Documente Academic
Documente Profesional
Documente Cultură
Scopul și motivația
5
Analiză descriptivă, Analiză predictivă,
Analiză prescriptivă
Analiza descriptivă formează nucleul raportării de zi cu zi în multe afaceri. Rapoartele anuale de venituri sunt un
exemplu clasic de analiză descriptivă, împreună cu alte rapoarte, cum ar fi datele de inventar, depozitare și vânzări, care pot fi
agregate cu ușurință și oferă o imagine clară a operațiunilor unei companii. În timp ce datele descriptive pot fi utile pentru a
identifica rapid tendințele și modelele, analiza are limitări. Privită izolat, este posibil ca analiza descriptivă să nu ofere
imaginea completă.
Există numeroase beneficii în utilizarea analizei predictive. După cum s-a menționat mai sus, utilizarea
acestui tip de analiză poate ajuta entitățile atunci când trebuie să faceți predicții despre rezultate.
Investitorii, profesioniștii financiari și liderii de afaceri pot folosi modele pentru a ajuta la reducerea
riscului. De exemplu, un investitor și consilierul lor pot folosi anumite modele pentru a ajuta la elaborarea unui
portofoliu de investiții cu risc minim pentru investitor, luând în considerare anumiți factori, cum ar fi vârsta,
capitalul și obiectivele.
Există un impact semnificativ asupra reducerii costurilor atunci când sunt utilizate modele. Companiile
pot determina probabilitatea de succes sau eșec al unui produs înainte de a fi lansat. Sau pot rezerva capital
pentru îmbunătățirea producției folosind tehnici predictive înainte de începerea procesului de fabricație.
Critica Analizei Predictive
Utilizarea analizei predictive a fost criticată și, în unele cazuri, restricționată din punct de vedere legal
din cauza inechităților percepute în rezultatele sale. Cel mai frecvent, aceasta implică modele predictive care au
ca rezultat discriminarea statistică împotriva grupurilor rasiale sau etnice în domenii precum evaluarea
creditului, împrumutul pentru locuințe, angajarea sau riscul de comportament criminal.
Netflix & Analiza predictivă
Random Forest este probabil cel mai popular algoritm, capabil atât de clasificare, cât și de
regresie. Poate clasifica cu precizie volume mari de date.
Numele „Random Forest” este derivat din faptul că algoritmul este o combinație de arbori de
decizie. Fiecare copac depinde de valorile unui vector aleatoriu eșantionat independent, cu aceeași
distribuție pentru toți copacii din „pădure”. Fiecare este crescut în cea mai mare măsură posibilă.
Algoritmii de analiză predictivă încearcă să obțină cea mai mică eroare posibilă fie folosind
„boosting” (o tehnică care ajustează greutatea unei observații pe baza ultimei clasificări) fie „bagging”
(care creează subseturi de date din eșantioane de antrenament, alese aleatoriu cu înlocuire). Dacă aveți o
mulțime de date eșantion, în loc să vă antrenați cu toate, puteți să luați un subset și să vă antrenați cu
privire la el și să luați un alt subset și să vă antrenați pe acesta (suprapunerea este permisă).
Concluzii
Mulțumesc!
16