Когда мы говорим про прогнозную аналитику, то представляем направление такой аналитики, которая занимается предсказанием будущих результатов на основе уже имеющихся данных, статистического моделирования, технологий поиска данных и машинного обучения. Для компаний характерно использовать данный тип аналитики, например, для того, чтобы выявить потенциальные риски и будущие возможности.
Обратимся к истории прогнозной аналитики. Мощные, быстрые, а самое главное, недорогие компьютеры позволили использовать весь потенциал прогнозной аналитики.
Ее история использования берет свое начало от 40-х годов XX века. В это время отмечается повышенный интерес правительства к линейному и компьютерному моделированию. «Моделирование по методу Монте-Карло» или неавтоматический анализ использовалось во время разработки технологий создания ядерного оружия.
С развитием компьютеров в 50-ые годы ХХ века продолжает развиваться нелинейное программирование и компьютерная эвристика, а также Р. Джонсон изобрел жесткий диск (HDD), который позднее ляжет в основу других инновационных решений: магнитные диски и системы управления базами данных (DBMS).
С развитием бирж, в 70–80 годах ХХ века прогнозную аналитику стали использовать для того, чтобы спрогнозировать акционерный курс. Такой ученый, как Эдгар Ф. Кодд, заложили теоретическое основание под реляционные базы данных и системы управления ими, включая интерфейс программирования приложений (API) и язык структурированных запросов (SQL).
Для персонализации и оптимизации цифровых способов работы с заказчиками и для развития маркетинга к 1990-м и 2000-м годам стали использовать обширные базы данных.
Виды прогнозной аналитики и способы их работы.
У каждой модели прогнозной аналитики имеются свои функции, цель и подходит для использования в рамках множества сценариев, поэтому мы можем говорить, что прогнанная аналитика не является автономной технологией. В целом, полученные сведения можно использовать для выявления аномальных экземпляров, а также прогнозирования будущих тенденций.
1. Классификационные модели
Такие модели применяются для анализа исторических данных (происходит объединение и сортировка данных по категориям). На предприятиях такие модели используют при решении сложных проблем и поиске новых потенциальных возможностей; для утверждения приложений, определении вероятности неплатежей, выявлении мошеннических транзакций.
2. Кластеризационные модели
В этой версии данные делятся на группы на основе общности критериев. Такие данные можно рассортировать по жестким и мягким кластерам. Жесткая кластеризация представляет собой прямую категоризацию, тогда как при мягкой учитывается допустимость данных. Применяются в маркетинге для планирования стратегии.
3. Прогнозные модели
Когда нам необходимо использовать некоторое количество входящих переменных для того, чтобы при помощи исторических числовых данных предсказать будущую количественную ценность объектов, то следует использовать данную категорию. Она позволит обеспечить наибольшую универсальность в рамках множества отраслей. Например, с учетом прошлых данных в розничных магазинах можно сделать прогноз об ожидаемом количестве посетителей или объеме продаж на любую из последующих недель и соответствующим образом спланировать свою работу.
4. Модели выявления аномалий
Особую популярность в применении получили данные модели на производстве, а также в финансовой сфере. Они способствуют выявлению возможных мошеннических действий или недостаточную эффективность.
И не нужно много объяснять, что модели выявления аномалий определяют в одном или нескольких наборах данных те данные, что выходят за рамки нормы, и помогают делать выводы на их основании.
5. Временные модели
Во временных моделях отмечается использование именно аномальных данных, причем входным первичным критерием является время. Это применяется для получения ценных идей относительно будущих периодов времени. Их преимуществом является возможность определять изменение конкретных показателей в течение определенного времени с учетом выбранных переменных, например, погода или предыдущие продажи. Обычно их применяют в сочетании с несколькими прогнозами, что позволяет качественнее спрогнозировать развитие или разработать более эффективную стратегию будущих действий.
Таким образом, мы видим, что прогнозная аналитика может быть полезна как в производственной сфере, так и в социокультурной и ее постоянное развитие существенно может облегчить работу многим.