Was ist prädiktive Modellierung?
Bei der prädiktiven Modellierung werden bekannte Ergebnisse verwendet, um ein Modell zu erstellen, zu verarbeiten und zu validieren, mit dem zukünftige Ergebnisse prognostiziert werden können. Es handelt sich um ein Tool für Predictive Analytics, eine Data-Mining-Technik, mit der versucht wird, die Frage zu beantworten, was möglicherweise in Zukunft passieren wird.
Grundlegendes zur prädiktiven Modellierung
Die rasche Migration zu digitalen Produkten hat ein Datenmeer geschaffen, das für Unternehmen leicht verfügbar und zugänglich ist. Big Data wird von Unternehmen genutzt, um die Dynamik der Kunden-Geschäfts-Beziehung zu verbessern. Diese enorme Menge an Echtzeitdaten stammt aus Quellen wie Social Media, Internet-Browserverlauf, Mobiltelefondaten und Cloud-Computing-Plattformen.
Durch die Analyse historischer Ereignisse ist es wahrscheinlich, dass ein Unternehmen in der Lage ist, die zukünftigen Ereignisse vorherzusagen und entsprechend zu planen. Diese Daten sind jedoch in der Regel unstrukturiert und für den Menschen zu komplex, um in kurzer Zeit analysiert zu werden. Aufgrund der Komplexität, mit der enorme Datenmengen vorliegen, verwenden Unternehmen zunehmend Predictive Analytics-Tools, um das Ergebnis eines Ereignisses vorherzusagen, das in naher Zukunft wahrscheinlich sein wird.
So funktioniert Predictive Analytics
Predictive Analytics sammelt und verarbeitet historische Daten in großen Mengen und verwendet leistungsstarke Computer, um die Ereignisse in der Vergangenheit zu bewerten. Anschließend wird eine Einschätzung der zukünftigen Ereignisse erstellt.
Predictive Analytics verwendet Prädiktoren oder bekannte Funktionen, um Vorhersagemodelle zu erstellen, die zum Abrufen einer Ausgabe verwendet werden. Ein Vorhersagemodell kann lernen, wie verschiedene Datenpunkte miteinander verbunden sind. Zwei der am weitesten verbreiteten prädiktiven Modellierungstechniken sind Regression und neuronale Netze.
Unternehmen verwenden zunehmend Vorhersagemodelle, um Vorhersagen über Ereignisse zu treffen, die in naher Zukunft wahrscheinlich sind.
Besondere Überlegungen
Im Bereich der Statistik bezieht sich Regression auf eine lineare Beziehung zwischen Eingabe- und Ausgabevariablen. Ein Vorhersagemodell mit einer linearen Funktion erfordert einen Prädiktor oder ein Merkmal, um die Ausgabe / das Ergebnis vorherzusagen. Zum Beispiel könnte eine Bank, die hofft, Geldwäsche in einem frühen Stadium aufzudecken, ein lineares Vorhersagemodell verwenden.
Die Bank möchte insbesondere wissen, welche ihrer Kunden zu irgendeinem Zeitpunkt an Geldwäscheaktivitäten beteiligt sein werden. Alle Kundendaten der Bank werden angezeigt, und ein Prognosemodell basiert auf dem Dollarwert der Überweisungen, die jeder Kunde während eines bestimmten Zeitraums getätigt hat.
Das Modell soll den Unterschied zwischen einer Geldwäschetransaktion und einer normalen Transaktion erkennen. Das optimale Ergebnis des Modells sollte ein Muster sein, das anzeigt, welcher Kunde Geld gewaschen hat und welcher nicht. Wenn das Modell feststellt, dass für einen bestimmten Kunden ein Betrugsmuster auftritt, wird ein Signal zum Handeln erzeugt, das von den Betrugsanalysten der Bank wahrgenommen wird.
Prädiktive Modelle werden auch in neuronalen Netzen wie maschinellem Lernen und Tiefenlernen verwendet, die Bereiche der künstlichen Intelligenz (KI) sind. Die neuronalen Netze sind vom menschlichen Gehirn inspiriert und bestehen aus einem Netz miteinander verbundener Knoten in hierarchischen Ebenen, die die Grundlage für die KI bilden. Die Stärke neuronaler Netze liegt in ihrer Fähigkeit, nichtlineare Datenbeziehungen zu handhaben. Sie sind in der Lage, Beziehungen und Muster zwischen Variablen zu erstellen, die sich für menschliche Analysten als unmöglich oder zu zeitaufwändig herausstellen würden.
Die zentralen Thesen
- Bei der prädiktiven Modellierung werden bekannte Ergebnisse verwendet, um ein Modell zu erstellen, zu verarbeiten und zu validieren, das für zukünftige Vorhersagen verwendet werden kann. Zwei der am häufigsten verwendeten Techniken zur prädiktiven Modellierung sind Regression und neuronale Netze.
Während eine Bank bekannte Variablen wie den Wert der von ihren Kunden eingeleiteten Überweisungen in ihr Modell eingeben kann, um das gewünschte Ergebnis zu erhalten, von wem wahrscheinlich Geldwäsche ausgeht, kann ein neuronales Netzwerk ein leistungsfähigeres Muster erstellen, wenn dies möglich ist Erstellen Sie erfolgreich eine Beziehung zwischen Eingabevariablen wie der angemeldeten Zeit, dem geografischen Standort des Benutzers, der IP-Adresse des Geräts des Benutzers, dem Empfänger oder Absender des Geldbetrags und allen anderen Funktionen, die wahrscheinlich eine Wäscherei ausmachen.
Andere Vorhersagemodelltechniken, die von Finanzunternehmen verwendet werden, umfassen Entscheidungsbäume, Zeitreihen-Data-Mining und Bayes'sche Analyse. Unternehmen, die Big Data durch vorausschauende Modellierungsmaßnahmen nutzen, können besser nachvollziehen, wie ihre Kunden mit ihren Produkten umgehen, und potenzielle Risiken und Chancen für ein Unternehmen erkennen.
