Prognostisk analyse

Banker og finansielle tjenester

Med enorme mængder data og penge på spil har finanssektoren længe benyttet sig af prognostiske analyser til at opdage og reducere svindel, måle kreditrisiko, maksimere mulighederne for krydssalg/opsalg og fastholde værdifulde kunder. Commonwealth Bank bruger analyser til at forudsige sandsynligheden for svindelaktivitet for en given transaktion, før den bliver godkendt - inden for 40 millisekunder efter, at transaktionen er påbegyndt.

Detailhandlen

Siden den nu berygtede undersøgelse, der viste, at mænd, der køber bleer, ofte køber øl på samme tid, bruger detailbutikker i hele verden prognostiske analyser til vareplanlægning og prisoptimering, for at analysere effektiviteten af salgsfremmende begivenheder og for at afgøre, hvilke tilbud der er mest hensigtsmæssige for forbrugerne. Staples fik kundeindsigt ved at analysere kundernes adfærd, hvilket gav et komplet billede af deres kunder og en ROI på 137 %.

Olie, gas og forsyningsvirksomheder

Uanset om det handler om at forudse udstyrsfejl og fremtidige ressourcebehov, mindske sikkerheds- og pålidelighedsrisici eller forbedre den overordnede ydeevne, har energibranchen taget prognostisk analyse til sig med stor entusiasme. Salt River Project er det næststørste offentlige elselskab i USA og en af Arizonas største vandleverandører. Analyser af maskinsensordata forudsiger, hvornår elproducerende turbiner har brug for vedligeholdelse.

Forvaltninger og den offentlige sektor

Forvaltninger har været nøgleaktører i udviklingen af computerteknologier. US Census Bureau har analyseret data for at forstå befolkningstendenser i årtier. I dag bruger forvaltningerne prognostiske analyser ligesom mange andre brancher - til at forbedre service og ydeevne, opdage og forhindre svindel og bedre forstå forbrugernes adfærd. De bruger også prognostisk analyse til at forbedre cybersikkerheden.

Sundhedssektoren

Ud over at identificere svindel med skadesanmeldelser tager sundhedssektoren skridtet videre for at identificere de patienter, der er mest udsatte for kroniske sygdomme, og finde ud af, hvilke indgreb der er bedst. Express Scripts, et stort selskab, der leverer apoteksydelser, bruger analyser til at identificere dem, der ikke følger de ordinerede behandlinger, hvilket resulterer i en besparelse på 1.500 til 9.000 dollars pr. patient.

Produktion

For producenter er det meget vigtigt at identificere faktorer, der fører til nedsat kvalitet og produktionsfejl, samt at optimere reservedele, serviceressourcer og distribution. Lenovo er blot en af de producenter, der har brugt prognostisk analyse til bedre at forstå reklamationssager - et initiativ, der førte til en reduktion i reklamationsomkostningerne på 10 til 15 procent.

Regression (lineær og logistisk) er en af de mest populære metoder inden for statistik. Regressionsanalyse estimerer relationer mellem variabler. Den er beregnet til kontinuerlige data, som kan antages at følge en normalfordeling, og den finder vigtige mønstre i store datasæt og bruges ofte til at bestemme, hvor meget specifikke faktorer, som f.eks. prisen, påvirker bevægelsen af et aktiv. Med regressionsanalyse ønsker vi at forudsige et tal, kaldet responsen eller Y-variablen. Ved lineær regression bruges én uafhængig variabel til at forklare og/eller forudsige udfaldet af Y. Ved multipel regression bruges to eller flere uafhængige variabler til at forudsige udfaldet. Med logistisk regression forudsiges ukendte variabler af en diskret variabel baseret på kendte værdier af andre variabler. Responsvariablen er kategorisk, hvilket betyder, at den kun kan antage et begrænset antal værdier. Ved binær logistisk regression har en responsvariabel kun to værdier, f.eks. 0 eller 1. I multipel logistisk regression kan en responsvariabel have flere niveauer, f.eks. lav, middel og høj, eller 1, 2 og 3.

Beslutningstræer er klassifikationsmodeller, der opdeler data i delmængder baseret på kategorier af inputvariabler. Det hjælper dig med at forstå en persons vej til beslutninger. Et beslutningstræ ligner et træ, hvor hver gren repræsenterer et valg mellem et antal alternativer, og hvert blad repræsenterer en klassifikation eller beslutning. Denne type model ser på data og forsøger at finde den ene variabel, der opdeler data i logiske grupper, hvoraf de fleste er forskellige. Beslutningstræer er populære, fordi de er lette at forstå og fortolke. De håndterer også manglende værdier godt og er nyttige til indledende variabeludvælgelse. Så hvis du har mange manglende værdier eller ønsker et hurtigt og let fortolkeligt svar, kan du starte med et træ.

Neurale netværk er avancerede teknikker, der er i stand til at modellere ekstremt komplekse forhold. De er populære, fordi de er effektive og fleksible. Styrken ligger i deres evne til at håndtere ikke-lineære relationer i data, hvilket bliver mere og mere almindeligt, efterhånden som vi indsamler flere data. De bruges ofte til at underbygge resultater fra simple teknikker som regression og beslutningstræer. Neurale netværk er baseret på mønstergenkendelse og nogle AI-processer, der grafisk "modellerer" parametre. De fungerer godt, når man ikke kender en matematisk formel, der relaterer input til output, når forudsigelse er vigtigere end forklaring, eller når der er mange læringsdata. Kunstige neurale netværk blev oprindeligt udviklet af forskere, der forsøgte at efterligne neurofysiologien i den menneskelige hjerne.