Analitik prediktif: Perbedaan antara revisi

'''PredictiveAnalitik analyticsprediktif''' ({{lang-en|Predictive analytics}}) mencakup berbagai teknik statistik dari pemodelan prediktif, [[pembelajaran mesin]]<nowiki/>dan [[Penggalian data|data mining]] yang menganalisis arus dan fakta-fakta sejarah untuk membuat prediksi tentang masa depan atau peristiwa yang tidak diketahui.<ref /><ref />

Dalam bisnis, model prediktif memanfaatkan [[Pengenalan pola|pola-pola yang]] ditemukan dalam sejarah dan data transaksional untuk mengidentifikasi risiko dan peluang. Model menangkap hubungan antara banyak faktor untuk memungkinkan penilaian risiko atau potensi yang terkait dengan satu set tertentu dari kondisi, membimbing [[pengambilan keputusan]] bagi calon transaksi.<ref />

Predictive analytics digunakan dalam ilmu aktuaria,<ref name="Conz">{{citation|last=Conz|first=Nathan|title=Insurers Shift to Customer-focused Predictive Analytics Technologies|date=September 2, 2008|url=http://www.insurancetech.com/business-intelligence/210600271|magazine=Insurance & Technology}}</ref> [[pemasaran]],<ref>{{citation|last=Fletcher|first=Heather|title=The 7 Best Uses for Predictive Analytics in Multichannel Marketing|date=March 2, 2011|url=http://www.targetmarketingmag.com/article/7-best-uses-predictive-analytics-modeling-multichannel-marketing/1#|magazine=Target Marketing}}</ref> [[jasa keuangan]],<ref>{{citation|last=Korn|first=Sue|title=The Opportunity for Predictive Analytics in Finance|date=April 21, 2011|url=http://www.hpcwire.com/hpcwire/2011-04-21/the_opportunity_for_predictive_analytics_in_finance.html|magazine=HPC Wire}}</ref> [[asuransi]], [[telekomunikasi]],<ref name="Barkin">{{citation|last=Barkin|first=Eric|title=CRM + Predictive Analytics: Why It All Adds Up|date=May 2011|url=http://www.destinationcrm.com/Articles/Editorial/Magazine-Features/CRM---Predictive-Analytics-Why-It-All-Adds-Up-74700.aspx|magazine=Destination CRM}}</ref> [[Eceran|ritel]],<ref>{{citation|title=Competitive Advantage in Retail Through Analytics: Developing Insights, Creating Value|date=July 1, 2006|url=http://www.information-management.com/infodirect/20060707/1057744-1.html|last1=Das|last2=Vidyashankar|first1=Krantik|first2=G.S.|magazine=Information Management}}</ref> perjalanan,<ref>{{citation|last=McDonald|first=Michèle|title=New Technology Taps 'Predictive Analytics' to Target Travel Recommendations|date=September 2, 2010|url=http://www.travelmarketreport.com/technology?articleID=4259&LP=1,|magazine=Travel Market Report}}</ref> mobilitas{{Ambigu|date=May 2017}}, <ref>{{Cite journal|last=Moreira-Matias|first=Luís|last2=Gama|first2=João|last3=Ferreira|first3=Michel|last4=Mendes-Moreira|first4=João|last5=Damas|first5=Luis|date=2016-02-01|title=Time-evolving O-D matrix estimation using high-speed GPS data streams|url=http://www.sciencedirect.com/science/article/pii/S0957417415006053|journal=Expert Systems with Applications|volume=44|pages=275–288|doi=10.1016/j.eswa.2015.08.048}}</ref> [[Perawatan kesehatan|kesehatan]],<ref>{{citation|last=Stevenson|first=Erin|title=Tech Beat: Can you pronounce health care predictive analytics?|date=December 16, 2011|url=http://www.times-standard.com/business/ci_19561141|newspaper=Times-Standard}}</ref> perlindungan anak,<ref>{{Cite journal|last=Lindert|first=Bryan|date=October 2014|title=Eckerd Rapid Safety Feedback Bringing Business Intelligence to Child Welfare|url=http://static.eckerd.org/wp-content/uploads/Eckerd.pdf|journal=Policy & Practice|doi=|pmid=|access-date=March 3, 2016}}</ref><ref>{{Cite web|url=http://www.huffingtonpost.com/marquis-cabrera/florida-leverages-predictive_b_8586712.html|title=Florida Leverages Predictive Analytics to Prevent Child Fatalities -- Other States Follow|website=The Huffington Post|access-date=2016-03-25}}</ref> obat-obatan,<ref>{{citation|last=McKay|first=Lauren|title=The New Prescription for Pharma|date=August 2009|url=http://www.destinationcrm.com/articles/Web-Exclusives/Web-Only-Bonus-Articles/The-New-Prescription-for-Pharma-55774.aspx|magazine=Destination CRM}}</ref> perencanaan kapasitas{{Butuh rujukan|date=September 2015}} dan bidang lainnya.

Salah satu yang paling dikenal adalah aplikasi credit scoring,<ref /> yang digunakan di seluruh [[Jasa keuangan|layanan jasa keuangan]]. Model penilaian proses pelanggan dengan sejarah kredit, [[Pinjaman|pinjaman]] aplikasi]], data pelanggan, dll., dalam rangka untuk rank-order individu oleh mereka kemungkinan membuat masa depan pembayaran kredit tepat waktu.

Predictive analytics merupakan daerah statistik yang berhubungan dengan penggalian informasi dari data dan menggunakannya untuk memprediksi tren dan pola perilaku. Sering tidak diketahui acara menarik di masa depan, tapi predictive analytics dapat diterapkan untuk setiap jenis yang tidak diketahui apakah itu di masa lalu, sekarang atau masa depan. Misalnya, mengidentifikasi tersangka setelah kejahatan telah dilakukan, atau penipuan kartu kredit seperti itu terjadi.<ref /> inti dari predictive analytics bergantung pada menangkap hubungan antara variabel penjelas dan prediksi variabel dari kejadian masa lalu, dan memanfaatkan mereka untuk memprediksi hasil yang tidak diketahui. Hal ini penting untuk dicatat, bagaimanapun, bahwa akurasi dan kegunaan dari hasil akan sangat tergantung pada tingkat analisis data dan kualitas dari asumsi-asumsi.

Predictive analytics sering didefinisikan sebagai memprediksi pada yang lebih rinci tingkat granularity, yaitu, menghasilkan prediksi skor (probabilitas) untuk masing-masing elemen organisasi. Ini membedakannya dari peramalan. Misalnya, "Predictive analytics—Teknologi yang belajar dari pengalaman (data) untuk memprediksi perilaku masa depan individu dalam rangka untuk mendorong keputusan yang lebih baik."<ref /> Di masa depan sistem industri, nilai predictive analytics akan memprediksi dan mencegah potensi masalah untuk mencapai dekat-zero break-down dan selanjutnya diintegrasikan ke preskriptif analisis untuk keputusan optimasi.{{Butuh rujukan|date=August 2016}} Selain itu, data dikonversi dapat digunakan untuk loop tertutup siklus hidup produk perbaikan<ref /> yang merupakan visi dari Industri Internet Konsorsium.

=== Analisis manajemen hubungan pelanggan (CRM) ===

Selama 5 tahun terakhir, beberapa lembaga kesejahteraan anak sudah mulai menggunakan analisis prediktif untuk bendera risiko tinggi kasus.<ref /> pendekatan Yang telah disebut "inovatif" oleh Komisi untuk Menghilangkan Kekerasan terhadap Anak dan Mengabaikan Kematian (CECANF),<ref /> dan di Hillsborough County, Florida, di mana memimpin anak badan kesejahteraan menggunakan pemodelan prediktif alat, belum ada penyalahgunaan yang berkaitan dengan kematian anak dalam populasi target seperti tulisan ini.<ref />

Para ahli menggunakan analisis prediktif dalam perawatan kesehatan terutama untuk menentukan mana pasien berada pada risiko mengembangkan kondisi-kondisi tertentu, seperti diabetes, asma, penyakit jantung, dan lain seumur hidup penyakit. Selain itu, canggih sistem pendukung keputusan klinis menggabungkan analisis prediktif untuk mendukung pengambilan keputusan medis pada titik perawatan. Definisi kerja yang telah dikemukakan oleh Jerome A. Osheroff dan rekan-rekan:<ref /> ''pendukung keputusan Klinis ('''CD''') menyediakan dokter, staf, pasien, atau orang lain dengan pengetahuan dan orang-informasi tertentu, cerdas disaring atau disajikan pada saat yang tepat, untuk meningkatkan kesehatan dan perawatan kesehatan. Ini meliputi berbagai tools dan intervensi seperti komputerisasi peringatan dan pengingat, pedoman klinis, order set, data pasien laporan dan dashboard, dokumentasi template, penunjang diagnostik, dan alur kerja klinis yang sesuai''.

2016 studi gangguan neurodegenerative memberikan sebuah contoh yang kuat dari CD platform untuk mendiagnosa, lagu, memprediksi dan memantau perkembangan [[penyakit Parkinson]].<ref /> Menggunakan besar dan multi-sumber pencitraan, genetika, klinis dan data demografi, ini peneliti mengembangkan sebuah sistem pendukung keputusan yang dapat memprediksi keadaan penyakit dengan akurasi yang tinggi, konsistensi dan presisi. Mereka dipekerjakan model klasik berbasis mesin dan model pembelajaran-metode gratis untuk membeda-bedakan antara pasien yang berbeda dan kelompok kontrol. Pendekatan serupa dapat digunakan untuk prediksi diagnosis dan perkembangan penyakit peramalan dalam banyak gangguan neurodegenerative seperti [[Alzheimer]], [[Penyakit Huntington|Huntington]], [[Sklerosis lateral amiotrofik|Amyotrophic Lateral Sclerosis]], serta klinis dan biomedis aplikasi dimana Data Besar yang tersedia.

Sering organisasi perusahaan mengumpulkan dan memelihara data yang melimpah (misalnya pelanggan catatan, transaksi penjualan) seperti yang mengeksploitasi hubungan yang tersembunyi dalam data yang dapat memberikan keuntungan kompetitif. Untuk sebuah organisasi yang menawarkan beberapa produk, predictive analytics dapat membantu menganalisis pelanggan pengeluaran, penggunaan, dan perilaku lain, yang mengarah ke yang efisien penjualan silang, atau menjual produk-produk tambahan kepada pelanggan saat ini.<ref /> hal Ini secara langsung menyebabkan profitabilitas yang lebih tinggi per pelanggan dan hubungan pelanggan yang lebih kuat.

Dengan jumlah yang bersaing, layanan yang tersedia, perusahaan perlu fokus pada upaya mempertahankan terus-menerus kepuasan pelanggan, penghargaan loyalitas konsumen dan meminimalkan pelanggan gesekan. Selain itu, peningkatan kecil dalam retensi pelanggan telah ditunjukkan untuk meningkatkan keuntungan secara tidak proporsional. Salah satu penelitian menyimpulkan bahwa peningkatan 5% dalam retensi pelanggan tarif akan meningkatkan keuntungan sebesar 25% sampai 95%.<ref /> Bisnis cenderung untuk menanggapi pelanggan gesekan pada reaktif dasar, hanya bertindak setelah pelanggan telah memulai proses untuk menghentikan layanan. Pada tahap ini, kesempatan untuk mengubah keputusan pelanggan hampir nol. Aplikasi yang tepat dari predictive analytics dapat menyebabkan lebih proaktif strategi retensi. Dengan sering pemeriksaan dari pelanggan masa lalu, penggunaan layanan, kinerja pelayanan, pengeluaran dan lain pola perilaku, model prediksi dapat menentukan kemungkinan pelanggan mengakhiri layanan kadang-kadang segera.<ref /> intervensi dengan menawarkan menguntungkan dapat meningkatkan kesempatan untuk mempertahankan pelanggan. Diam gesekan, perilaku pelanggan untuk perlahan-lahan tapi pasti mengurangi penggunaan, adalah masalah lain yang banyak dihadapi perusahaan. Predictive analytics juga dapat memprediksi perilaku ini, sehingga perusahaan dapat mengambil tindakan yang tepat untuk meningkatkan aktivitas pelanggan.

[[Penipuan]] adalah masalah besar bagi banyak perusahaan dan dapat dari berbagai jenis, yaitu: akurat aplikasi kredit, penipuan transaksi (baik offline maupun online), [[pencurian identitas]] palsu dan [[Asuransi|klaim asuransi]]. Masalah ini wabah perusahaan-perusahaan dari semua ukuran di banyak industri. Beberapa contoh kemungkinan korban adalah penerbit kartu kredit, perusahaan asuransi,<ref /> para pedagang eceran, produsen, bisnis-ke-bisnis pemasok dan bahkan penyedia jasa. Model prediksi dapat membantu menyingkirkan para "penjahat" dan mengurangi eksposur bisnis penipuan.

Pemodelan prediktif juga dapat digunakan untuk mengidentifikasi risiko tinggi penipuan calon dalam bisnis atau sektor publik. Mark Nigrini dikembangkan risiko-metode scoring untuk mengidentifikasi audit target. Dia menjelaskan penggunaan pendekatan ini untuk mendeteksi kecurangan pada franchisee laporan penjualan internasional rantai makanan cepat saji. Masing-masing lokasi adalah mencetak gol menggunakan 10 prediktor. 10 skor kemudian tertimbang untuk memberikan satu final risiko secara keseluruhan skor untuk setiap lokasi. Sama mencetak pendekatan ini juga digunakan untuk mengidentifikasi risiko tinggi check kiting rekening, berpotensi penipuan agen perjalanan, dan dipertanyakan vendor. Yang cukup kompleks model digunakan untuk mengidentifikasi penipuan laporan bulanan yang disampaikan oleh divisi pengendali.<ref />

The [[Internal Revenue Service]] (IRS) Amerika Serikat juga menggunakan analisis prediktif untuk tambang pengembalian pajak dan mengidentifikasi [[Penghindaran pajak|penipuan pajak]].<ref />

Sering fokus analisis adalah bukan konsumen tapi produk, portofolio, perusahaan, industri atau bahkan ekonomi. Misalnya, pengecer mungkin tertarik dalam memprediksi toko-tingkat permintaan untuk manajemen persediaan tujuan. Atau Dewan Federal Reserve mungkin akan tertarik dalam memprediksi tingkat pengangguran untuk tahun berikutnya. Jenis-jenis masalah ini dapat diatasi dengan analisis prediktif menggunakan time series teknik (lihat di bawah). Mereka juga dapat diatasi melalui pendekatan pembelajaran mesin yang mengubah waktu asli seri ke sebuah fitur vektor ruang, di mana algoritma belajar menemukan pola-pola yang memiliki daya prediksi.<ref /><ref />

Banyak perusahaan harus memperhitungkan risiko paparan karena mereka layanan yang berbeda dan menentukan biaya yang dibutuhkan untuk menutup risiko. Misalnya, auto penyedia asuransi perlu untuk secara akurat menentukan jumlah premi untuk biaya untuk menutupi masing-masing mobil dan sopir. Keuangan perusahaan perlu menilai peminjam potensial dan kemampuan untuk membayar sebelum pemberian pinjaman. Untuk asuransi kesehatan, penyedia, predictive analytics dapat menganalisis beberapa tahun lalu klaim medis data, serta laboratorium, farmasi dan catatan-catatan lain jika tersedia, untuk memprediksi seberapa mahal sebuah enrollee mungkin di masa depan. Predictive analytics dapat membantu menanggung jumlah ini dengan memprediksi kemungkinan penyakit, [[Gagal bayar|default]], [[kebangkrutan]], dll. Predictive analytics dapat merampingkan proses akuisisi pelanggan dengan memprediksi masa depan risiko perilaku pelanggan menggunakan aplikasi data tingkat.<ref /> Predictive analytics dalam bentuk nilai kredit yang telah mengurangi jumlah waktu yang dibutuhkan untuk persetujuan kredit, terutama di pasar hipotek di mana keputusan pemberian kredit sekarang dibuat dalam hitungan jam, bukan hari atau bahkan berminggu-minggu. Tepat predictive analytics dapat menyebabkan tepat keputusan penetapan harga, yang dapat membantu mengurangi risiko di masa depan default.

[[Big data]] adalah koleksi dari data set yang sangat besar dan kompleks sehingga mereka menjadi canggung untuk bekerja dengan menggunakan tradisional [[Pangkalan data|database management]] tools. Volume, variety, dan velocity data besar telah memperkenalkan tantangan di seluruh papan untuk pengambilan, penyimpanan, pencarian, berbagi, analisis, dan visualisasi. Contoh-contoh sumber data yang besar seperti [[Blog|web log]], [[RFID]], sensor data, [[jejaring sosial]], Internet pencarian pengindeksan, call detail records, militer, pengawasan, dan data yang kompleks dalam astronomi, biogeokimia, genomik, dan ilmu atmosfer. Big Data merupakan inti dari sebagian besar predictive analytic jasa yang ditawarkan oleh organisasi.<ref />

Berkat kemajuan teknologi di perangkat keras komputer—Cpu lebih cepat, memori yang lebih murah, dan MPP arsitektur dan teknologi baru seperti Hadoop, MapReduce, dan di-database dan [[Penambangan teks|teks analytics]] untuk pengolahan data yang besar, sekarang layak untuk mengumpulkan, menganalisis, dan tambang dalam jumlah besar yang terstruktur dan yang tidak terstruktur data untuk wawasan baru.<ref /> Hal ini juga mungkin untuk menjalankan algoritma prediktif pada data streaming.<ref /> Hari ini, menjelajahi data besar dan menggunakan analisis prediktif adalah dalam jangkauan organisasi lebih dari sebelumnya dan metode-metode baru yang mampu untuk penanganan seperti dataset yang diusulkan.<ref /><ref />

Beberapa contoh dari jaringan syaraf tiruan teknik pelatihan [[Algoritma perambatan mundur|backpropagation]], cepat rambat, conjugate gradient descent, proyeksi operator, Delta-Bar-Delta dll. Beberapa tanpa pengawasan arsitektur jaringan multilayer [[Perceptron|perceptronsperceptron]]s, Kohonen jaringan, jaringan Hopfield, dll.

* [[scikit-learn| scikit-learn]] (Python)]]

* {{Cite book|title=Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die|last=Siegel, Eric|publisher=John Wiley|year=2013|isbn=978-1-1183118-568535685-2}}

[[KategoriCategory:Intelijen bisnis]]

[[KategoriCategory:Prediksi]]