Modellazione predittiva
Che cos’è la modellazione predittiva?
La modellazione predittiva è il processo di utilizzo dei risultati noti per creare, elaborare e convalidare un modello che può essere utilizzato per prevedere i risultati futuri. È uno strumento utilizzato nell’analisi predittiva, una tecnica di data mining che tenta di rispondere alla domanda “cosa potrebbe accadere in futuro?”
Punti chiave
- La modellazione predittiva è il processo di utilizzo dei risultati noti per creare, elaborare e convalidare un modello che può essere utilizzato per fare previsioni future.
- Due delle tecniche di modellazione predittiva più utilizzate sono la regressione e le reti neurali.
- Le aziende possono utilizzare modelli predittivi per prevedere eventi, comportamento dei clienti e rischi finanziari, economici e di mercato.
Comprensione della modellazione predittiva
Analizzando gli eventi storici, le aziende possono utilizzare modelli predittivi per aumentare la probabilità di prevedere eventi, comportamento dei clienti e rischi finanziari, economici e di mercato.
La rapida migrazione ai prodotti digitali ha creato un mare di dati immediatamente disponibili per le aziende. I big data vengono utilizzati dalle aziende per migliorare le dinamiche del rapporto cliente-impresa. Questa grande quantità di dati in tempo reale viene recuperata da fonti come social media, cronologia di navigazione in Internet, dati di telefoni cellulari e piattaforme di cloud computing.
Tuttavia, i dati sono solitamente non strutturati e troppo complessi per essere analizzati dagli esseri umani in un breve periodo di tempo. A causa dell’enorme volume di dati, le aziende utilizzano strumenti di modellazione predittiva, spesso tramite programmi software per computer. I programmi elaborano enormi quantità di dati storici per valutare e identificare i modelli all’interno dei dati. Da lì, il modello può fornire una registrazione storica e una valutazione di quali comportamenti o eventi è probabile che si verifichino di nuovo o in futuro.
La modellazione predittiva può essere utilizzata dalle squadre sportive per analizzare le probabilità di successo utilizzando le statistiche dei giocatori e l’analisi situazionale.
Applicazioni della modellazione predittiva
L’analisi predittiva utilizza predittori o funzionalità note per creare modelli predittivi che verranno utilizzati per ottenere un output. Un modello predittivo è in grado di apprendere come i diversi punti di dati si connettono tra loro. Due delle tecniche di modellazione predittiva più utilizzate sono la regressione e le reti neurali.
Nel campo della statistica, la regressione si riferisce a una relazione lineare tra le variabili di input e di output. Un modello predittivo con una funzione lineare richiede un predittore o una caratteristica per prevedere l’output o il risultato. Ad esempio, una banca che spera di rilevare il riciclaggio di denaro nelle sue fasi iniziali potrebbe incorporare un modello predittivo lineare.
La banca desidera identificare quali dei suoi clienti potrebbero essere coinvolti in attività di riciclaggio di denaro in un determinato momento. Utilizzando i dati dei clienti della banca, viene costruito un modello predittivo intorno all’importo in dollari dei trasferimenti di denaro che i clienti hanno effettuato durante un periodo di tempo.
Il modello viene insegnato a riconoscere la differenza tra una transazione di riciclaggio di denaro e una normale transazione. Il risultato ottimale del modello dovrebbe essere un modello che segnali quale cliente ha riciclato denaro e quale no. Se il modello percepisce che un modello di frode sta emergendo per un particolare cliente, creerà un segnale per l’azione, che sarà curato dall’unità di prevenzione delle frodi della banca.
Strumenti di modellazione predittiva
I modelli predittivi vengono utilizzati anche nelle reti neurali come l’apprendimento automatico e l’apprendimento profondo, che sono campi dell’intelligenza artificiale (AI). Le reti neurali si ispirano al cervello umano e sono create con una rete di nodi interconnessi a livelli gerarchici, che rappresenta la base dell’AI. Il potere delle reti neurali risiede nella loro capacità di gestire relazioni di dati non lineari. Sono in grado di creare relazioni e schemi tra variabili che risulterebbero impossibili o che richiedono troppo tempo per gli analisti umani.
Da un lato, una banca può inserire nel proprio modello variabili note, come il valore dei trasferimenti avviati dai propri clienti, per determinare chi è probabile che sia coinvolto nel riciclaggio di denaro. D’altra parte, una rete neurale può creare un modello più potente creando una relazione tra le variabili di input. Queste variabili di input potrebbero includere il tempo di accesso, la posizione geografica dell’utente, l’indirizzo IP del dispositivo dell’utente, il destinatario o il mittente dei fondi e qualsiasi altra variabile o comportamento che potrebbe essere coinvolto nell’attività di riciclaggio di denaro.
Altre tecniche di modellazione predittiva utilizzate dalle società finanziarie includono alberi decisionali, data mining di serie temporali e analisi bayesiana. Le aziende che sfruttano i big data attraverso misure di modellazione predittiva sono in grado di comprendere meglio come i loro clienti interagiscono con i loro prodotti e possono identificare potenziali rischi e opportunità per l’azienda.