Modélisation prédictive
La modélisation prédictive consiste à utiliser des résultats connus pour créer, traiter et valider un modèle pouvant être utilisé pour prévoir les résultats futurs. C'est un outil utilisé dans l'analyse prédictive, une technique d'exploration de données qui tente de répondre à la question "que peut-il arriver dans le futur?"
Comprendre la modélisation prédictive
La migration rapide vers les produits numériques a créé une multitude de données facilement disponibles et accessibles aux entreprises. Les entreprises utilisent les mégadonnées pour améliorer la dynamique de la relation client-entreprise. Cette grande quantité de données en temps réel provient de sources telles que les médias sociaux, l'historique de navigation sur Internet, les données de téléphones cellulaires et les plates-formes de cloud computing.
En analysant les événements historiques, il est probable qu'une entreprise puisse prédire l'avenir et planifier en conséquence. Cependant, ces données sont généralement non structurées et trop complexes pour être analysées par l'homme sur une courte période. En raison de la complexité des énormes quantités de données, les entreprises ont de plus en plus recours à des outils d'analyse prédictive pour prévoir le résultat d'un événement susceptible de se produire dans un proche avenir.
Comment fonctionne l'analyse prédictive
L’analyse prédictive collecte et traite des données historiques en très grande quantité et utilise des ordinateurs puissants pour évaluer ce qui s’est passé dans le passé, puis fournit une évaluation de ce qui se passera dans le futur.
L'analyse prédictive utilise des prédicteurs ou des fonctionnalités connues pour créer des modèles prédictifs qui seront utilisés pour obtenir une sortie. Un modèle prédictif est capable d'apprendre comment différents points de données se connectent les uns aux autres. La régression et les réseaux de neurones sont deux des techniques de modélisation prédictive les plus largement utilisées.
Les entreprises ont de plus en plus recours à la modélisation prédictive pour prévoir les événements susceptibles de se produire dans un avenir proche.
Considérations particulières
Dans le domaine des statistiques, la régression fait référence à une relation linéaire entre les variables d’entrée et de sortie. Un modèle prédictif avec une fonction linéaire nécessite un prédicteur ou une fonctionnalité afin de prédire le résultat / résultat. Par exemple, une banque qui espère détecter le blanchiment d’argent à ses débuts pourrait incorporer un modèle prédictif linéaire.
La banque souhaite en particulier savoir quels clients sont susceptibles de se livrer à des activités de blanchiment d’argent à un moment donné. Toutes les données des clients de la banque sont présentées et un modèle prédictif est construit autour de la valeur en dollars des virements effectués par chaque client au cours d'une période donnée.
On apprend au modèle à reconnaître la différence entre une transaction de blanchiment d’argent et une transaction normale. Le résultat optimal du modèle devrait être un schéma indiquant quel client a blanchi de l’argent et qui ne l’a pas fait. Si le modèle perçoit qu'un schéma de fraude se dessine pour un client en particulier, cela créera un signal d'action auquel les analystes de la banque s'attaqueront.
Les modèles prédictifs sont également utilisés dans les réseaux de neurones tels que l'apprentissage automatique et l'apprentissage en profondeur, qui sont des domaines de l'intelligence artificielle (IA). Les réseaux de neurones sont inspirés par le cerveau humain et sont créés avec un réseau de nœuds interconnectés à des niveaux hiérarchiques qui représentent le fondement de l'IA. La puissance des réseaux de neurones réside dans leur capacité à gérer des relations de données non linéaires. Ils sont capables de créer des relations et des modèles entre des variables qui s'avéreraient impossibles ou trop chronophages pour les analystes humains.
Points clés à retenir
- La modélisation prédictive consiste à utiliser des résultats connus pour créer, traiter et valider un modèle pouvant être utilisé pour effectuer des prévisions futures.
- La régression et les réseaux de neurones sont deux des techniques de modélisation prédictive les plus largement utilisées.
Ainsi, alors qu’une banque peut saisir dans son modèle des variables connues telles que la valeur des virements initiés par ses clients afin d’obtenir le résultat souhaité concernant les personnes susceptibles de se lancer dans le blanchiment d’argent, un réseau de neurones peut créer un motif plus puissant s’il peut Créez avec succès une relation entre les variables d'entrée telles que la durée de connexion, l'emplacement géographique de l'utilisateur, l'adresse IP de l'appareil de l'utilisateur, le destinataire ou l'expéditeur des fonds et toute autre caractéristique susceptible de constituer une activité de blanchiment.
Les autres techniques de modélisation prédictive utilisées par les sociétés financières comprennent les arbres de décision, l'exploration de données chronologiques et l'analyse bayésienne. Les entreprises qui tirent parti du big data par le biais de mesures de modélisation prédictives sont mieux à même de comprendre comment leurs clients interagissent avec leurs produits et peuvent identifier les risques et opportunités potentiels pour une entreprise.
Comparaison des comptes d'investissement Nom du fournisseur Description Divulgation par l'annonceur × Les offres figurant dans ce tableau proviennent de partenariats avec lesquels Investopedia reçoit une rémunération.