Voorspellende analyse
Wat zijn voorspellende analyses?
Voorspellende analyses beschrijven het gebruik van statistieken en modellering om toekomstige prestaties te bepalen op basis van huidige en historische gegevens. Voorspellende analyses kijken naar patronen in gegevens om te bepalen of die patronen waarschijnlijk opnieuw zullen verschijnen, waardoor bedrijven en investeerders kunnen aanpassen waar ze hun middelen gebruiken om te profiteren van mogelijke toekomstige gebeurtenissen.
Belangrijkste leerpunten
- Voorspellende analyses zijn het gebruik van statistieken en modelleringstechnieken om toekomstige prestaties te bepalen.
- Het wordt gebruikt als besluitvormingsinstrument in verschillende industrieën en disciplines, zoals verzekeringen en marketing.
- Voorspellende analyses en machine learning worden vaak met elkaar verward, maar het zijn verschillende disciplines.
Inzicht in voorspellende analyses
Er zijn verschillende soorten voorspellende analysemethoden beschikbaar. Datamining omvat bijvoorbeeld de analyse van grote hoeveelheden gegevens om er patronen uit te detecteren. Tekstanalyse doet hetzelfde, behalve voor grote blokken tekst.
Voorspellende modellen kijken naar gegevens uit het verleden om de waarschijnlijkheid van bepaalde toekomstige uitkomsten te bepalen, terwijl beschrijvende modellen kijken naar gegevens uit het verleden om te bepalen hoe een groep kan reageren op een reeks variabelen.
Voorspellende analyses zijn een hulpmiddel bij het nemen van beslissingen in verschillende industrieën. Verzekeringsmaatschappijen onderzoeken bijvoorbeeld polisaanvragers om de waarschijnlijkheid te bepalen dat ze moeten uitbetalen voor een toekomstige claim op basis van de huidige risicopool van vergelijkbare polishouders, evenals gebeurtenissen uit het verleden die tot uitbetalingen hebben geleid. Marketeers kijken naar hoe consumenten hebben gereageerd op de algehele economie bij het plannen van een nieuwe campagne, en kunnen verschuivingen in de demografie gebruiken om te bepalen of de huidige mix van producten consumenten zal verleiden om een aankoop te doen.
Actieve handelaren kijken naar een verscheidenheid aan statistieken op basis van gebeurtenissen in het verleden wanneer ze beslissen of ze een effect willen kopen of verkopen. Voortschrijdende gemiddelden, banden en breekpunten zijn gebaseerd op historische gegevens en worden gebruikt om toekomstige prijsbewegingen te voorspellen.
Veelvoorkomende misvattingen over voorspellende analyse
Een veel voorkomende misvatting is dat voorspellende analyses en machine learning hetzelfde zijn. Voorspellende analyse omvat in wezen een reeks statistische technieken (waaronder machine learning, voorspellende modellen en datamining) en gebruikt statistieken (zowel historisch als actueel) om toekomstige resultaten te schatten of te voorspellen. Voorspellende analyses helpen ons mogelijke toekomstige gebeurtenissen te begrijpen door het verleden te analyseren. Terwijl machine learning daarentegen een deelgebied is van de informatica dat, volgens de definitie uit 1959 van Arthur Samuel – een Amerikaanse pionier op het gebied van computergames en kunstmatige intelligentie, ‘computers het vermogen geeft om te leren zonder expliciet te worden geprogrammeerd. “
De meest voorkomende voorspellende modellen zijn onder meer beslissingsbomen, regressies (lineair en logistiek) en neurale netwerken – het opkomende gebied van diepgaande leermethoden en -technologieën.
Voorbeeld van voorspellende analyse
Voorspellen is een essentiële taak bij de productie, omdat het zorgt voor een optimaal gebruik van middelen in een toeleveringsketen. Kritieke spaken van het supply chain-wiel, of het nu gaat om voorraadbeheer of werkvloer, vereisen nauwkeurige prognoses voor het functioneren. Voorspellende modellen worden vaak gebruikt om de kwaliteit van de gegevens die voor dergelijke prognoses worden gebruikt, op te schonen en te optimaliseren. Modellering zorgt ervoor dat meer gegevens door het systeem kunnen worden opgenomen, ook van klantgerichte operaties, om een nauwkeurigere prognose te garanderen.