Инструменты прогнозирования в microsoft excel

Инструменты предписывающей аналитики

Главная особенность прескриптивной аналитики – помогать принимать более взвешенные и корректные решения сегодня для достижения лучших результатов завтра. Для этого существуют несколько инструментов, о которых подробно расскажем ниже.

Опыт

Менеджеры, принимающие управленческие решения, руководствуются своим опытом. Когда этого опыта недостаточно или ситуация требует взгляда со стороны, компании нанимают консультантов. В качестве примера можно привести актуальный кейс с разрывом логистических цепочек: в связи с блокирующими санкциями и политической ситуацией, количество перевозок в европейской части страны сократилось, появилась необходимость в стратегических решениях. Тут и нужны консультанты: опираясь на опыт зарубежных и отечественных компаний и данные заказчика, они просчитают возможные сценарии и варианты на несколько лет вперед. Единственный минус консультантов заключается в том, что это дорогая услуга, влекущая за собой множество перемен в процессах, как стратегических, так и операционных.

Имитационное моделирование (Simulation)

Это один из многоразовых инструментов, который позволяет «проиграть» различные сценарии для одного и того же процесса. Этот инструмент подходит для задач, в которых невозможно построить уравнение, полностью описывающее систему, из-за нехватки точности описания входящих параметров и их зависимостей. Например, с помощью имитационного моделирования можно оценить, сможет ли склад в текущей конфигурации справиться с увеличенным грузопотоком. В этой задаче есть ряд сложностей: фуры не всегда укладываются в нормативный интервал прибытия, что влияет на разгрузку, приходование товара, прием документов, размещение товара на хранение и т.д. Имитационное моделирование в таком случае поможет выявить не только пропускную способность склада, но и узкие места в процессах.

Машинное обучение (Machine Learning)

Это самый удобный для прогнозирования инструмент. Но и у него есть недостатки: чтобы построить модель на основе ML, нужно большое количество данных, причем данных корректных

Другой момент, на который стоит обратить внимание, заключается в том, что зависимость между входными и выходными данными тяжело описывается

Исследование операций (Operations Research)

Инструмент, в рамках которого происходит моделирование проблемы в виде уравнения, в котором есть целевая функция с описанием всех параметров. Результат такой оптимизационной задачи помогает принять решение с пониманием того, что можно улучшить в процессах, почему стоит поступить именно так, а не иначе. Здесь зависимость между данными прозрачна и математически описываема.

Где еще используются системы аналитики Big Data и как их внедрить

Отметим области деятельности с наиболее высоким спросом на аналитику данных, как дескриптивную, так и предписывающую :

• медицина – постановка диагноза на основании симптомов болезни, выявление факторов, провоцирующих заболевание, определение склонности к заболеванию в будущем, формирование рекомендаций и выписка лекарств для лечения и профилактики болезней. Впрочем, некорректная настройка модуля Machine Learning в этом случае может привести к трагическим последствиям, о чем мы рассказывали здесь.
• реклама и маркетинг – определение эффективности промо кампаний, выявление наиболее результативных каналов и форм подачи информации (персонализированный таргетинг), построение рекомендательных систем, формирование спроса на основе интересов пользователя и его поведения в сети, прогнозирование и предупреждение оттока клиентов (Churn Rate), оптимизация ценообразования.
• страхование и кредитование – точное определение суммы возмещения или кредита, скоринговая оценка клиента. Например, сегодня это уже реализовано в совместном проекте российских банков с компанией Яндекс, когда банки оценивают платежеспособность потенциального заемщика по истории его запросов в поисковой системе. Подробнее об этом мы писали здесь.
• промышленность – выявление ключевых факторов, влияющих на качество продукции и выполнение производственных процессов, предсказание отказов оборудования, составление графика профилактических проверок и ремонта техники, прогнозирование спроса на продукцию, оптимизация загрузки производственных мощностей и предупреждения о будущих внештатных ситуациях. Реальные примеры промышленного использования Big Data систем предиктивной и предписывающей аналитики на базе IoT/IIoT и Machine Learning читайте тут.
• финансы и безопасность – выявление и предупреждение случаев мошеннических операций (антифрод-системы), распознавание вредоносных программ и случаев утечки данных, о чем мы рассказывали здесь.
• управление человеческими ресурсами (HR) – выявление ключевых факторов, влияющих на компетентность сотрудников, составление модели профессиональных компетенций, прогнозирование увольнений, предупреждение профессионального выгорания и рабочих конфликтов . Подробнее об этом мы расскажем в следующей статье.

Внедрение аналитических Big Data систем – это комплексный поэтапный проект, который часто выполняется в рамках цифровизации бизнеса. Предписывающая аналитика находится на вершине пирамиды и опирается на предыдущие уровни: предиктивную, диагностическую и описательную 2]. Поэтому для формирования оптимальных управленческих решений на основе данных необходимо, прежде всего, накопить релевантный объем этой информации, достаточный для корректного обучения алгоритмов Machine Learning. Некоторые аналитические задачи решаются с помощью современных BI-инструментов, например, коммерческих платформ типа Oracle Data Mining, SAP BusinessObjects Predictive Analysis, SAP Predictive Maintenance and Service, IBM Predictive Insights или open-source решений (KNIME, Orange, RapidMiner) . На практике многие предприятия, вступившие на путь цифровой трансформации, создают собственные системы аналитики больших данных. При этом используются разнообразные технологии Big Data, например, Apache Hadoop – для хранения информации (в HDFS или HBase), Kafka – для сбора данных из различных источников, а Spark или Storm – для быстрой аналитической обработки потоковой информации. В частности, именно так реализована рекомендательная система стримингового сервиса Spotify, о которой мы рассказывали здесь. Таким образом, организация предиктивной и, тем более, предписывающей аналитики данных – это одна из ключевых задач цифровизации бизнеса.

Виды аналитики данных и вопросы, на которые они отвечают

Как внедрить систему аналитики больших данных и запустить цифровую трансформацию своего предприятия, вы узнаете, пройдя обучение на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

Аналитика больших данных для руководителей

Смотреть расписание
Записаться на курс

Источники

1. https://www.oracle.com/ru/business-analytics/what-is-analytics.html
2. https://iot.ru/promyshlennost/kakaya-analitika-nuzhna-vashey-kompanii
3. http://www.tadviser.ru/index.php/Статья:Предикативная_аналитика_(предиктивная,_прогнозная,_прогностическая)_Predictive_analytics
4. https://finassessment.net/blog/predictiv-analitika-hr

Локализация: при каких условиях используется

Метод локализации применяется только для угроз, которые легко предугадать и можно в какой-то степени изолировать. Отдельные высокоопасные этапы, участки работы передаются подразделениям, где над ними устанавливается жесткий контроль. На практике применяются следующие механизмы:

• Создается небольшая дочерняя фирма, которая берет на себя разработку и реализацию инновационных проектов. Опасные проекты изолируются от основной деятельности компании.
• Для реализации рискованного проекта заключается сделка между несколькими компаниями. Его разработкой занимается специально сформированная обособленная команда специалистов.

Машинное обучение в HDInsight

HDInsight имеет несколько вариантов машинного обучения для рабочего процесса расширенной аналитики:

• Машинное обучение и Apache Spark.
• Машинное обучение Azure и Apache Hive
• Apache Spark и глубокое обучение

Машинное обучение и Apache Spark.

HDInsight Spark — это размещаемая в Azure унифицированная платформа параллельной обработки данных Apache Spark с открытым кодом, которая использует обработку в памяти для оптимизации анализа больших данных. Подсистема обработки Spark призвана ускорить разработку, повысить удобство использования и реализовать сложную аналитику. Возможности распределенного вычисления в памяти Spark отлично подходят для итеративных алгоритмов, используемых в машинном обучении и графовых вычислениях.

Существуют три масштабируемых библиотеки машинного обучения Spark, которые предоставляют возможности алгоритмического моделирования для этой распределенной среды.

• MLlib — содержит исходный API, созданный на основе Spark RDDs.
• SparkML — это новый пакет, который предоставляет API более высокого уровня, созданный поверх кадров данных Spark, для построения конвейеров машинного обучения.
• MMLSpark — библиотека машинного обучения Майкрософт для Apache Spark (MMLSpark), предназначенная оптимизировать работу специалистов по обработке и анализу данных в Spark, увеличить скорость реализации экспериментов и использовать самые современные методы машинного обучения, включая глубокое обучение, на очень больших наборах данных. Библиотека MMLSpark упрощает общие задачи моделирования для создания моделей в PySpark.

Машинное обучение Azure и Apache Hive

Студия машинного обучения Azure (классическая) предоставляет средства для создания моделей прогнозной аналитики, а также полностью управляемую службу, которую можно использовать для развертывания прогнозных моделей как готовых к использованию веб-служб. Служба машинного обучения Azure дает разработчикам инструменты для создания полноценных решений прогнозирующей аналитики в облаке. Вы сможете быстро создавать, тестировать, развертывать и контролировать модели прогнозирования. Выбирайте из большой библиотеки алгоритмов, используйте веб-студию для создания моделей и с легкостью развертывайте свою модель в виде веб-службы.

Apache Spark и глубокое обучение

Глубокое обучение является типом машинного обучения, использующим глубокие нейронные сети (DNN), построенные по принципу биологических процессов в человеческом мозгу. Многие исследователи видят глубокое обучение как перспективный подход к искусственному интеллекту. Некоторыми примерами глубокого обучения являются программы-переводчики разговорного языка, системы распознавания образов и механизмы машинного рассуждения. Чтобы оптимизировать свою работу в области глубокого обучения, корпорация Майкрософт разработала бесплатный простой в использовании набор средств с открытым исходным кодом — Microsoft Cognitive Toolkit. Он широко используется множественными продуктами Microsoft, компаниями во всем мире, которым необходимо развертывать глубокое обучение в масштабе, а также учащимися, заинтересованными в современных алгоритмах и методах.

Предиктивное измерение маркетинговой аналитики

Когда мы говорим об измерениях, мы говорим о двух вещах: метриках и аналитике.Эти термины часто используются взаимозаменяемо, но на самом деле это две очень разные вещи.

Проще говоря:

• Метрики — это отдельные точки данных, связанные с конкретным измерением
• Аналитика объединяет метрики, чтобы получить более целостное представление о данных и сделать выводы

Google Analytics, очевидно, подпадает под «аналитику».Просмотрите метрики веб-сайта и кампании, такие как сеансы, просмотры страниц, показатель отказов, источники трафика, страницы выхода, цели, взаимодействия за посещение, обзор социальных сетей и обзор приобретения.Каждая метрика может быть дополнительно классифицирована по размеру, включая типы устройств, регионы, языки и браузеры.

В маркетинге существует шесть показателей, которые обычно используются при расчете производительности и рентабельности инвестиций:

1) Стоимость привлечения клиентов (CAC)

CAC – это средняя сумма денег, потраченная на приобретение нового клиента.Он рассчитывается на основе общей себестоимости продаж и маркетинга, деленной на количество новых клиентов в данный период времени.Вы можете создать два типа CAC: 100% онлайн CAC и комбинацию онлайн и оффлайн CAC.

2) Маркетинговый процент CAC

Каков процент CAC, связанный с маркетинговыми расходами?Чтобы получить отчет, общая стоимость маркетинга делится на затраты на продажи и маркетинг.

3) Соотношение между CLV и CAC (CLV: CAC)

Вы получите соотношение, разделив пожизненную ценность клиента (CLV) — или пожизненную ценность клиента (LCV) — на стоимость привлечения клиентов (CAC).

4) Пришло время заработать CAC

Важно знать, сколько времени потребуется, чтобы окупить деньги, потраченные на приобретение каждого клиента, чтобы вы могли установить будущие маркетинговые бюджеты и реалистичные цели заработка.Узнайте общее время (недели, месяцы, кварталы или годы), необходимое для восстановления CAC

5) Процент клиентов, полученных в результате маркетинга

Этот показатель измеряет количество вашего нового бизнеса, поступающего от ваших маркетинговых лидов.Разделив общее количество лидов в месяц на общее количество новых клиентов, вы получите процент клиентов, происходящих из маркетинга.

6) Процент клиентов, на который влияет маркетинг

Этот показатель измеряет роль, которую ваши общие маркетинговые усилия сыграли в привлечении новых клиентов.Чтобы найти эту цифру, общее количество новых клиентов делится на общее количество клиентов, которые фактически занимались вашей маркетинговой деятельностью.

Эти шесть маркетинговых показателей обеспечивают основу для прогнозной маркетинговой аналитики, помогая вам с моделированием и оценкой категорий.Другими словами, понимая эти метрики, аналитика может быть правильно спроектирована для предоставления необходимых наборов данных.

Погружайтесь глубже:

• Что такое платформа данных клиентов (CDP) и зачем она вам нужна в ближайшее время?
• 8 лучших инструментов для улучшения качества обслуживания клиентов с помощью тепловых карт, отзывов и ссылок
• Руководство по привлечению клиентов: электронная почта и личная работа

Дерево решений

Дерево решений – структура данных, в процессе обхода которой в каждом узле в зависимости от проверяемого условия принимается определенное решение – перемещение по той или иной ветке дерева от корня к «листьевым» (конечным) вершинам. В «листьевой» вершине дерева содержится искомое значение интересующего атрибута. Деревья решений могут оценивать значения категориальных атрибутов (конечное число дискретных значений), а также количественных. В первом случае говорят о задаче классификации – отнесении объекта к одному из «классов», определяемых атрибутом (например, Да/Нет, Хорошо/Удовлетворительно/Плохо и т.д.). Во втором случае говорят о задаче регрессии, то есть об оценке количественной величины.

Мы рассмотрим алгоритм, позволяющий построить такое дерево решений для оценивания и предсказания значений интересующего нас категориального атрибута анализируемого набора данных на основе значений других атрибутов (задача классификации).

Вообще способов построить дерево может быть бесконечно много – атрибуты можно рассматривать в разном порядке, проверять в узлах дерева различные условия, останавливать процесс, используя разные критерии. Но нас интересуют только деревья, которые наиболее точно оценивают значение атрибута, с минимальной ошибкой, а также позволяют выявлять зависимость между атрибутами и успешно выполнять прогнозирование значений атрибутов на новых данных. К сожалению, не существует хороших алгоритмов, позволяющих гарантированно найти такое «оптимальное» дерево (за приемлемое время). Однако существуют достаточно хорошие алгоритмы, которые пытаются построить «почти оптимальное» дерево, выполняя на каждой итерации определенный «локальный» критерий оптимальности в надежде, что получившееся дерево тоже в целом будет «оптимальным». Такие алгоритмы называются «жадными». Именно такой алгоритм мы и рассмотрим.

Зарубежные разработки не подошли

Необходимость решения внутренних задач стала одним из поводов для начала разработки ETNA, говорят в «Тинькофф».

Интересно, что найти достаточно гибкий инструмент для своих нужд на зарубежных рынках банк не смог, во всяком случае такой, чтобы удовлетворял все бизнес-потребности финансовой организации.

Выход из этой ситуации «Тинькофф» увидел в разработке и тонкой настройке собственного решения. Решив внутренние задачи и сочтя, что у инструмента есть перспективы вне компании, «Тинькофф» принял решение вывести ETNA на рынок. Учитывая открытую модель разработки, подобный шаг может принести выгоду как самому банку, так и тем, кто воспользуется его наработками.

По мнению специалистов «Тинькофф», на фоне зарубежных аналогов их детище отличается понятным и удобным интерфейсом, большим числом методов для обработки данных, а также моделей для их прогнозирования.

«Тинькофф» не первая организация, у которой возникла потребность в инструменте для анализа и прогнозирования такого рода. За рубежом их разработкой занимались исследовательские институты, например, Институт имени Алана Тьюринга в Лондоне (The Alan Turing Institute) с проектом sktime.

Преуспели на данном направлении американские технологические гиганты Meta () и Amazon, по пути которых, видимо, планирует пойти отечественный банк. Они, как и «Тинькофф», поначалу ставили целью создать инструменты наподобие ETNA для внутреннего пользования, которые впоследствии переросли в самостоятельные продукты для бизнеса (B2B). Это тулкиты Kats и GluonTS, разработанные специалистами Meta и Amazon соответственно. Они оба написаны на Python и основаны на открытом исходном коде.

Различие между технологическими потребностями

Анализ данных традиционно был прерогативой специалистов по данным; но сегодняшняя быстро меняющаяся бизнес-среда требует, чтобы линейные менеджеры и руководители имели немедленный доступ к этим аналитическим инструментам. Хотя это не указывает на участие в программировании или уточнении данных, это означает, что они должны иметь доступ к инструментам и информационным панелям конечных пользователей, которые позволяют им независимо исследовать результаты. Этот практический подход внушает доверие к технологиям, а также предоставляет данные в режиме реального времени для помощи в принятии решений.

В основном вы можете выполнять множество предписывающих аналитических задач с помощью различных технологий, начиная от языков программирования высокого уровня и заканчивая встроенными инструментами ERP и программными пакетами для конкретных решений. Чтобы сделать данные пригодными для использования, первым шагом является их очистка и интеграция. После этого появляются многочисленные аналитические подходы, в том числе:

• Методы регрессии; включает методы линейной, временной и логистической регрессии.
• Методы машинного обучения
• Нейронные сети
• Условная вероятность (Наве Байес)

Предписывающая аналитика делает еще один шаг вперед, включая эвристику или оптимизацию в анализ.

Эвристика

Эвристика пригодится при работе с не поддающимися описанию операционными сценариями. Этот метод представляет собой математический подход, основанный на правилах. Это полезно в тех случаях, когда подобные решения принимаются на регулярной основе, например, при приобретении сырья. По сути, эвристика полезна для автоматизации суждений, но не столько для их оптимизации. Однако некоторые основные недостатки включают отсутствие требований к регулярному изменению правил во избежание их устаревания, а также тот факт, что эвристика не может исследовать все возможные обстоятельства.

Идеальное решение определяется с помощью комбинации математических моделей и точных алгоритмов. Чтобы ответить на конкретные запросы, создается математическая модель, отражающая бизнес или функцию, и используется точный алгоритм. Цель модели оптимизации — максимизировать или уменьшить такой параметр, как прибыль или затраты.

Оптимизация

Пакетные решения и платформы оптимизации также доступны для программное обеспечение предписывающей аналитики. Пакеты легче настроить, и они часто создаются для решения общей проблемы или для конкретной отрасли. Обычно они доступны в виде решений SaaS или PaaS в облаке.

Платформа оптимизации, однако, состоит из двух частей: платформы моделирования для определения проблемы и решателя оптимизации.

Модели создаются с помощью визуального интерфейса перетаскивания или с помощью математических вычислений. Кроме того, большинство систем оптимизации работает внутри компании, и затраты значительно различаются. Они предлагают очень персонализированные решения, которые являются реалистичными представлениями о проблеме. Кроме того, они могут потребовать привлечения квалифицированных программистов для построения модели, и им часто не хватает интерфейсов для конечных пользователей.

Одни, например платформа Microsoft Azure от River Logic, требуют широких возможностей программирования, а другие, например платформа Microsoft Azure от River Logic, не требуют.

Услуги программного обеспечения.

Отток клиентов всегда был сложной метрикой для понимания. Большинство данных только сообщают, сколько клиентов ушли, и сколько денег было потеряно. С помощью предиктивной аналитики менеджеры по продуктам могут прогнозировать и сокращать отток с гораздо большей точностью, что может привести к росту доходов.

Алгоритм прогнозной аналитики должен учитывать демографические данные клиентов, приобретенные продукты, использование продукта, звонки клиентов, время с момента последнего контакта, историю прошлых транзакций, отрасль, размер компании и доход.

Важно не только определить, кто откажется, но и кто не откажется. Прогнозирование того, какие клиенты не уйдут, означает, что вы можете найти разные способы привлечь их с помощью новых продуктов или стратегического партнерства

Кадровые риски: сложно предсказать, еще сложнее управлять

Кадровые риски сложно прогнозируемы и сильно влияют на благополучие организации. В условиях современной, основанной на знаниях, экономики квалификация и опыт персонала отыгрывают одну из ключевых ролей в развитии компании. Человеческие ресурсы наиболее непредсказуемы. В отличие от остальных активов они могут в один момент уйти, унося за собой ценные знания и умения.

Главная сложность состоит в том, что в поведении людей всегда присутствует фактор иррациональности. Поэтому объективную картину опасностей сформировать сложно

Важно также учесть вероятность, размер возможных убытков каждой из них

Оптимизация управления кадровыми опасностями предполагает:

• планирование персонала;
• создание резервов под компенсации, льготные выплаты;
• разработку программ мотивации сотрудников;
• контроль уровня квалификации персонала;
• организацию обучения персонала.

Перечисленные меры работают на предупреждение и используются для управляемых угроз. Но на некоторые повлиять практически невозможно. Для них предусмотрены следующие механизмы защиты:

• самострахование — создание финансового резерва под форс-мажорные ситуации;
• аутсорсинг, аутстаффинг — создание кадрового резерва;
• страхование здоровья, жизни сотрудников.

Типы моделей и методы

Существуют различные типы моделей машинного обучения, которые можно использовать для создания приложения прогнозной аналитики. У каждого типа есть свои плюсы и минусы, поэтому ваш лучший выбор будет зависеть от выполняемой вами работы и типа результатов, которых вы пытаетесь достичь.

Ниже приведены основные типы моделей, которые вы можете использовать при создании приложения.

• Модели дерева решений: Они используют узлы, которые представляют собой ветви принятия решений, во многом подобно тому, как рассуждают люди. Они часто используются в классификации информации, например это птица или собака?, этот проект имеет низкий или высокий риск?, и так далее .
• Нейронные сети: Нейронная сеть — это еще один тип системы машинного обучения, созданный по образцу человеческого мозга. Они работают со слоями, называемыми нейронами, которые позволяют им изучать взаимосвязи между различными типами входных данных и их значение. Примером могут служить большие языковые модели и системы распознавания рукописного текста. Нейронные сети идеально подходят для сложных проектов.
• Временные ряды: события, которые происходят во времени, например, цены на акции или Форекс, лучше всего обрабатывать с помощью анализа временных рядов. Временной ряд — это хронологическая последовательность данных, которые индексируются в течение заранее определенных интервалов времени. Эта модель хороша для финансов, инженерного дела, распознавания образов, прогнозирования погоды и многого другого.
• Модели регрессионного анализа: Регрессионный анализ — это статистический метод, используемый для оценки взаимосвязи между двумя переменными. Если одна из переменных зависит от другой, например, рост ребенка зависит от его возраста или вес человека зависит от того, сколько еды он ест ежедневно, то можно использовать регрессионный анализ для прогнозирования значения одной переменной, например веса, на основе с другой стороны, например, высота.
• Модели кластеризации: Кластеризация — это метод группировки данных, который использует схожие свойства объектов для группировки их в кластеры. Подобным качеством может быть что угодно: цвет, фигура, рост, уровень дохода и так далее. Кластеризация хорошо работает для сегментации клиентов, систем рекомендаций, распознавания образов и многого другого.

How does predictive analytics work?

Predictive analytics software applications use variables that can be measured and analyzed to predict the likely behavior of individuals, machinery or other entities.

Multiple variables are combined into a predictive model capable of assessing future probabilities with an acceptable level of reliability. The software relies heavily on advanced algorithms and methodologies, such as logistic regression models, time series analysis and decision trees (see the section below on «Predictive analytics techniques»).

Developing these forecasts is not necessarily easy, quick or straightforward. As Elif Tutuk, vice president of innovation and design at BI and data management software provider Qlik, told technology reporter George Lawton, the collection of data alone can take months or even years. Moreover, if the data is inaccurate or outdated, or the wrong tools are used, predictive outcomes will be negatively impacted.

Приложения

Хотя прогнозную аналитику можно использовать во многих приложениях, мы приводим несколько примеров, когда прогнозная аналитика показала положительное влияние в последние годы.

Бизнес

Аналитическое управление взаимоотношениями с клиентами (CRM) — частое коммерческое применение прогнозного анализа. К данным о клиентах применяются методы прогнозного анализа для построения целостного представления о клиенте. CRM использует прогнозный анализ в приложениях для маркетинговых кампаний, продаж и обслуживания клиентов. Аналитический CRM может применяться на протяжении всего жизненного цикла клиентов ( приобретение , рост отношений , сохранение и обоюдного назад).

Часто корпоративные организации собирают и хранят обширные данные, такие как записи о клиентах или транзакциях купли-продажи. В этих случаях прогнозная аналитика может помочь проанализировать расходы клиентов, их использование и другое поведение, что приведет к эффективным перекрестным продажам или продаже дополнительных продуктов текущим клиентам.

Правильное применение прогнозной аналитики может привести к более активным и эффективным стратегиям удержания. Путем частого изучения использования клиентом услуг в прошлом, эффективности обслуживания, расходов и других моделей поведения, прогнозные модели могут определить вероятность того, что клиент прекратит обслуживание в ближайшее время. Вмешательство с предложениями с высокой воспринимаемой ценностью может увеличить вероятность привлечения или удержания клиента. Прогнозная аналитика также может предсказать скрытое истощение, то есть поведение клиента, направленное на медленное, но неуклонное сокращение использования.

Защита детей

Некоторые агентства по защите детей начали использовать прогнозную аналитику для выявления случаев повышенного риска. Например, в округе Хиллсборо, штат Флорида , использование агентством по охране детства инструмента прогнозного моделирования предотвратило связанную с жестоким обращением детскую смертность среди целевой группы населения.

Системы поддержки принятия клинических решений

Прогностический анализ нашел применение в здравоохранении, прежде всего, для определения пациентов, подверженных риску развития таких состояний, как диабет, астма или сердечные заболевания. Кроме того, сложные системы поддержки клинических решений включают прогностическую аналитику для поддержки принятия медицинских решений.

Исследование нейродегенеративных расстройств, проведенное в 2016 году, представляет собой мощный пример платформы CDS для диагностики, отслеживания, прогнозирования и мониторинга прогрессирования болезни Паркинсона .

Прогнозирование результатов судебных решений

Прогнозирование исхода судебных решений может выполняться программами искусственного интеллекта. Эти программы могут использоваться в качестве вспомогательных средств для специалистов в этой отрасли.

Прогноз на уровне портфеля, продукта или экономики

Часто в центре внимания анализа находится не потребитель, а продукт, портфель, фирма, отрасль или даже экономика. Например, розничный торговец может быть заинтересован в прогнозировании спроса на уровне магазина для целей управления запасами. Или Совет Федеральной резервной системы может быть заинтересован в прогнозировании уровня безработицы на следующий год. Эти типы проблем могут быть решены с помощью прогнозной аналитики с использованием методов временных рядов (см. Ниже). Их также можно решить с помощью подходов машинного обучения, которые преобразуют исходные временные ряды в пространство векторов признаков, где алгоритм обучения находит шаблоны, которые имеют предсказательную силу.

Андеррайтинг

Многие предприятия должны учитывать подверженность риску из-за различных услуг и определять затраты, необходимые для покрытия риска. Прогнозная аналитика может помочь подтвердить эти количества, предсказывая шансы болезни, дефолта , банкротства и т. Д. Прогнозная аналитика может упростить процесс привлечения клиентов, прогнозируя будущее рискованное поведение клиента с использованием данных на уровне приложений. Прогнозная аналитика в форме кредитных рейтингов сократила время, необходимое для утверждения ссуд, особенно на ипотечном рынке. Надлежащая прогнозная аналитика может привести к правильным решениям о ценообразовании, которые могут помочь снизить риск дефолта в будущем.