Ano ang mga Predictive Analytics?
Inilarawan ng mahuhulaan na analytics ang paggamit ng mga istatistika at pagmomolde upang matukoy ang hinaharap na pagganap batay sa kasalukuyan at makasaysayang data. Ang mahuhulaan na analytics ay tumingin sa mga pattern sa data upang matukoy kung ang mga pattern na ito ay malamang na lumitaw muli, na nagpapahintulot sa mga negosyo at mamumuhunan na ayusin kung saan ginagamit nila ang kanilang mga mapagkukunan upang samantalahin ang posibleng mga kaganapan sa hinaharap.
Mga Key Takeaways
- Ang mahuhulaan na analytics ay ang paggamit ng mga istatistika at mga pamamaraan sa pagmomolde upang matukoy ang hinaharap na pagganap.Ito ay ginagamit bilang isang tool sa paggawa ng desisyon sa isang iba't ibang mga industriya at disiplina, tulad ng seguro at marketing.Pictictive analytics at pag-aaral ng makina ay madalas na nalilito sa bawat isa ngunit iba ang disiplina nila.
Pag-unawa sa Predictive Analytics
Mayroong maraming mga uri ng mga mapaghulang pamamaraan ng analytics na magagamit. Halimbawa, ang pagmimina ng data ay nagsasangkot ng pagsusuri ng malalaking mga sanga ng data upang makita ang mga pattern mula dito. Ginagawa ang parehong pagsusuri ng teksto, maliban sa malalaking mga bloke ng teksto.
Ang mga mahuhula na modelo ay tinitingnan ang nakaraang data upang matukoy ang posibilidad ng ilang mga kinalabasan sa hinaharap, habang ang mga naglalarawan na modelo ay tumitingin sa nakaraang data upang matukoy kung paano maaaring tumugon ang isang grupo sa isang hanay ng mga variable.
Ang hula na analytics ay isang tool sa paggawa ng desisyon sa iba't ibang mga industriya. Halimbawa, sinusuri ng mga kumpanya ng seguro ang mga aplikante ng patakaran upang matukoy ang posibilidad na magbayad para sa isang paghahabol sa hinaharap batay sa kasalukuyang panganib ng mga magkakaparehong patakaran, pati na rin ang mga nakaraang kaganapan na nagresulta sa mga pagbabayad. Titingnan ng mga namimili kung paano tumugon ang mga mamimili sa pangkalahatang ekonomiya kapag nagpaplano sa isang bagong kampanya, at maaaring gumamit ng mga pagbabago sa mga demograpiko upang matukoy kung ang kasalukuyang pinaghalong mga produkto ay ma-engganyo ang mga mamimili na gumawa ng isang pagbili.
Ang mga aktibong mangangalakal ay tumingin sa iba't ibang mga sukatan batay sa mga nakaraang kaganapan kapag nagpapasya kung bumili o magbenta ng seguridad. Ang paglipat ng mga average, band at break point ay batay sa data ng makasaysayang, at ginagamit upang matantya ang mga paggalaw ng presyo sa hinaharap.
Mga Karaniwang Hindi Pagkakamali ng Predictive Analytics
Ang isang karaniwang maling kuru-kuro ay ang mahuhulaan na analytics at pag-aaral ng machine ay magkatulad na mga bagay. Sa core nito, ang predictive analytics ay may kasamang serye ng mga istatistikong istatistika (kabilang ang pagkatuto ng makina, mahuhulaan na pagmomolde, at pagmimina ng data) at gumagamit ng mga istatistika (kapwa makasaysayan at kasalukuyang) upang matantya, o mahulaan, sa mga resulta sa hinaharap. Ang mga mahuhulaan na analytics ay tumutulong sa amin upang maunawaan ang mga posibleng mga pangyayari sa hinaharap sa pamamagitan ng pagsusuri sa nakaraan. Sapagkat ang pag-aaral ng makina, sa kabilang banda, ay isang subfield ng science sa computer na, tulad ng kahulugan ng 1959 ni Arthur Samuel — isang Amerikanong payunir sa larangan ng paglalaro ng computer at artipisyal na katalinuhan na nagbibigay sa "mga computer ng kakayahang matuto nang hindi malinaw na na-program."
Ang pinakakaraniwang mahuhulaang modelo ay kinabibilangan ng mga puno ng pagpapasya, regresyon (linear at logistic) at mga neural network - na ang umuusbong na larangan ng mga pamamaraan ng malalim na pag-aaral.
Halimbawa ng Predictive Analytics
Ang pagtataya ay isang mahalagang gawain sa pagmamanupaktura dahil tinitiyak nito ang pinakamainam na paggamit ng mga mapagkukunan sa isang supply chain. Ang mga kritikal na tagapagsalita ng supply chain wheel, kung ito ay pamamahala ng imbentaryo o palapag ng shop, ay nangangailangan ng tumpak na mga pagtataya para sa paggana. Ang mahuhulaan na pagmomolde ay madalas na ginagamit upang linisin at mai-optimize ang kalidad ng data na ginamit para sa mga naturang mga pagtataya. Tinitiyak ng pagmomodelo na mas maraming data ang maaaring masuri ng system, kabilang ang mula sa mga operasyon na nakaharap sa customer, upang masiguro ang isang mas tumpak na forecast.
