Que sont les analyses prédictives?
L'analyse prédictive décrit l'utilisation de statistiques et de modélisation pour déterminer les performances futures en fonction des données actuelles et historiques. L'analyse prédictive examine les modèles dans les données pour déterminer si ces modèles sont susceptibles d'émerger à nouveau, ce qui permet aux entreprises et aux investisseurs d'ajuster où ils utilisent leurs ressources pour profiter des événements futurs possibles.
Points clés à retenir
- L'analyse prédictive est l'utilisation de statistiques et de techniques de modélisation pour déterminer les performances futures.Elle est utilisée comme outil de prise de décision dans une variété d'industries et de disciplines, telles que l'assurance et le marketing.L'analyse prédictive et l'apprentissage automatique sont souvent confondus, mais ce sont des disciplines différentes.
Comprendre l'analyse prédictive
Il existe plusieurs types de méthodes d'analyse prédictive disponibles. Par exemple, l'exploration de données implique l'analyse de grandes tranches de données pour en détecter les modèles. L'analyse de texte fait de même, sauf pour les gros blocs de texte.
Les modèles prédictifs examinent les données passées pour déterminer la probabilité de certains résultats futurs, tandis que les modèles descriptifs examinent les données passées pour déterminer comment un groupe peut répondre à un ensemble de variables.
L'analyse prédictive est un outil d'aide à la décision dans divers secteurs. Par exemple, les compagnies d'assurance examinent les demandeurs de police pour déterminer la probabilité d'avoir à payer pour une future réclamation en fonction du pool de risques actuel de titulaires de police similaires, ainsi que des événements passés qui ont entraîné des paiements. Les spécialistes du marketing examinent la façon dont les consommateurs ont réagi à l'économie globale lors de la planification d'une nouvelle campagne et peuvent utiliser les changements démographiques pour déterminer si la combinaison actuelle de produits incitera les consommateurs à effectuer un achat.
Les traders actifs examinent une variété de paramètres basés sur des événements passés lorsqu'ils décident d'acheter ou de vendre un titre. Les moyennes mobiles, les bandes et les points de rupture sont basés sur des données historiques et sont utilisés pour prévoir les mouvements futurs des prix.
Idées fausses courantes de l'analyse prédictive
Une idée fausse commune est que l'analyse prédictive et l'apprentissage automatique sont les mêmes choses. À la base, l'analyse prédictive comprend une série de techniques statistiques (y compris l'apprentissage automatique, la modélisation prédictive et l'exploration de données) et utilise des statistiques (historiques et actuelles) pour estimer ou prédire les résultats futurs. L'analyse prédictive nous aide à comprendre les événements futurs possibles en analysant le passé. Alors que le machine learning, d'autre part, est un sous-domaine de l'informatique qui, selon la définition de 1959 par Arthur Samuel - un pionnier américain dans le domaine des jeux informatiques et de l'intelligence artificielle qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmé."
Les modèles prédictifs les plus courants comprennent les arbres de décision, les régressions (linéaires et logistiques) et les réseaux de neurones - qui est le domaine émergent des méthodes et technologies d'apprentissage en profondeur.
Exemple d'analyse prédictive
La prévision est une tâche essentielle dans la fabrication car elle garantit une utilisation optimale des ressources dans une chaîne d'approvisionnement. Les rayons critiques de la roue de la chaîne d'approvisionnement, qu'il s'agisse de la gestion des stocks ou de l'atelier, nécessitent des prévisions précises pour leur fonctionnement. La modélisation prédictive est souvent utilisée pour nettoyer et optimiser la qualité des données utilisées pour de telles prévisions. La modélisation garantit que davantage de données peuvent être ingérées par le système, y compris à partir d'opérations orientées client, pour garantir une prévision plus précise.
