Der Workflow zum Erstellen von Frameworks für prädiktive Analytik besteht aus fünf grundlegenden Schritten:

1. Das Problem definieren: Eine Vorhersage beginnt mit einer guten These und einer Reihe von Anforderungen. Kann ein prädiktives Analysemodell beispielsweise Betrug erkennen? Kann es die optimalen Inventarebenen für die Festtagssaison erkennen? Lassen sich damit potenzielle Hochwasserpegel aufgrund von Unwettern erkennen? Ein eindeutiges Problem, das gelöst werden muss, hilft zu bestimmen, welche Methode der prädiktiven Analyse verwendet werden sollte.
2. Daten erfassen und organisieren: Ein Unternehmen kann möglicherweise auf Daten aus mehreren Jahrzehnten zurückgreifen oder eine ständige Flut von 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 gängigsten Typen 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 prädiktiven Analysemodellen: 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, kann er versuchen, vorherzusagen, welche Kundentypen für Marketing-E-Mails empfänglich sind. 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, das Beziehungen zwischen Variablen schätzt. Regression ist nützlich, um Muster in großen Datasets zu bestimmen und so die Korrelation zwischen Eingaben zu bestimmen. Sie eignet sich am besten für stetige Daten, 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. Die Methode eignet sich am besten, um die Entscheidungen einer Person nachzuvollziehen. Das Modell sieht aus wie ein Baum, wobei jeder Zweig eine potenzielle Auswahl darstellt und das Blatt des Zweigs das Ergebnis der Entscheidung repräsentiert. Entscheidungsbäume sind in der Regel leicht verständlich und funktionieren gut, wenn in einem Dataset mehrere Variablen fehlen.

Neuronale Netzwerke

Neuronale Netzwerke sind Methoden des maschinellen Lernens, die bei der prädiktiven Analyse bei der Modellierung sehr komplexer Beziehungen nützlich sind. Im Wesentlichen sind es leistungsstarke Engines zur Mustererkennung. Neuronale Netzwerke werden am besten verwendet, um nicht lineare Beziehungen in Datensätzen zu bestimmen, insbesondere wenn keine bekannte mathematische Formel zur Analyse der Daten vorhanden ist. Neuronale Netzwerke können verwendet werden, um die Ergebnisse von Entscheidungsbäumen und Regressionsmodellen zu validieren.