Der Workflow zum Erstellen von Frameworks für prädiktive Analysen umfasst fünf grundlegende Schritte:

1. Das Problem definieren: Eine Vorhersage beginnt mit einer guten These und einer Reihe von Anforderungen. Kann ein Vorhersageanalysemodell beispielsweise Betrug erkennen? Kann es die optimalen Inventarebenen für die Festtagssaison erkennen? Lassen sich damit potenzielle Hochwasserpegel aufgrund von Unwettern erkennen? Ein bestehendes, zu lösendes Problem hilft bei der Entscheidung, welche Methode der Vorhersageanalyse verwendet werden sollte.
2. Daten erfassen und organisieren: Ein Unternehmen verfügt möglicherweise über Daten aus mehreren Jahrzehnten oder über eine kontinuierlich wachsende Flut an Daten aus Kundeninteraktionen. Bevor Modelle für prädiktive Analyse entwickelt werden können, müssen Datenflüsse identifiziert werden. Anschließend können Datasets in einem Repository wie einem Data Warehouse wie BigQuery organisiert werden.
3. Vorverarbeiten von Daten: Rohdaten sind für sich genommen nur von geringem Nutzen. Zur Vorbereitung der Daten für die Vorhersageanalysemodelle sollten sie bereinigt werden, um Anomalien, fehlende Datenpunkte oder extreme Ausreißer zu entfernen, die möglicherweise das Ergebnis von Eingabe- oder Messfehlern sind.
4. Prognosemodelle entwickeln: Data Scientists steht eine Vielzahl von Tools und Techniken zur Entwicklung von Vorhersagemodellen zur Verfügung, die auf dem zu lösenden Problem und der Art des Datasets basieren. Maschinelles Lernen, Regressionsmodelle und Entscheidungsbäume gehören zu den häufigsten Arten von Vorhersagemodellen.
5. Ergebnisse validieren und bereitstellen: Prüfen Sie die Genauigkeit des Modells und nehmen Sie entsprechende Anpassungen vor. Sobald akzeptable Ergebnisse erzielt wurden, können sie allen Beteiligten über eine App, eine Website oder ein Daten-Dashboard zur Verfügung gestellt werden.

Im Allgemeinen gibt es zwei Arten von Vorhersagemodellen: Klassifizierungs- und Regressionsmodelle. Klassifizierungsmodelle versuchen, Datenobjekte (wie Kundschaft oder potenzielle Ergebnisse) in verschiedene Kategorien einzuteilen. Wenn ein Einzelhändler beispielsweise viele Daten zu verschiedenen Kundentypen hat, könnte er vorhersagen, welche Art Kunden für Markting-E-Mails empfänglich ist. Regressionsmodelle versuchen, kontinuierliche Daten vorherzusagen, z. B. wie viel Umsatz der Kunde während seiner Geschäftsbeziehung mit dem Unternehmen generieren wird.

Prädiktive Analysen werden tendenziell mit drei Haupttypen von Techniken durchgeführt:

Regressionsanalyse

Regression ist ein statistisches Analyseverfahren, mit dem Beziehungen zwischen Variablen geschätzt werden. Die Regression ist nützlich, um Muster in großen Datasets zu ermitteln und die Korrelation zwischen Eingaben zu bestimmen. Sie lässt sich am besten für kontinuierliche Daten anwenden, die einer bekannten Verteilung folgen. Regression wird häufig verwendet, um zu bestimmen, wie sich eine oder mehrere unabhängige Variablen auf eine andere auswirken, z. B. wie sich eine Preiserhöhung auf den Verkauf eines Produkts auswirkt.

Entscheidungsbäume

Entscheidungsbäume sind Klassifizierungsmodelle, die Daten basierend auf unterschiedlichen Variablen in verschiedene Kategorien einordnen. Diese Methode eignet sich dazu, um die Entscheidungen einer Person zu verstehen. Das Modell sieht aus wie ein Baum, wobei jeder Zweig eine potenzielle Wahl und das Blatt des Zweigs das Ergebnis der Wahl darstellt. Entscheidungsbäume sind in der Regel leicht verständlich und funktionieren gut, wenn in einem Dataset mehrere Variablen fehlen.

Neuronale Netzwerke

Neuronale Netzwerke sind Methoden für maschinelles Lernen, die bei der Vorhersageanalyse nützlich sind, wenn sehr komplexe Beziehungen modelliert werden. Im Wesentlichen handelt es sich dabei um leistungsstarke Modelle zur Mustererkennung. Neuronale Netzwerke sind gut geeignet, um nicht-lineare Beziehungen in Datasets zu bestimmen, insbesondere wenn keine bekannte mathematische Formel zur Analyse der Daten vorhanden ist. Mit neuronalen Netzwerken lassen sich die Ergebnisse von Entscheidungsbäumen und Regressionsmodellen validieren.