această problemă, iar capacitatea de a descărca o mulțime de muncă mentală pe mașini este un mare pas înainte pentru omenire. Desigur, algoritmii pot fi părtinitori, intenționat sau neintenționat, seturile de date pot fi corupte, iar predicțiile despre comportament pot fi utilizate pentru controlul social la fel de ușor pe cât pot fi utilizate pentru optimizarea experiențelor de retail. Asigurarea faptului că sistemele noastre se dezvoltă pentru a fi transparente și, în general, benefice va avea un impact real asupra modului în care tehnologia modelează (și prezice) viitorul.
Credite de imagine: Reprezentarea vizuală a evenimentelor care alcătuiesc analiza comportamentală, Proces analitic predictiv
