Πώς να χρησιμοποιήσετε τις υποθέσεις κατάλληλα στο Predictive Analytics - ανδρείκελα

Παρά τα όσα σας έχουν πει για παραδοχές που προκαλούν προβλήματα, μερικές παραδοχές παραμένουν στον πυρήνα οποιουδήποτε προγνωστικού μοντέλου ανάλυσης. Αυτές οι παραδοχές εμφανίζονται στις μεταβλητές που επιλέγονται και εξετάζονται στην ανάλυση - και αυτές οι μεταβλητές επηρεάζουν άμεσα την ακρίβεια της απόδοσης του τελικού μοντέλου.

Επομένως, η πιο προσεκτική προφύλαξη από την αρχή είναι να προσδιορίσετε ποιες υποθέσεις έχουν μεγαλύτερη σημασία για το μοντέλο σας - και να τις κρατήσετε στο απόλυτο ελάχιστο επίπεδο.

Η δημιουργία ενός μοντέλου πρόβλεψης που λειτουργεί καλά στον πραγματικό κόσμο απαιτεί στενή γνώση της επιχείρησης. Το μοντέλο σας αρχίζει να γνωρίζει μόνο τα δείγματα δεδομένων - πρακτικά, σχεδόν τίποτα. Έτσι αρχίστε μικρό και συνεχίστε να βελτιώνετε το μοντέλο όπως είναι απαραίτητο.

Η εξέταση των πιθανών ερωτήσεων και των σεναρίων μπορεί να οδηγήσει σε ανακαλύψεις-κλειδιά ή / και μπορεί να αποδώσει περισσότερο φως στους παράγοντες που παίζουν στον πραγματικό κόσμο. Αυτή η διαδικασία μπορεί να προσδιορίσει τις βασικές μεταβλητές που θα μπορούσαν να επηρεάσουν το αποτέλεσμα της ανάλυσης.

Βελτιώνοντας τις παραδοχές του μοντέλου - δοκιμάζοντας τον τρόπο με τον οποίο επηρεάζουν την απόδοση του μοντέλου, ανιχνεύοντας το πόσο ευαίσθητο είναι το μοντέλο σε αυτά και τον περιορισμό τους στο ελάχιστο - θα σας βοηθήσει να καθοδηγήσετε το μοντέλο προς μια πιο αξιόπιστη προγνωστική ικανότητα. Πριν μπορέσετε να βελτιστοποιήσετε το μοντέλο σας, πρέπει να γνωρίζετε τις προγνωστικές μεταβλητές

- χαρακτηριστικά που έχουν άμεσο αντίκτυπο στην παραγωγή του.

Μπορείτε να αντλήσετε αυτές τις μεταβλητές απόφασης, εκτελώντας πολλαπλές προσομοιώσεις του μοντέλου σας - αλλάζοντας μερικές παραμέτρους με κάθε εκτέλεση - και καταγράφοντας τα αποτελέσματα, ειδικά την ακρίβεια των προβλέψεων του μοντέλου. Συνήθως μπορείτε να εντοπίσετε τις παραλλαγές της ακρίβειας πίσω στις συγκεκριμένες παραμέτρους που αλλάξατε.

Σε αυτό το σημείο, ο εικοστός πρώτος αιώνας μπορεί να στραφεί στο δέκατο τέταρτο για βοήθεια. Ο William of Ockham, ένας Άγγλος Φραγκισκανός μάγισσας και σχολικός φιλόσοφος που έζησε στη δεκαετία του 1300, ανέπτυξε την ερευνητική αρχή που είναι γνωστή ως Razcam: Πρέπει να κόψετε περιττές υποθέσεις έως ότου η θεωρία σας έχει όσο το δυνατόν λιγότερες. Τότε είναι πιο πιθανό να είναι αλήθεια.

Πάρα πολλές υποθέσεις ζυγίζουν τις προβλέψεις του μοντέλου σας με αβεβαιότητες και ανακρίβειες.Η εξάλειψη των περιττών μεταβλητών οδηγεί σε ένα πιο ισχυρό μοντέλο, αλλά δεν είναι εύκολο να αποφασιστεί ποιες μεταβλητές πρέπει να συμπεριληφθούν στην ανάλυση - και ότι αυτές οι αποφάσεις επηρεάζουν άμεσα την απόδοση του μοντέλου.

Αλλά εδώ είναι όπου ο αναλυτής μπορεί να τρέξει σε ένα δίλημμα: Συμπεριλαμβανομένων περιττών παραγόντων μπορεί να παραμορφώσει ή να διαστρεβλώσει την παραγωγή του μοντέλου, αλλά εξαιρώντας μια σχετική μεταβλητή αφήνει το μοντέλο ελλιπές.

Επομένως, όταν έρθει η ώρα να επιλέξετε αυτές τις σημαντικές μεταβλητές απόφασης, καλέστε τους εμπειρογνώμονές σας στον τομέα γνώσης. Όταν έχετε ένα ακριβές σύνολο μεταβλητών απόφασης που βασίζεται στην πραγματικότητα, δεν χρειάζεται να κάνετε πολλές υποθέσεις - και το αποτέλεσμα μπορεί να είναι λιγότερα σφάλματα στο πρότυπο πρόβλεψης.