A Melhor análise Preditiva Técnicas
Em nossa era, os clientes podem facilmente saltar de uma marca para outra, deixando as empresas pouco espaço para erro. Neste contexto, as empresas devem esforçar-se por assegurar uma experiência exemplar do cliente em todas as interacções. Além disso, como os dados de negócios estão tão prontamente disponíveis e a concorrência é tão feroz, as empresas enfrentam uma enorme pressão para racionalizar suas operações ou risco de desaparecimento.como as empresas desenvolvem uma compreensão de como a ação passada e o comportamento afetam os resultados futuros? Com a área de análise preditiva, é mais fácil do que nunca para as empresas antecipar as expectativas dos clientes. ao fazê-lo, permite-lhes não só preservar a experiência do cliente, mas também reduzir os custos, aumentar a eficiência e melhorar as condições de trabalho, entre uma miríade de outros benefícios. Com isso em mente, vamos dar uma olhada mais de perto na análise preditiva.
o que é a análise preditiva?
a análise preditiva é a prática de prever tendências futuras, analisando dados recolhidos. Com uma visão dos padrões passados, as organizações podem adaptar as suas estratégias operacionais e de marketing para melhor servir os seus clientes. Além das melhorias operacionais, as empresas ganham uma vantagem em áreas-chave como detecção de fraudes e gerenciamento de inventário.
a análise preditiva está intimamente ligada à aprendizagem da máquina. Independentemente da técnica específica, uma organização pode empregar, o processo geral começa com um algoritmo que treina a si mesma por ter acesso a um resultado compreendido (como uma compra de cliente).
os algoritmos de treino usam essa informação para aprender a prever resultados futuros, eventualmente desenvolvendo-se num modelo pronto a usar que é capaz de absorver variáveis de entrada adicionais, como a hora do dia e o tempo.as organizações que empregam análises preditivas tornam-se marcadamente mais produtivas, rentáveis e flexíveis. Vamos dar uma olhada mais de perto nos benefícios da análise preditiva.
benefícios da análise preditiva
À medida que as empresas se tornam capazes de prever a demanda do cliente com maior precisão, eles são capazes de reduzir os custos, otimizando tanto seu inventário e campanhas de marketing.
eles também podem alavancar técnicas de análise preditiva para aumentar a eficiência dos negócios. Por exemplo, uma companhia aérea pode otimizar os preços dos bilhetes com base na demanda esperada por algoritmos preditivos. Analisando dados históricos e considerando as condições atuais (ex., uma pandemia), as companhias aéreas ganham insight em variáveis como os tempos de espera, os tempos de chegada e o tráfego sazonal.
dados grandes e análises preditivas
Uma vez que a análise preditiva depende de dados, muitos dos dados disponíveis não significariam uma análise de preditiva sonora? Surpreendentemente, não seria. embora muitas empresas mostram interesse em técnicas de análise preditiva, muito poucas são capazes de fazer sentido de todos os dados que estão coletando.
na verdade, muitas empresas se envolvem em análises descritivas: a análise de dados passados. Enquanto a análise preditiva olha para os resultados do passado, ela visa prever padrões e tendências futuras, e então tomar decisões inteligentes com base nesses achados.
portanto, a análise preditiva não necessariamente inclui a análise de todos os grandes dados. Com isso em mente, vamos olhar para as técnicas de análise preditiva específicas que não só analisam dados, mas formam a base para a previsão precisa.
técnicas de Análise Preditiva
a análise preditiva combina várias técnicas de análise de dados, tais como aprendizagem de máquinas, mineração de dados e estatísticas. Como a aprendizagem de máquinas compreende o núcleo da análise preditiva, vamos nos concentrar em como podemos usar abordagens específicas baseadas em previsões dentro do campo de aprendizagem de máquinas para obter uma melhor visão sobre eventos e tendências futuras.
modelo de classificação
a maioria dos algoritmos de aprendizagem de máquinas caem numa de duas categorias: baseados na regressão baseada na classificação. Ambos os tipos têm diferentes aplicações de análise preditiva, enquanto algoritmos de classificação são úteis para classificar dados em classes.
eles podem ajudar as empresas a prever, por exemplo, se um determinado visitante do site é um “comprador” ou um “navegador”, ou se um assinante é um tipo de cliente “mensal” ou “anual”.os modelos de classificação podem ajudar as organizações a atribuir recursos, humanos ou de outra forma de forma mais eficiente. Por exemplo, as empresas tornam-se mais capazes de manter o inventário em níveis apropriados e evitar o excesso de pessoal de uma loja em certas horas.
Modelo de Regressão
Um algoritmo regressão é útil quando uma organização deseja prever um valor numérico, como o tempo que um cliente em potencial vai demorar para retornar a uma companhia aérea reserva antes da compra, ou quanto dinheiro alguém vai gastar em carro de pagamentos ao longo de um determinado período de tempo.
Por exemplo, regressão linear é uma técnica de regressão amplamente utilizada que procura uma relação entre duas variáveis. Estes tipos de algoritmos de regressão encontram padrões que predizem as relações entre variáveis, como o cliente gastar em relação ao tempo navegando em uma loja online. se você está interessado em ganhar uma compreensão mais profunda da regressão linear na análise preditiva, confira este post no blog da mestria de aprendizado de máquina.Redes Neurais as redes neurais são técnicas de processamento de dados inspiradas biologicamente que ingerem dados passados e atuais para estimar valores futuros. O seu design permite-lhes encontrar correlações complexas enterradas nos dados, de uma forma que simula os mecanismos de detecção de padrões do cérebro humano.
amplamente utilizado para aplicações como reconhecimento de imagens e diagnóstico de pacientes, eles consistem de várias camadas que entram (camada de entrada), calcular predições (camada oculta), e oferecer saída (camada de saída) na forma de uma única predição. para uma análise mais detalhada de como a modelagem da rede neural pode prever eventos através da simulação de mecanismos do cérebro humano, confira este artigo IThappens.
árvores de decisão
uma árvore de decisão é um gráfico visual que se assemelha a uma árvore de cabeça para baixo: começando pelas “raízes”, UMA se move para baixo através de uma gama cada vez mais estreita de opções, cada uma das quais descreve um resultado potencial de uma decisão. Enquanto as árvores de decisão resolvem todos os tipos de problemas de classificação, elas podem responder perguntas muito mais complexas quando empregadas em análises preditivas.
Por exemplo, uma companhia aérea pode querer saber o melhor tempo para voar para um novo destino que está planejando para servir em uma base semanal. Pode também querer saber qual o ponto de preço a fixar para esse voo, bem como quais os segmentos de clientes a atingir. tendo em conta estes factores, a companhia aérea pode utilizar uma árvore de decisão para ter uma ideia das consequências da venda de bilhetes para o destino x no ponto de preço y que tem como alvo o público Z. Este artigo detalhado médio explica mais sobre como as árvores de decisão funcionam.
us Cases for Predictive Analytics
In our exploration of predictive analytics techniques, we touched on some uses of predictive analytics. Vamos explorar algumas aplicações mais significativas que vão desde a retenção do cliente a medidas potencialmente salvadoras de vidas, como diagnosticar doenças.Sistemas de recomendação se uma empresa sabe o que bens ou Serviços os seus clientes querem, está mais bem preparada para os fornecer em tempo útil. Por exemplo, o sistema de recomendação de análise preditiva baseado em Spotify fornece conteúdo baseado nos interesses anteriores dos USUÁRIOS, permitindo que os clientes gastem pouco tempo em busca de novas músicas. Porque os usuários têm o que eles querem quando eles querem, eles são mais propensos a ficar com Spotify.
calcular pontuações de crédito
a pontuação de crédito de um indivíduo baseia-se fortemente em cálculos de análise preditiva. Algoritmos ingestion factors associated with that individual’s credit-related history, such as payment history and number of credit cards held, and output a number representing the likely of future debt repayment.já se perguntou Por que razão o sistema de navegação do seu smartphone é tão preciso? Ou como o seu voo internacional fornece um palpite muito preciso sobre quando o seu avião vai aterrar … 12 horas antes da chegada? os sistemas GPS usam dados de sensores em tempo real, incluindo velocidade, tempo e condições de tráfego, para determinar quando você chegará ao seu destino.precisão do diagnóstico usando algoritmos de classificação, os profissionais médicos podem facilmente identificar tumores e outros indicadores de doença. Eles também podem usar outras medidas de saúde-pensar açúcar no sangue, frequência cardíaca, etc. – determinar como estas doenças estão ligadas a doenças específicas. Utilizando todas estas informações, os prestadores de cuidados de saúde podem então prever quais os doentes que correm o risco de desenvolver quais as condições. Além de serem capazes de pegar as condições nas fases iniciais, profissionais médicos e pacientes podem agir em conjunto para evitar o desenvolvimento de doenças.
resumo
neste artigo, passamos pelo campo da análise preditiva, incluindo seus benefícios associados e aplicações. Nós olhamos em detalhe para técnicas analíticas específicas, que permitem previsões, incluindo algoritmos de classificação, redes neurais, algoritmos de regressão e árvores de decisão.
a análise preditiva é um campo em rápido crescimento que confere benefícios claros às empresas que a praticam cuidadosamente. Se você está interessado em uma carreira de análise preditiva, recomendamos esta Nanodegree de Análise Preditiva oferecida pela Udacity.
iniciar a aprendizagem