Vorausschauende Modellierung
Was ist prädiktive Modellierung?
Prädiktive Modellierung ist der Prozess, bei dem bekannte Ergebnisse verwendet werden, um ein Modell zu erstellen, zu verarbeiten und zu validieren, das zur Vorhersage zukünftiger Ergebnisse verwendet werden kann. Es ist ein Tool, das in der Predictive Analytics verwendet wird, einer Data-Mining-Technik, die versucht, die Frage zu beantworten, was in der Zukunft möglicherweise passieren wird.
Die zentralen Thesen
- Bei der prädiktiven Modellierung werden bekannte Ergebnisse verwendet, um ein Modell zu erstellen, zu verarbeiten und zu validieren, mit dem zukünftige Vorhersagen getroffen werden können.
- Zwei der am weitesten verbreiteten prädiktiven Modellierungstechniken sind Regression und neuronale Netze.
- Unternehmen können mithilfe von Predictive Modeling Ereignisse, Kundenverhalten sowie Finanz, Wirtschafts- und Marktrisiken vorhersagen.
Prädiktive Modellierung verstehen
Durch die Analyse historischer Ereignisse können Unternehmen mithilfe von Vorhersagemodellen die Wahrscheinlichkeit der Vorhersage von Ereignissen, des Kundenverhaltens sowie von Finanz, Wirtschafts- und Marktrisiken erhöhen.
Die schnelle Migration zu digitalen Produkten hat ein Meer von Daten geschaffen, die für Unternehmen leicht verfügbar sind. Big Data wird von Unternehmen genutzt, um die Dynamik der Kunden-zu-Geschäfts-Beziehung zu verbessern. Diese riesige Menge an Echtzeitdaten wird aus Quellen wie sozialen Medien, Internetbrowserverlauf, Handydaten und Cloud-Computing Plattformen abgerufen.
Die Daten sind jedoch in der Regel unstrukturiert und zu komplex, um von Menschen in kurzer Zeit analysiert zu werden. Aufgrund der schieren Datenmenge verwenden Unternehmen prädiktive Modellierungswerkzeuge – oft über Computersoftwareprogramme. Die Programme verarbeiten riesige Mengen historischer Daten, um Muster in den Daten zu bewerten und zu identifizieren. Von dort aus kann das Modell eine historische Aufzeichnung sowie eine Einschätzung darüber liefern, welche Verhaltensweisen oder Ereignisse wahrscheinlich wieder oder in Zukunft auftreten werden.
Predictive Modeling kann von Sportmannschaften verwendet werden, um die Erfolgswahrscheinlichkeiten anhand von Spielerstatistiken und Situationsanalysen zu analysieren.
Anwendungen der prädiktiven Modellierung
Predictive Analytics verwendet Prädiktoren oder bekannte Funktionen, um Vorhersagemodelle zu erstellen, die zum Erhalten einer Ausgabe verwendet werden. Ein Vorhersagemodell ist in der Lage zu lernen, wie verschiedene Datenpunkte miteinander verbunden sind. Zwei der am weitesten verbreiteten prädiktiven Modellierungstechniken sind Regression und neuronale Netze.
In der Statistik bezeichnet Regression einen linearen Zusammenhang zwischen den Input- und Output-Variablen. Ein Vorhersagemodell mit einer linearen Funktion erfordert einen Prädiktor oder ein Merkmal, um die Ausgabe oder das Ergebnis vorherzusagen. Beispielsweise könnte eine Bank, die Geldwäsche in einem frühen Stadium erkennen möchte, ein lineares Vorhersagemodell einbeziehen.
Die Bank möchte herausfinden, welche ihrer Kunden zu einem bestimmten Zeitpunkt wahrscheinlich Geldwäscheaktivitäten betreiben. Unter Verwendung der Kundendaten der Bank wird ein Vorhersagemodell um den Dollarbetrag der Geldüberweisungen erstellt, die Kunden während eines bestimmten Zeitraums getätigt haben.
Das Modell wird gelehrt, den Unterschied zwischen einer Geldwäschetransaktion und einer normalen Transaktion zu erkennen. Das optimale Ergebnis des Modells sollte ein Muster sein, das signalisiert, welcher Kunde Geld gewaschen hat und welcher nicht. Erkennt das Modell, dass sich bei einem bestimmten Kunden ein Betrugsmuster abzeichnet, setzt es ein Handlungssignal, das von der Fraud Prevention Unit der Bank bearbeitet wird.
Prädiktive Modellierungswerkzeuge
Vorhersagemodelle werden auch in neuronalen Netzen wie maschinellem Lernen und tiefem Lernen 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, das die Grundlage für KI darstellt. Die Stärke neuronaler Netze liegt in ihrer Fähigkeit, mit nichtlinearen Datenbeziehungen umzugehen. Sie sind in der Lage, Beziehungen und Muster zwischen Variablen zu erstellen, die sich für menschliche Analysten als unmöglich oder zu zeitaufwändig erweisen würden.
Einerseits kann eine Bank bekannte Variablen, wie den Wert der von ihren Kunden veranlassten Überweisungen, in ihr Modell eingeben, um zu bestimmen, wer wahrscheinlich an Geldwäsche beteiligt ist. Andererseits kann ein neuronales Netz ein leistungsfähigeres Muster erzeugen, indem es eine Beziehung zwischen Eingabevariablen herstellt. Diese Eingabevariablen können die eingeloggte Zeit, den geografischen Standort des Benutzers, die IP-Adresse des Geräts des Benutzers, den Empfänger oder Absender der Gelder und alle anderen Variablen oder Verhaltensweisen umfassen, die wahrscheinlich in Geldwäscheaktivitäten involviert sind.
Andere prädiktive Modellierungstechniken, die von Finanzunternehmen verwendet werden, umfassen Entscheidungsbäume, Zeitreihen-Data-Mining und Bayes-Analyse. Unternehmen, die Big Data durch prädiktive Modellierungsmaßnahmen nutzen, können besser verstehen, wie ihre Kunden mit ihren Produkten interagieren, und können potenzielle Risiken und Chancen für das Unternehmen identifizieren.