Πώς να αντιμετωπίσετε προβλήματα στο Predictive Analytics - ανδρείκελα

Η προγνωστική μοντελοποίηση κερδίζει τη δημοτικότητα ως εργαλείο για τη διαχείριση πολλών πτυχών της επιχείρησης. Η διασφάλιση ότι η ανάλυση των δεδομένων γίνεται σωστά θα ενισχύσει την εμπιστοσύνη στα χρησιμοποιούμενα μοντέλα - τα οποία, με τη σειρά τους, μπορούν να δημιουργήσουν το απαραίτητο buy-in για αναλυτικές μέθοδοι πρόβλεψης ώστε να αποτελέσουν μέρος του τυποποιημένου πακέτου εργαλείων του οργανισμού σας.

Ίσως αυτή η αυξημένη δημοτικότητα να προέρχεται από τους τρόπους με τους οποίους ένα πρόγραμμα πρόβλεψης αναλύσεων μπορεί να υποστηρίξει τη λήψη αποφάσεων δημιουργώντας μοντέλα που περιγράφουν σύνολα δεδομένων, ανακαλύπτουν πιθανά νέα πρότυπα και τάσεις (όπως υποδεικνύουν τα δεδομένα) και προβλέπουν τα αποτελέσματα με μεγαλύτερη αξιοπιστία.

Για να επιτευχθεί αυτός ο στόχος, ένα πρόγραμμα πρόβλεψης αναλύσεων πρέπει να παρέχει ένα μοντέλο που ταιριάζει καλύτερα στα δεδομένα επιλέγοντας σωστά και αποτελεσματικά τις μεταβλητές απόφασης. Ορισμένες ζωτικές ερωτήσεις πρέπει να απαντηθούν καθ 'οδόν προς τον στόχο:

• Ποιες είναι οι ελάχιστες παραδοχές και οι μεταβλητές απόφασης που επιτρέπουν στο μοντέλο να ταιριάζει καλύτερα στα δεδομένα;

• Πώς συγκρίνεται το μοντέλο υπό κατασκευή με άλλα ισχύοντα μοντέλα;

• Ποια είναι τα καλύτερα κριτήρια για την αξιολόγηση και τη βαθμολόγηση αυτού του μοντέλου;

Για άλλη μια φορά, μπορείτε να καλέσετε τη φωνή της εμπειρίας στη διάσωση: Οι εμπειρογνώμονες γνώσης τομέα μπορούν να συζητήσουν αυτές τις ερωτήσεις, να ερμηνεύσουν τα αποτελέσματα που δείχνουν κρυμμένα μοτίβα στα δεδομένα και να βοηθήσουν στην επαλήθευση και επικύρωση της παραγωγής του μοντέλου.

Πώς να περιγράψουμε τους περιορισμούς του μοντέλου predictive analytics

Οποιοδήποτε predictive αναλυτικό μοντέλο έχει ορισμένους περιορισμούς βάσει των αλγορίθμων που χρησιμοποιεί και του συνόλου δεδομένων που τρέχει. Πρέπει να γνωρίζετε αυτούς τους περιορισμούς και να τους κάνετε να λειτουργούν προς όφελός σας. αυτά που σχετίζονται με τους αλγορίθμους περιλαμβάνουν

Πόσο ισχυρά συσχετίζονται οι μεταβλητές (στατιστικές σχέσεις μεταξύ χαρακτηριστικών)

• Αν οι μεταβλητές είναι ανεξάρτητες (δεν υπάρχουν σχέσεις μεταξύ χαρακτηριστικών)

• Για να ξεπεραστούν οι περιορισμοί του μοντέλου σας, χρησιμοποιήστε τεχνικές

• για την δοκιμή των μοντέλων σας. Ξεκινήστε διαιρώντας τα δεδομένα σας σε σύνολα δεδομένων κατάρτισης και δοκιμών και εκτελέστε το μοντέλο με κάθε ένα από αυτά τα σύνολα δεδομένων χωριστά για να αξιολογήσετε και να βαθμολογήσετε τις προβλέψεις του μοντέλου.

Τρόπος δοκιμής και αξιολόγησης του μοντέλου πρόγνωσης Κανένα μοντέλο δεν μπορεί να παράγει 100 τοις εκατό ακριβείς προβλέψεις. κάθε μοντέλο έχει τη δυνατότητα να παράγει ανακριβή αποτελέσματα. Να είστε προσεκτικοί για κάθε σημαντική παραλλαγή μεταξύ των προβλέψεων που παράγει το μοντέλο σας και των παρατηρούμενων δεδομένων - ειδικά εάν οι εκροές του μοντέλου έρχονται σε αντίθεση με την κοινή λογική.Εάν φαίνεται πολύ καλό, κακό ή ακραίο για να είναι αλήθεια, τότε πιθανότατα δεν είναι αλήθεια (στην πραγματικότητα, ούτως ή άλλως). Στη διαδικασία αξιολόγησης, εξετάστε λεπτομερώς τα αποτελέσματα των μοντέλων που δοκιμάζετε και συγκρίνετε τα με τις μεταβλητές εισόδου. Η πρόβλεψη του μοντέλου σας θα πρέπει να ανταποκρίνεται σε όλους τους δηλωμένους επιχειρηματικούς στόχους που οδήγησαν στη δημιουργία του.

Εάν τα σφάλματα ή οι αστοχίες εμφανίζονται στην έξοδο του μοντέλου σας, δοκιμάστε να τα επιστρέψετε στο

Η εγκυρότητα, η αξιοπιστία και η σχετική εποχικότητα των δεδομένων

Υποθέσεις που χρησιμοποιήθηκαν στο μοντέλο

Μεταβλητές που συμπεριλήφθηκαν ή εξαιρέθηκαν στην ανάλυση

• Εργαστείτε με επιχειρηματικούς χρήστες για να αξιολογήσετε κάθε βήμα της διαδικασίας του μοντέλου σας. βεβαιωθείτε ότι οι έξοδοι του μοντέλου μπορούν εύκολα να ερμηνευτούν και να χρησιμοποιηθούν σε μια πραγματική επιχειρηματική κατάσταση. Εξισορροπήστε την ακρίβεια και την αξιοπιστία του μοντέλου με το πόσο εύκολα μπορούν να ερμηνευτούν και να τεθούν σε πρακτική χρήση οι εξόδους του μοντέλου.

• Πώς να αποφύγετε μη κλιμακούμενα μοντέλα πρόβλεψης

• Κατά την οικοδόμηση ενός μοντέλου, πάντα να έχετε κατά νου την επεκτασιμότητα. Ελέγχετε πάντοτε την απόδοση, την ακρίβεια και την αξιοπιστία του μοντέλου σε διάφορες κλίμακες. Το μοντέλο σας θα πρέπει να είναι σε θέση να αλλάζει κλίμακα - και να αυξάνεται όσο είναι απαραίτητο - χωρίς να καταρρέει ή να εκπέμπει κακές προβλέψεις.

Η επεκτασιμότητα ήταν μια μεγάλη πρόκληση στο παρελθόν. Τα προγνωστικά μοντέλα χρειάστηκαν πολύ χρόνο για να χτίσουν και να τρέξουν. Τα σύνολα δεδομένων που χρησιμοποιούν τα μοντέλα ήταν μικρά και τα δεδομένα ήταν δαπανηρά για τη συλλογή, την αποθήκευση και την αναζήτηση. Αλλά αυτό ήταν όλα στην εποχή των "πρώτων δεδομένων".

Σήμερα τα μεγάλα δεδομένα είναι φθηνά, άφθονα και αυξανόμενα. Στην πραγματικότητα, υπάρχει ένα άλλο πιθανό πρόβλημα: Ο τεράστιος όγκος δεδομένων που είναι διαθέσιμος σήμερα μπορεί να επηρεάσει αρνητικά το μοντέλο και να υποβαθμίσει την απόδοση του, ξεπερνώντας το μοντέλο σε σχετικά σύντομο χρονικό διάστημα. Εφαρμοσμένη σωστά, η δυνατότητα κλιμάκωσης μπορεί να βοηθήσει στο μοντέλο σας "από το μέλλον".

Το μέλλον δεν είναι η μόνη απειλή. Ακόμη και στην παρούσα εποχή του διαδικτύου, τα δεδομένα ροής μπορούν να συντρίψουν ένα μοντέλο - ειδικά εάν οι ροές δεδομένων αυξάνονται σε μια πλημμύρα.

Μόνο ο όγκος δεδομένων μπορεί να προκαλέσει την αύξηση των μεταβλητών απόφασης και των παραγόντων πρόβλεψης σε γιγαντιαίους αριθμούς που απαιτούν συνεχή ενημέρωση στο μοντέλο. Έτσι ναι, το μοντέλο σας θα ήταν καλύτερο να είναι κλιμακωτό - γρήγορα κλιμακωτό.