Voorspellende modellen
Wat is voorspellende modellen?
Voorspellende modellering is het proces waarbij bekende resultaten worden gebruikt om een model te creëren, verwerken en valideren dat kan worden gebruikt om toekomstige resultaten te voorspellen. Het is een hulpmiddel dat wordt gebruikt in voorspellende analyses, een dataminingtechniek die probeert de vraag te beantwoorden “wat kan er in de toekomst gebeuren?”
Belangrijkste leerpunten
- Voorspellende modellering is het proces waarbij bekende resultaten worden gebruikt om een model te creëren, verwerken en valideren dat kan worden gebruikt om toekomstige voorspellingen te doen.
- Twee van de meest gebruikte voorspellende modelleringstechnieken zijn regressie en neurale netwerken.
- Bedrijven kunnen voorspellende modellen gebruiken om gebeurtenissen, klantgedrag en financiële, economische en marktrisico’s te voorspellen.
Inzicht in voorspellende modellen
Door historische gebeurtenissen te analyseren, kunnen bedrijven voorspellende modellen gebruiken om de kans op het voorspellen van gebeurtenissen, klantgedrag en financiële, economische en marktrisico’s te vergroten.
De snelle migratie naar digitale producten heeft een zee van gegevens gecreëerd die direct beschikbaar zijn voor bedrijven. Big data wordt door bedrijven gebruikt om de dynamiek van de klant-tot-business relatie te verbeteren. Deze enorme hoeveelheid realtime gegevens wordt opgehaald uit bronnen zoals sociale media, browsegeschiedenis op internet, gegevens van mobiele telefoons en cloud computing platforms.
De gegevens zijn echter meestal ongestructureerd en te complex voor mensen om in korte tijd te analyseren. Vanwege de enorme hoeveelheid gegevens gebruiken bedrijven voorspellende modelleringstools, vaak via computersoftwareprogramma’s. De programma’s verwerken enorme hoeveelheden historische gegevens om patronen in de gegevens te beoordelen en te identificeren. Van daaruit kan het model een historisch record opleveren, evenals een beoordeling van welk gedrag of welke gebeurtenissen zich waarschijnlijk opnieuw of in de toekomst zullen voordoen.
Voorspellende modellen kunnen door sportteams worden gebruikt om de kansen op succes te analyseren met behulp van spelersstatistieken en situationele analyse.
Toepassingen van voorspellende modellen
Voorspellende analyses gebruiken voorspellers of bekende functies om voorspellende modellen te maken die zullen worden gebruikt bij het verkrijgen van een uitvoer. Een voorspellend model kan leren hoe verschillende gegevenspunten met elkaar in verband staan. Twee van de meest gebruikte voorspellende modelleringstechnieken zijn regressie en neurale netwerken.
Op het gebied van statistiek verwijst regressie naar een lineaire relatie tussen de invoer- en uitvoervariabelen. Een voorspellend model met een lineaire functie heeft één voorspeller of kenmerk nodig om de output of uitkomst te voorspellen. Een bank die witwassen in een vroeg stadium hoopt op te sporen, zou bijvoorbeeld een lineair voorspellend model kunnen gebruiken.
De bank wil in kaart brengen welke van haar klanten op een bepaald moment waarschijnlijk zullen gaan witwassen. Met behulp van de klantgegevens van de bank wordt een voorspellend model gebouwd rond het bedrag aan geldoverdrachten in dollars dat klanten gedurende een bepaalde periode hebben gedaan.
Het model leert het verschil te herkennen tussen een witwastransactie en een normale transactie. Het optimale resultaat van het model zou een patroon moeten zijn dat aangeeft welke klant geld heeft witgewassen en welke niet. Als het model merkt dat er voor een bepaalde klant een patroon van fraude aan het ontstaan is, geeft dit een signaal voor actie, waaraan aandacht zal worden besteed door de afdeling fraudepreventie van de bank.
Tools voor voorspellende modellen
Voorspellende modellen worden ook gebruikt in neurale netwerken zoals machine learning en deep learning, gebieden in kunstmatige intelligentie (AI). De neurale netwerken zijn geïnspireerd door het menselijk brein en zijn gemaakt met een web van onderling verbonden knooppunten op hiërarchische niveaus, wat de basis vormt voor AI. De kracht van neurale netwerken ligt in hun vermogen om met niet-lineaire gegevensrelaties om te gaan. Ze zijn in staat om relaties en patronen tussen variabelen te creëren die voor menselijke analisten onmogelijk of te tijdrovend zouden blijken.
Enerzijds kan een bank bekende variabelen, zoals de waarde van door haar klanten geïnitieerde overschrijvingen, in haar model invoeren om te bepalen wie er waarschijnlijk zal gaan witwassen. Aan de andere kant kan een neuraal netwerk een krachtiger patroon creëren door een relatie tussen invoervariabelen te creëren. Deze invoervariabelen kunnen de inlogtijd, de geografische locatie van de gebruiker, het IP-adres van het apparaat van de gebruiker, de ontvanger of afzender van het geld en elke andere variabele of elk ander gedrag zijn dat waarschijnlijk betrokken is bij het witwassen van geld.
Andere voorspellende modelleringstechnieken die door financiële bedrijven worden gebruikt, zijn onder meer beslissingsbomen, datamining van tijdreeksen en Bayesiaanse analyse. Bedrijven die profiteren van big data door middel van voorspellende modelleringsmaatregelen, zijn beter in staat om te begrijpen hoe hun klanten omgaan met hun producten en kunnen potentiële risico’s en kansen voor het bedrijf identificeren.