Analitik prediktif: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
k Erik Fastman memindahkan halaman Predictive analytics ke Analitik prediktif |
kTidak ada ringkasan suntingan |
||
Baris 1:
'''
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.
Mendefinisikan fungsional pengaruh teknis ini adalah pendekatan yang predictive analytics menyediakan prediksi skor (probabilitas) untuk masing-masing individu (pelanggan, karyawan, kesehatan pasien, SKU produk, kendaraan, komponen, mesin, atau unit organisasi) dalam rangka untuk menentukan, menginformasikan, atau pengaruh proses organisasi yang berkaitan melintasi sejumlah besar individu, seperti dalam pemasaran, kredit penilaian risiko, deteksi penipuan, manufaktur, kesehatan, dan operasi pemerintah termasuk penegak hukum.
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}},
Salah satu yang paling dikenal adalah aplikasi credit scoring,
== Definisi ==
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.
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."
== Jenis ==
Baris 31:
Meskipun predictive analytics dapat menempatkan untuk digunakan dalam berbagai aplikasi, kami menguraikan beberapa contoh di mana predictive analytics telah menunjukkan dampak yang positif dalam beberapa tahun terakhir.
=== Analisis manajemen hubungan pelanggan
Analisis [[manajemen hubungan pelanggan]] (CRM) adalah sering aplikasi komersial dari analisis prediktif. Metode analisis prediktif yang diterapkan untuk data pelanggan untuk mengejar tujuan CRM, yang melibatkan membangun sebuah pandangan holistik dari pelanggan tidak peduli di mana informasi mereka berada di perusahaan atau departemen yang terlibat. CRM menggunakan analisis prediktif dalam aplikasi untuk kampanye pemasaran, penjualan, dan layanan pelanggan untuk beberapa nama. Alat-alat ini diperlukan dalam rangka untuk perusahaan untuk postur dan memfokuskan upaya mereka secara efektif di seluruh luasnya basis pelanggan mereka. Mereka harus menganalisis dan memahami produk-produk yang diminati atau memiliki potensi permintaan yang tinggi, memprediksi pelanggan' kebiasaan membeli dalam rangka untuk mempromosikan produk-produk yang relevan di beberapa titik sentuhan, dan secara proaktif mengidentifikasi dan mengurangi masalah-masalah yang memiliki potensi untuk kehilangan pelanggan atau mengurangi kemampuan mereka untuk mendapatkan yang baru. Analisis customer relationship management dapat diterapkan di seluruh siklus hidup pelanggan (akuisisi, hubungan pertumbuhan, retensi, dan memenangkan kembali). Beberapa bidang aplikasi yang diuraikan di bawah ini (pemasaran langsung, cross-selling, retensi pelanggan) adalah bagian dari manajemen hubungan pelanggan.
=== Perlindungan anak ===
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),
=== Sistem pendukung keputusan klinis ===
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:
2016 studi gangguan neurodegenerative memberikan sebuah contoh yang kuat dari CD platform untuk mendiagnosa, lagu, memprediksi dan memantau perkembangan [[penyakit Parkinson]].
=== Koleksi analytics ===
Baris 46:
=== Cross-jual ===
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.
=== Retensi pelanggan ===
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.
=== Pemasaran langsung ===
Baris 55:
=== Deteksi penipuan ===
[[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,
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.
The [[Internal Revenue Service]] (IRS) Amerika Serikat juga menggunakan analisis prediktif untuk tambang pengembalian pajak dan mengidentifikasi [[Penghindaran pajak|penipuan pajak]].
Terbaru{{Kapan|date=October 2011}} kemajuan teknologi juga telah diperkenalkan prediksi analisis perilaku untuk web deteksi penipuan. Jenis solusi memanfaatkan [[heuristik]] dalam rangka untuk belajar web normal perilaku pengguna dan mendeteksi anomali yang menunjukkan upaya penipuan.
=== Portofolio, produk, atau ekonomi-tingkat prediksi ===
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.
=== Manajemen risiko proyek ===
Baris 70:
=== Underwriting ===
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.
== Teknologi dan data besar pengaruh ==
[[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.
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.
== Teknik analisis ==
Baris 169:
Jaringan syaraf tiruan yang digunakan ketika sifat yang tepat dari hubungan antara input dan output tidak diketahui. Fitur kunci dari jaringan saraf adalah bahwa mereka mempelajari hubungan antara input dan output melalui pelatihan. Ada tiga jenis pelatihan yang digunakan oleh berbagai jaringan saraf: supervised dan unsupervised pelatihan dan penguatan belajar, dengan diawasi menjadi salah satu yang paling umum.
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 [[
==== Multilayer perceptron (MLP) ====
Baris 200:
* [[Orange (software)|Orange]]
* [[R (programming language)|R]]
* [[scikit-learn
* [[Weka (machine learning)|Weka]]}}Komersial prediktif alat analisis meliputi:{{Columns-list|2|* [[Alpine Data Labs]]
* [[Alteryx]]
Baris 258:
* {{Cite book|title=Rich Language Analysis for Counterterrrorism|last=Guidère, Mathieu|last2=Howard N, Sh. Argamon|publisher=Springer-Verlag|year=2009|isbn=978-3-642-01140-5|location=Berlin, London, New York}}
* {{Cite book|title=Machine Learning|last=Mitchell, Tom|publisher=McGraw-Hill|year=1997|isbn=0-07-042807-7|location=New York}}
* {{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-
* {{Cite book|title=Exploratory Data Analysis|last=Tukey, John|publisher=Addison-Wesley|year=1977|isbn=0-201-07616-0|location=New York}}
* {{Cite book|title=Predictive Analytics, Data Mining and Big Data. Myths, Misconceptions and Methods|last=Finlay, Steven|publisher=Palgrave Macmillan|year=2014|isbn=978-1-137-37927-6|location=Basingstoke}}
* {{Cite book|title=Pulse: Understanding the Vital Signs of Your Business|last=Coker, Frank|publisher=Ambient Light Publishing|year=2014|isbn=978-0-9893086-0-1|location=Bellevue, WA}}
[[
[[
|