تجزیه و تحلیل پیش بینی کننده شکلی از تجزیه و تحلیل پیشرفته است که از داده های فعلی و تاریخی برای پیش بینی فعالیت، رفتار و روندها استفاده می کند. این شامل استفاده از تکنیک های تجزیه و تحلیل آماری، پرس و جوهای داده ها و الگوریتم های یادگیری ماشین برای مجموعه داده ها برای ایجاد مدل های پیش بینی است که یک مقدار عددی – یا امتیاز – را بر روی احتمال وقوع یک عمل یا رویداد خاص قرار می دهد.

تجزیه و تحلیل پیش بینی کننده یک رشته کلیدی در زمینه تجزیه و تحلیل داده ها است، یک اصطلاح چتر برای استفاده از روش های کمی و دانش تخصصی برای استخراج معنی از داده ها و پاسخ به سؤالات اساسی در مورد یک تجارت، آب و هوا، مراقبت های بهداشتی، تحقیقات علمی و سایر زمینه های تحقیق. . در زمینه کسب و کارها، تمرکز اصلی در اینجا، این فرآیند اغلب به عنوان تجزیه و تحلیل کسب و کار شناخته می شود.

سه نوع عمده از تجزیه و تحلیل کسب و کار وجود دارد. رایج ترین نوع آن تجزیه و تحلیل توصیفی است که گزارشی از آنچه در یک کسب و کار اتفاق افتاده است را ارائه می دهد. تجزیه و تحلیل پیش‌بینی‌کننده، موضوع این راهنما، به کسب‌وکارها کمک می‌کند تا پیش‌بینی کنند چه اتفاقی خواهد افتاد. به دنبال الگوهایی در داده‌ها می‌گردد و آن‌ها را برای کمک به کسب‌وکارها در کاهش ریسک‌ها و بهره‌برداری از فرصت‌ها پیش‌روی می‌کند. دسته سوم، تجزیه و تحلیل تجویزی، بهترین روش بعدی را بر اساس هوش تولید شده توسط دو نوع تحلیل دیگر تجویز می کند یا به طور خودکار انجام می دهد. دو حالت دیگر از تجزیه و تحلیل گاهی اوقات در زنجیره تجزیه و تحلیل کسب و کار ظاهر می شود: تجزیه و تحلیل تشخیصی، که علت وقوع اتفاقی را بررسی می کند، و تجزیه و تحلیل زمان واقعی، که داده ها را هنگام تولید، جمع آوری یا به روز رسانی تجزیه و تحلیل می کند.

این راهنمای تجزیه و تحلیل پیش‌بینی‌کننده، بیشتر توضیح می‌دهد که چیست، چرا مهم است و مزایای کسب‌وکار ارائه می‌شود. همچنین اطلاعاتی در مورد ابزارها و تکنیک های مورد استفاده در تجزیه و تحلیل پیش بینی کننده، نمونه هایی از استفاده از آن در صنایع مختلف، فرآیند تجزیه و تحلیل پیش بینی پنج مرحله ای و موارد دیگر خواهید یافت. در سراسر راهنما، پیوندهایی به مقالات مرتبط وجود دارد که موضوعات را با عمق بیشتری پوشش می دهد.

قبل از غوطه ور شدن، کمی زمینه دیگر وجود دارد. سیستم های هوش تجاری – که در اوایل دهه 1990 و در دهه 2000 به طور گسترده توسط شرکت ها به کار گرفته شد – همچنین به کسب و کارها کمک می کند تا با جمع آوری، ذخیره، تجزیه و تحلیل و گزارش داده های گذشته تصمیمات بهتری بگیرند. از آنجایی که پلتفرم‌های BI برای تطبیق داده‌های بزرگ و فناوری‌های نوظهور مانند محاسبات ابری، اینترنت اشیا و هوش مصنوعی تکامل یافته‌اند، برخی از افراد اکنون تجزیه و تحلیل تجاری را زیرمجموعه‌ای از هوش تجاری می‌دانند. دیگران این دو اصطلاح را به جای هم استفاده می کنند.

در همین حال، از آنجایی که یادگیری ماشین برای تجزیه و تحلیل پیشگویانه اساسی شده است، بسیاری از پروژه های تجزیه و تحلیل پیش بینی به سادگی به عنوان برنامه های کاربردی یادگیری ماشین یا علم داده نامیده می شوند. تفاوت‌ها و همپوشانی‌های ظریف بین این اصطلاحات برای متخصصان مهم است تا آن‌ها را حل کنند، اما در عمل نه چندان زیاد. همانطور که در کتاب درسی اخیراً به روز شده خود در مورد تجزیه و تحلیل پیشگویانه، Dursun Delen، مرجع تجزیه و تحلیل کسب و کار مشاهده کرد، “بدون توجه به اصطلاحات استفاده شده، هدف یکسان است: ایجاد بینش عملی از داده های بزرگ و غنی.”

نیاز به تجزیه و تحلیل پیش‌بینی‌کننده مسلماً حیاتی‌تر از همیشه است. دلن، استاد علم مدیریت و سیستم‌های اطلاعاتی در دانشگاه ایالتی اوکلاهاما، در مقدمه‌ای برای تحلیل پیش‌بینی‌کننده می‌نویسد: «مفهوم سنتی یادگیری از اشتباهات دیگر کاربرد ندارد؛ واقعیت امروزی بیشتر شبیه «یک ضربه و تو بیرون هستی» است. ، چاپ دوم. سازمان‌هایی که از تحلیل‌های تجاری استفاده می‌کنند نه تنها می‌توانند زنده بمانند، بلکه اغلب در این نوع شرایط پیشرفت می‌کنند.»

داده ها رگ حیاتی تجزیه و تحلیل تجاری و به طور فزاینده ای سوخت کسب و کار هستند. شرکت ها، بزرگ و کوچک، بر اساس داده های تولید و جمع آوری شده از عملیات و منابع خارجی خود کار می کنند. به عنوان مثال، شرکت‌ها داده‌هایی را در هر مرحله از سفر خریدار جمع‌آوری می‌کنند، و ردیابی می‌کنند که چه زمانی، چه چیزی، چه مقدار و چقدر مشتریان خرید می‌کنند. آن‌ها همچنین نقص‌های مشتری، شکایات، تأخیر در پرداخت‌ها، پیش‌فرض‌های اعتباری و کلاهبرداری را دنبال می‌کنند.

اما حجم انبوهی از داده‌هایی که کسب‌وکارها روی مشتریان، عملیات تجاری، تامین‌کنندگان، عملکرد کارکنان و غیره جمع‌آوری می‌کنند، مفید نیست مگر اینکه بر اساس آن عمل شود. دونالد فارمر، کارشناس تحلیلی، مدیر مشاور TreeHive Strategy، در مقاله عمیق خود در مورد تفاوت بین اطلاعات توصیفی، خاطرنشان کرد: «داده‌ها در عملیات تجاری بسیار فراگیر شده‌اند که صرف دسترسی به داده‌های بیشتر یا بهتر به خودی خود یک تفاوت کلیدی نیست. ، تجزیه و تحلیل پیش بینی و تجویزی. آنچه امروز نتایج کسب‌وکار را تغییر می‌دهد این است که چگونه داده‌های خود را می‌فهمیم و بر اساس آن عمل می‌کنیم. این درک نیازمند تجزیه و تحلیل است.

تجزیه و تحلیل پیش‌بینی‌کننده با جستجوی الگوهای معنادار در این داده‌های انباشته، و سپس ساخت مدل‌هایی که پیش‌بینی می‌کنند در آینده چه اتفاقی خواهد افتاد، به کسب‌وکارها کمک می‌کند. به عنوان مثال، بر اساس رفتار گذشته مشتری و رفتار سایر مشتریان با ویژگی های مشابه، چقدر احتمال دارد که مشتری به نوع خاصی از پیشنهاد بازاریابی، پیش فرض پرداخت یا پیچ پاسخ دهد؟

بخش‌های فروش و بازاریابی باهوش مدت‌هاست که از مدل‌سازی پیش‌بینی‌کننده استفاده کرده‌اند، اما استفاده از تجزیه و تحلیل پیش‌بینی‌کننده اکنون در کارکردهای تجاری و صنایع یافت می‌شود. سازمان‌ها از آن برای بهبود معیارهای کلیدی عملکرد با کاهش ریسک، بهینه‌سازی عملیات و افزایش کارایی و تنظیم استراتژی‌هایی استفاده می‌کنند که در نهایت مزیت رقابتی ایجاد می‌کنند.

با این حال، تکنیک های پیشرفته مانند تجزیه و تحلیل پیش بینی، همانطور که در زیر ذکر شده است، می تواند چالش برانگیز باشد.

برنامه‌های نرم‌افزاری تحلیل پیش‌بینی‌کننده از متغیرهایی استفاده می‌کنند که می‌توانند برای پیش‌بینی رفتار احتمالی افراد، ماشین‌آلات یا سایر نهادها اندازه‌گیری و تجزیه و تحلیل شوند.

متغیرهای چندگانه در یک مدل پیش بینی با قابلیت ارزیابی احتمالات آینده با سطح قابل قبولی از قابلیت اطمینان ترکیب می شوند. این نرم‌افزار به شدت بر الگوریتم‌ها و روش‌های پیشرفته مانند مدل‌های رگرسیون لجستیک، تجزیه و تحلیل سری‌های زمانی و درخت‌های تصمیم متکی است (به بخش زیر در «تکنیک‌های تحلیل پیش‌بینی‌کننده» مراجعه کنید).

توسعه این پیش بینی ها لزوما آسان، سریع یا ساده نیست. همانطور که Elif Tutuk، معاون نوآوری و طراحی در BI و ارائه دهنده نرم افزار مدیریت داده Qlik، به خبرنگار فناوری جورج لاتون گفت، جمع آوری داده ها به تنهایی می تواند ماه ها یا حتی سال ها طول بکشد. علاوه بر این، اگر داده‌ها نادرست یا قدیمی باشند، یا از ابزارهای اشتباه استفاده شود، نتایج پیش‌بینی‌کننده تأثیر منفی خواهد داشت.

فرآیند تحلیل پیش‌بینی‌کننده بر اساس صنعت، حوزه و بلوغ سازمانی متفاوت است. یک مثال ساده از استقرار تجزیه و تحلیل پیش‌بینی‌کننده شامل خرید محصولی است – برای مثال، یک موتور تقلب یا فیلتر هرزنامه – که با قابلیت‌های تحلیل پیش‌بینی‌کننده و مکانیزمی برای ارائه بازخورد به موقع به افراد مسئول خدمات ارائه می‌شود. در طرف دیگر این طیف، سازمان‌هایی هستند که چارچوب‌های قوی برای توسعه، انتشار، استقرار و تکرار مدل‌های پیش‌بینی سفارشی شده برای کسب‌وکارشان ایجاد می‌کنند.

شرح مفصلی از مراحل کلیدی در استقرار تجزیه و تحلیل پیش‌بینی‌کننده و مهارت‌های افراد مورد نیاز برای آنها را می‌توانید در مقاله لاوتون، “چرخه فرآیند تحلیل پیش‌بینی 5 مرحله‌ای” بیابید. در اینجا خلاصه ای از هر مرحله آورده شده است:

1. الزامات را تعریف کنید. مشکل تجاری را که می‌خواهید حل کنید، درک کنید. آیا مدیریت موجودی است؟ کاهش تقلب؟ پیش بینی فروش؟ ایجاد سوالات در مورد مشکل و فهرست کردن آنها به ترتیب اهمیت شروع خوبی است. همکاری با یک آماردان در این مرحله می تواند به شکل گیری معیارهایی برای سنجش موفقیت کمک کند. معمولاً یک کاربر تجاری یا کارشناس موضوع مسئولیت اولین قدم را بر عهده می گیرد.
2. داده ها را کاوش کنید. در اینجا، شما می خواهید به یک آماردان یا تحلیلگر داده یا هر دو حلقه بزنید. کار شناسایی داده هایی است که مشکلی را که می خواهید حل کنید و هدف را مشخص می کند. مرتبط بودن، مناسب بودن، کیفیت و تمیزی داده ها را در نظر بگیرید.
3. مدل را توسعه دهید. یک دانشمند داده می تواند کمک کند تا بفهمد کدام مدل های پیش بینی برای حل مشکل مناسب هستند. آزمایش با ویژگی‌ها، الگوریتم‌ها و فرآیندهای مختلف به منظور ایجاد تعادل بین عملکرد، دقت و سایر الزامات، مانند قابلیت توضیح، مهم است.
4. مدل را مستقر کنید. هنگامی که مدل توسط دانشمند داده تأیید شد، یک مهندس داده تعیین می کند که چگونه به بهترین شکل می تواند داده های خام مورد نیاز را بازیابی، پاکسازی و تبدیل کند تا مدل را در مقیاس اجرا کند و مهمتر از همه، به روشی که تفاوت معناداری ایجاد کند – به عنوان مثال، یکپارچه سازی یک الگوریتم امتیازدهی جدید در گردش کار تیم فروش.
5. نتایج را تایید کنید. عملکرد مدل می تواند در طول زمان به دلیل تغییر در ترجیحات مشتری یا فضای کسب و کار یا رویدادهای پیش بینی نشده مانند یک بیماری همه گیر تغییر کند. آستانه برای به روز رسانی مدل ها متفاوت است، که در این مرحله به تخصص مشترک یک کاربر تجاری و یک دانشمند داده نیاز دارد.

استفاده و اثربخشی تجزیه و تحلیل پیش‌بینی‌کننده در کنار ظهور سیستم‌های کلان داده رشد کرده است. از آنجایی که شرکت‌ها مجموعه‌های بزرگ‌تر و گسترده‌تری از داده‌ها را در خوشه‌های Hadoop، دریاچه‌های داده ابری و دیگر پلت‌فرم‌های کلان داده جمع‌آوری کرده‌اند، فرصت‌های داده‌کاوی بیشتری را برای دستیابی به بینش‌های پیش‌بینی‌کننده ایجاد کرده‌اند. توسعه سریع و تجاری سازی ابزارهای یادگیری ماشین توسط فروشندگان فناوری اطلاعات نیز به گسترش قابلیت های تحلیل پیش بینی کمک کرده است.

همچنین، همانطور که ابزارهای BI برای کاربرپسندتر شدن و در نتیجه گسترده تر شدن تکامل یافتند، همین روند در تجزیه و تحلیل های پیشرفته نیز در حال رخ دادن است. این موضوع در زیر در بخش‌های «ابزارهای تحلیل پیش‌بینی‌کننده» و «آینده تحلیل‌های پیش‌بینی‌کننده» بررسی می‌شود.

با این حال، استقرار تجزیه و تحلیل های پیش بینی می تواند سخت، زمان بر و پیچیده باشد – و مزایای این کار به هیچ وجه تضمین نشده است.

دونالد فارمر TreeHive در مقاله خود با عنوان “مزایای تجزیه و تحلیل پیش بینی کننده برای مشاغل” توصیه کرد: این چهار نکته به هنگام توسعه یک استراتژی تحلیل پیشگویانه به موفقیت شما کمک می کند:

1. پیش بینی های خوب بر داده های خوب متکی هستند. داده های ناقص یا نادرست منجر به پیش بینی های خوبی نخواهد شد.
2. نتایج خوب آینده به انتخاب بهترین تکنیک های مدل سازی پیش بینی کننده هنگام جستجوی الگوها در مجموعه داده ها بستگی دارد. دانشمندان داده در این زمینه آموزش دیده اند و سیستم های یادگیری ماشین خودکار جدید می توانند مدل هایی را برای یافتن بهترین رویکردها اجرا کنند.
3. ابهام در پیش‌بینی‌ها اجتناب‌ناپذیر است – موردی: پیش‌بینی آب‌وهوا. یاد بگیرید که با نتایج ناقص کار کنید.
4. پیش بینی های شما باید بینش عملی باشد. شما باید بتوانید با پیش بینی کاری مفید انجام دهید و دقت آن را در آینده آزمایش کنید.

پیش بینی آب و هوا یکی از شناخته شده ترین کاربردهای مدل سازی پیش بینی است. همچنین از تجزیه و تحلیل پیش بینی کننده برای پیش بینی انتخابات، پیش بینی شیوع بیماری ها و مدل سازی اثرات تغییرات آب و هوا استفاده می شود.

در تجارت، مدل سازی پیش بینی به شرکت ها کمک می کند تا عملیات را بهینه کنند، رضایت مشتری را بهبود بخشند، بودجه را مدیریت کنند، بازارهای جدید را شناسایی کنند، تأثیر رویدادهای خارجی را پیش بینی کنند، محصولات جدید توسعه دهند و استراتژی های تجاری، بازاریابی و قیمت گذاری را تنظیم کنند. به عنوان مثال، یک شرکت بیمه احتمالاً متغیرهای بالقوه ایمنی رانندگی – مانند سن، جنسیت، مکان، نوع وسیله نقلیه و سوابق رانندگی – را هنگام قیمت‌گذاری و تأیید بیمه‌نامه خودرو در نظر می‌گیرد.

برنامه های کاربردی تجاری برای تجزیه و تحلیل پیش بینی شامل هدف قرار دادن تبلیغات آنلاین، تجزیه و تحلیل رفتار مشتری برای تعیین الگوهای خرید، پرچم گذاری تراکنش های مالی بالقوه تقلبی، شناسایی بیماران در معرض خطر ابتلا به شرایط پزشکی خاص و تشخیص خرابی قطعات قریب الوقوع در تجهیزات صنعتی قبل از وقوع است. وال استریت از مدل سازی پیش بینی برای انتخاب سهام و سایر سرمایه گذاری ها استفاده می کند.

همانطور که مشاهده شد، صنعت بازاریابی همراه با موتورهای جستجوی بزرگ و ارائه دهندگان خدمات آنلاین، پذیرنده قابل توجهی از تجزیه و تحلیل پیش بینی کننده بوده است. سایر صنایعی که کاربران بزرگ تجزیه و تحلیل پیش‌بینی‌کننده هستند، مراقبت‌های بهداشتی و تولید هستند. نمونه‌های مشخصی از نحوه استفاده شرکت‌ها از تجزیه و تحلیل پیش‌بینی‌کننده در ادامه این راهنما به تفصیل آمده است.

تجزیه و تحلیل پیش بینی به سطح بالایی از تخصص با روش های آماری و توانایی ساخت مدل های تحلیل پیش بینی نیاز دارد. همانطور که در بخش فرآیند پنج مرحله‌ای برای تجزیه و تحلیل پیش‌بینی‌کننده ذکر شد، معمولاً در حوزه دانشمندان داده، آماردانان و سایر تحلیلگران ماهر داده است. آنها توسط مهندسان داده، که به جمع‌آوری داده‌های مرتبط و آماده‌سازی آن‌ها برای تجزیه و تحلیل کمک می‌کنند، و توسعه‌دهندگان BI و تحلیلگران کسب‌وکار، که در تجسم داده‌ها، داشبوردها و گزارش‌ها کمک می‌کنند، پشتیبانی می‌شوند.

دانشمندان داده از مدل های پیش بینی برای جستجوی همبستگی بین عناصر مختلف داده در داده های جریان کلیک وب سایت، سوابق سلامت بیمار و انواع دیگر مجموعه داده ها استفاده می کنند. پس از جمع‌آوری داده‌ها، یک مدل آماری فرموله می‌شود، آموزش داده می‌شود و در صورت نیاز برای تولید نتایج دقیق اصلاح می‌شود. سپس مدل در برابر داده های انتخاب شده اجرا می شود تا پیش بینی ایجاد کند. مجموعه‌های کامل داده‌ها در برخی برنامه‌ها تحلیل می‌شوند، اما در برخی دیگر، تیم‌های تحلیلی از نمونه‌گیری داده‌ها برای ساده‌سازی فرآیند استفاده می‌کنند. با در دسترس قرار گرفتن داده‌های اضافی، مدل‌سازی پیش‌بینی‌کننده اعتبار یا تجدیدنظر می‌شود.

فرآیند تحلیل پیش‌بینی‌کننده همیشه خطی نیست و همبستگی‌ها اغلب خود را در جایی نشان می‌دهند که دانشمندان داده به دنبال آن نیستند. به همین دلیل، برخی از شرکت‌ها با استخدام افرادی که سوابق آکادمیک در فیزیک و سایر رشته‌های علمی سخت دارند، موقعیت‌های دانشمند داده را پر می‌کنند. مطابق با روش علمی، این کارگران به راحتی به جایی می روند که داده ها آنها را هدایت می کند. حتی اگر شرکت‌ها از مسیر متعارف‌تر استخدام دانشمندان داده‌ای که در ریاضیات، آمار و علوم کامپیوتر آموزش دیده‌اند، پیروی کنند، داشتن ذهنی باز در مورد کاوش داده‌ها یک ویژگی کلیدی برای تجزیه و تحلیل پیش‌بینی‌کننده مؤثر است.

هنگامی که مدل‌سازی پیش‌بینی‌کننده نتایج عملی ایجاد کرد، تیم تحلیل می‌تواند آنها را با مدیران کسب‌وکار به اشتراک بگذارد، معمولاً با کمک داشبوردها و گزارش‌هایی که اطلاعات را ارائه می‌کنند و بر اساس یافته‌ها فرصت‌های تجاری آینده را برجسته می‌کنند. همچنین می‌توان مدل‌های کاربردی را در برنامه‌های عملیاتی و محصولات داده برای ارائه قابلیت‌های تجزیه و تحلیل بلادرنگ، مانند موتور توصیه‌ای در یک وب‌سایت خرده‌فروشی آنلاین که مشتریان را بر اساس فعالیت‌های مرور و انتخاب‌های خریدشان به محصولات خاص راهنمایی می‌کند، تعبیه کرد.

فراتر از مدل‌سازی پیش‌بینی‌کننده، سایر تکنیک‌های مورد استفاده توسط دانشمندان داده و متخصصان درگیر در تجزیه و تحلیل پیش‌بینی‌کننده شامل موارد زیر است:

• داده کاوی برای مرتب کردن مجموعه داده های بزرگ برای الگوها و روابطی که می تواند به حل مشکلات تجاری از طریق تجزیه و تحلیل داده ها کمک کند.
• تجزیه و تحلیل متن برای استخراج محتوای مبتنی بر متن، مانند اسناد Microsoft Word، ایمیل و پست های رسانه های اجتماعی.
• یادگیری ماشینی، از جمله استفاده از الگوریتم‌های طبقه‌بندی، خوشه‌بندی و رگرسیون که به شناسایی الگوهای داده و روابط کمک می‌کند. و
• یادگیری عمیق پیشرفته‌تر مبتنی بر شبکه‌های عصبی، که از مغز انسان تقلید می‌کنند و می‌توانند تلاش‌های تحلیلی پیش‌بینی‌کننده را بیشتر خودکار کنند.

نمونه‌هایی از برنامه‌های تحلیل پیش‌بینی‌کننده عملکردها و صنایع را در بر می‌گیرد. ماریا کورولوف، روزنامه‌نگار فناوری در نگاه به روز خود به برترین موارد استفاده تحلیلی پیش‌بینی‌کننده در تجارت گزارش داد، علاوه بر این، با دقیق‌تر شدن، استفاده آسان‌تر و ارزان‌تر شدن فناوری، کاربردها و مزایای تجزیه و تحلیل پیش‌بینی‌کننده افزایش می‌یابد.

در اینجا نمونه‌ای از نحوه استفاده کسب‌وکارها از تجزیه و تحلیل پیش‌بینی‌کننده آورده شده است.

بازار یابی. استفاده از تجزیه و تحلیل پیش‌بینی‌کننده در بازاریابی، نحوه فروش شرکت‌ها به مشتریان را تغییر داده است. مری کی پرات، نویسنده فناوری، در مقاله خود در مورد چگونگی ایجاد موفقیت در بازاریابی با تجزیه و تحلیل پیشگویانه گزارش داد که انواع موارد استفاده شامل بهترین اقدام بعدی، صلاحیت رهبری، مدیریت پیشگیرانه ریزش، پیش بینی تقاضا و “خلاقان مبتنی بر داده” — استفاده از تجزیه و تحلیل پیش‌بینی‌کننده برای کمک به تصمیم‌گیری در مورد سبک رسانه و شکل پیام‌رسانی که به بهترین وجه در بین مشتریان خاص طنین انداز می‌شود.

مدیریت زنجیره تامین همه‌گیری COVID-19 نیاز به مدل‌های آماری بهتر و پیش‌بینی در مدیریت زنجیره تامین را برجسته کرد. الکساندر وورم، تحلیلگر تحقیقاتی، به کورولوف گفت، این بیماری همه گیر شرکت ها را مجبور کرد “داده های تاریخی را از پنجره بیرون بیاورند” و فرآیندهای خود را با داده های بلادرنگ و اطلاعات شخص ثالث به روز کنند. به عنوان مثال، داده های بلادرنگ تولید شده توسط اینترنت اشیا به شرکت ها در مورد کالاهایی که خراب شده اند یا آسیب دیده اند هشدار می دهد و سودمندی تجزیه و تحلیل پیش بینی را در محیط های به سرعت در حال تغییر افزایش می دهد.

تشخیص تقلب. آخرین نظرسنجی جهانی جرم و جنایت توسط PricewaterhouseCoopers نشان داد که نرخ کلاهبرداری در بالاترین حد خود قرار دارد و طی دو سال گذشته برای شرکت‌ها در سراسر جهان 42 میلیارد دلار هزینه داشته است. بسیاری از شرکت‌ها تیم‌های کوچکی از محققان دارند که فناوری پیش‌بینی را برای کنترل کلاهبرداری ضروری می‌سازند. تجزیه و تحلیل پیش‌بینی‌کننده برای بررسی صدها هزار ادعای بیمه و ارجاع فقط مواردی که به احتمال زیاد تقلب هستند به تیم‌های تحقیقی ارجاع می‌شود. همچنین توسط خرده فروشان برای احراز هویت مشتریان هنگام ورود به سیستم و نظارت بر رفتار مشکوک آنها در صورت وقوع استفاده می شود.

مراقبت های بهداشتی. همانطور که پرت در خلاصه ای از 12 روشی که تجزیه و تحلیل پیش بینی ارزش در مراقبت های بهداشتی فراهم می کند گزارش کرد، استفاده از آن در این زمینه چالش برانگیز است و انتظار می رود افزایش یابد. پیش‌بینی احتمال ابتلای بیماران به شرایط پزشکی خاص و پیش‌بینی پیشرفت بیماری‌ها در بیماران، کاربردهای بزرگی است که شامل ذخیره‌سازی داده‌ها از سوابق الکترونیکی سلامت، مخازن فدرال، داده‌های بیومتریک، داده‌های ادعاها و موارد دیگر می‌شود. مدیریت سلامت همچنین از تجزیه و تحلیل پیش‌بینی‌کننده سود می‌برد، که برای شناسایی بیماران در معرض خطر بالای بستری مجدد در بیمارستان، بهینه‌سازی تخصیص منابع و مدیریت زنجیره‌های تامین، در میان سایر کاربردها استفاده می‌شود.

نگهداری و نظارت پیش بینی. داده های اینترنت اشیا در مدل سازی پیش بینی برای پیش بینی خرابی تجهیزات استفاده می شود. تولیدکنندگان حسگرها را به ماشین آلات در کف کارخانه و به محصولات مکاترونیک مانند خودرو متصل می کنند. سپس داده‌های حسگر برای پیش‌بینی زمان انجام تعمیر و نگهداری و تعمیرات به منظور جلوگیری از مشکلات استفاده می‌شود. تجزیه و تحلیل پیش‌بینی‌کننده همچنین برای نظارت بر خطوط لوله نفت و گاز، دکل‌های حفاری، مزارع آسیاب‌های بادی و سایر تاسیسات صنعتی IoT استفاده می‌شود. پیش بینی آب و هوای محلی برای کشاورزان تا حدی بر اساس داده های جمع آوری شده از ایستگاه های داده آب و هوای مجهز به حسگر نصب شده در مزارع مزرعه یکی دیگر از برنامه های مدل سازی پیش بینی مبتنی بر اینترنت اشیا است.

طیف گسترده ای از ابزارها در مدل سازی و تجزیه و تحلیل پیش بینی استفاده می شود. AWS، گوگل، IBM، مایکروسافت، SAP، موسسه SAS و بسیاری از فروشندگان نرم افزار دیگر ابزارهای تجزیه و تحلیل پیش بینی و فناوری های مرتبط با پشتیبانی از یادگیری ماشین و برنامه های کاربردی یادگیری عمیق را ارائه می دهند.

علاوه بر این، نرم افزار منبع باز نقش بزرگی در بازار تحلیل پیشگویانه دارد. زبان آنالیز منبع باز R معمولاً در برنامه های پیش بینی تحلیلی استفاده می شود، مانند زبان های برنامه نویسی پایتون و اسکالا. چندین پلتفرم تجزیه و تحلیل پیشگویانه و یادگیری ماشین منبع باز نیز در دسترس هستند، از جمله کتابخانه ای از الگوریتم های ساخته شده در موتور پردازش اسپارک.

تیم های تجزیه و تحلیل می توانند از نسخه های منبع باز پایه R و سایر زبان های تحلیلی استفاده کنند یا برای نسخه های تجاری ارائه شده توسط فروشندگانی مانند مایکروسافت هزینه کنند. ابزارهای تجاری ممکن است گران باشند، اما آنها با پشتیبانی فنی از فروشنده ارائه می شوند. برعکس، کاربران نسخه‌های منبع باز خالص باید به تنهایی عیب‌یابی کنند یا از طریق سایت‌های پشتیبانی جامعه منبع باز کمک بگیرند.

روی این پیوند کلیک کنید تا گزارش لاتون نویسنده فناوری درباره چگونگی تکامل نرم‌افزار تحلیل پیش‌بینی‌کننده و شش ابزار برتر تحلیل پیش‌بینی‌کننده برای سال 2022 را بخوانید.

به طور سنتی حوزه دانشمندان داده و سایر متخصصان کمی، تجزیه و تحلیل پیش‌بینی‌کننده یک هنر و علمی بوده است که توسط افراد بسیار آموزش دیده برای – زمانی که کار می‌کند – به نفع عده‌ی زیادی انجام می‌شود.

اما حوزه تجزیه و تحلیل پیشرفته در حال تغییر است. همانطور که در مقاله لاوتون در مورد ابزارها و تکنیک های تجزیه و تحلیل پیش بینی شده ذکر شد، فروشندگان در حال یافتن راه هایی برای کاهش زمان و تخصص در ساخت مدل های پیش بینی هستند. لاوتون گزارش داد: «آنچه قبلاً به هفته‌ها کدنویسی نیاز داشت، اکنون با چند کلیک ماوس و اتوماسیون زیاد در قسمت پشتی قابل انجام است.

تکنیک‌های پیشرفته یادگیری ماشین نیاز به درک عمیق چگونگی تأثیر متغیرهای مختلف بر یکدیگر را کاهش می‌دهند و به‌طور خودکار بهترین ترکیب الگوریتم‌ها را برای یک کار مشخص انتخاب می‌کنند. همچنین بازار رو به رشدی از ابزارهای تجزیه و تحلیل خاص صنعت با مدل ها و قالب های از پیش ساخته شده وجود دارد که بهترین شیوه ها را در بر می گیرد و به طور چشمگیری فرآیند تحلیل پیش بینی را ساده می کند. برای استفاده از اصطلاح صنعتی، تجزیه و تحلیل پیشگویانه در حال دموکراتیک شدن است – یا حداقل این نوید است.

بوریس اولسون، تحلیلگر اصلی Forrester Research، یک متخصص برجسته در تجزیه و تحلیل که برای چندین دهه این زمینه را پوشش داده است، این ابزارهای تحلیلی پیشرفته را به یکی از حوزه های اصلی تمرکز تحقیقاتی خود تبدیل کرده است. او گفت که الگوریتم‌های تعبیه‌شده ML و رابط‌های کاربری مکالمه، با پردازش زبان طبیعی و ویژگی‌های تولید زبان طبیعی، به طور بالقوه یک تغییر بازی هستند. بنابراین، نه تنها دیگر نیازی به یک دانشمند داده برای انجام این محاسبه ندارم، بلکه نیازی به یک دانشمند داده ندارم که آن را برای من توضیح دهد.”

اما این روزهای اولیه است و این ابزارهای شگفت‌انگیز بالقوه در برابر یک مانع دائمی قرار دارند. دو دهه پیش، Evelson گفت، پیشرفت‌های جدید در نرم‌افزار BI به‌عنوان «بزرگ‌ترین چیز از زمان تکه‌شدن نان» اعلام شد، که رابط‌های اشاره و کلیک کنید، بکشید و رها کنید که این فناوری پیشرفته آن زمان را در دسترس توده‌های کاربر قرار می‌دهد. . این اتفاق نیفتاد.

او گفت: «تعدادی که ما امروز دوست داریم استفاده کنیم حدود 20 درصد است – یعنی بیش از 20 درصد از همه تصمیم گیرندگان سازمانی که می توانند از این ابزارها استفاده کنند و باید استفاده کنند، امروز از آنها استفاده می کنند. بقیه هنوز به تحلیلگران حرفه ای داده تکیه می کنند.

فناوری تا حدودی مقصر است، اما بیشتر چالش‌های مردم، فرهنگ، فرآیند و داده‌ها هستند که مانع پذیرش گسترده‌تر می‌شوند. Evelson گفت با این پلتفرم های جدید تجزیه و تحلیل افزوده شده، “آیا این 20٪ اکنون 30٪، 40٪، 50٪ می شود؟ من نمی دانم.”

او اضافه کرد که فقط زود نیست، بلکه مزایایی که این پلتفرم‌های اطلاعاتی خودکار به همراه دارند، خطراتی نیز به همراه دارند. الگوریتم‌ها و مدل‌های یادگیری ماشین فقط به اندازه داده‌هایی هستند که روی آنها آموزش دیده‌اند. اولسون می‌گوید: «اگر این داده‌ها به سرعت تغییر می‌کنند، و در الگویی تغییر می‌کنند که دیگر شبیه داده‌هایی که روی آن‌ها آموزش دیده‌اند نیست – خوب، دانشمندان داده حرفه‌ای این را می‌فهمند و آن را در فرآیند کار می‌کنند.» اما ModelOps «هنوز واقعاً راه خود را به این پلتفرم‌های جدید BI تقویت‌شده باز نکرده است». به‌روزرسانی این مدل‌ها می‌تواند برای بسیاری از افراد یک کار تمام وقت باشد، او اشاره کرد که در حال حاضر، حداقل، تجزیه و تحلیل پیش‌بینی‌کننده و سایر اشکال تجزیه و تحلیل پیشرفته هنوز یک بازی حرفه‌ای است.