Wie einen Algorithmus für ein Predictive Analysis Modell zu wählen
Verschiedene statistische, Data-Mining und Maschinenlernalgorithmen sind für den Einsatz in Ihrem prädiktive Analysemodell zur Verfügung. Sie sind in einer besseren Position, einen Algorithmus zu wählen, nachdem Sie die Ziele Ihres Modells definiert haben und die Daten ausgewählt denen Sie arbeiten werden.
Einige dieser Algorithmen wurden entwickelt, um spezifische Geschäftsprobleme zu lösen, zur Verbesserung vorhandener Algorithmen oder neue Funktionen bieten - die einige von ihnen besser geeignet für Ihre Zwecke als andere können machen. Sie können aus einer Reihe von Algorithmen wählen, um Geschäftsinteressen wie die folgende Adresse:
Für die Kundensegmentierung und / oder Community-Erkennung im sozialen Bereich, zum Beispiel, würden Sie Clustering-Algorithmen benötigen.
Für die Kundenbindung oder ein Empfehlungssystem zu entwickeln, würden Sie Klassifikationsalgorithmen verwenden.
Für Kredit-Scoring oder das nächste Ergebnis der zeitgesteuerten Ereignisse vorherzusagen, würden Sie einen Regressionsalgorithmus verwenden.
Im Laufe der Zeit und Ressourcen erlauben, sollten Sie so viele Algorithmen des entsprechenden Typs laufen, wie Sie können. Vergleicht man verschiedene Abfahrten verschiedener Algorithmen können überraschende Erkenntnisse über die Daten bringen oder die Business Intelligence in den Daten eingebettet. so gibt Ihnen mehr detaillierten Einblick in die Business-Problem zu tun, und hilft Ihnen, welche Variablen innerhalb Ihrer Daten Vorhersagekraft zu identifizieren.
Einige Predictive Analytics-Projekte gelingen am besten durch ein Gebäude Ensemble-Modell, eine Gruppe von Modellen, die auf der gleichen Daten arbeiten. Ein Ensemble-Modell verwendet einen vordefinierten Mechanismus Ergebnisse aller seiner Komponentenmodelle zu sammeln und eine endgültige Ergebnis für den Benutzer bereitstellen.
Die Modelle können verschiedene Formen annehmen - eine Abfrage, eine Sammlung von Szenarien, einen Entscheidungsbaum oder eine erweiterte mathematische Analyse. Darüber hinaus arbeiten bestimmte Modelle am besten für bestimmte Daten und Analysen. Sie können (zum Beispiel) verwenden Klassifikationsalgorithmen, die Entscheidungsregeln verwenden, um das Ergebnis einer bestimmten Szenario oder Transaktion, auf Fragen wie diese zu entscheiden:
Ist dieser Kunde wahrscheinlich auf unsere Marketing-Kampagne zu reagieren?
Ist das Geld-Transfer wahrscheinlich Teil eines Geldwäschesystem sein?
Ist das Darlehen Antragsteller wahrscheinlich auf das Darlehen Standard?
Sie können nicht überwachten Clustering-Algorithmen verwenden, um herauszufinden, welche Beziehungen innerhalb Ihres Datensatzes vorhanden sind. Sie können diese Algorithmen verwenden, um verschiedene Gruppierungen bei Ihren Kunden zu finden, bestimmen, welche Dienste in Gruppen zusammengefasst werden können, oder beispielsweise entscheiden, welche Produkte upsold werden kann.
Regression Algorithmen kann seine Vergangenheit Preise kontinuierlich Daten zu prognostizieren, wie die Vorhersage der Trend für eine Lagerbewegung gegeben werden.
Daten und Business-Ziele sind nicht die einzigen Faktoren, die zu berücksichtigen, wenn Sie einen Algorithmus sind auswählen. Das Know-how Ihrer Daten Wissenschaftler ist von unschätzbarem Wert in diesem punkt- einen Algorithmus Kommissionierung, die die Arbeit erledigt ist oft eine schwierige Kombination von Wissenschaft und Kunst erhalten.
Die Kunst Teil stammt aus der Erfahrung und Kompetenz in der Business-Bereich, der auch eine wichtige Rolle spielt, ein Modell zu identifizieren, die genau Geschäftsziele dienen können.