Fan Database

使用统计算法和机器学习技术分析历史和当前数据，对未来事件做出明智的预测。 或者“根据当前和历史数据确定未来表现”（Investopedia）。 这就是预测分析。 预测分析模型是用于执行此分析的工具（通常非常复杂）。 预测分析模型的实际应用遍布各行各业，拥有众多用例。以下是一些示例： 医疗保健——评估患者风险 财务——审查信誉 零售——预测需求和销售并管理库存 制造业——预测机器何时需要维护（或更换） 营销——根据潜在购买行为、偏好和客户价值对客户进行细分 注意：最后一个例子（营销）是 Demandbase 闪耀光芒的地方。


建模是秘密武器，是确保预测分析尽可能接近准确的特殊武器。 挥作用 数据。一切都始于数据（也终于数据）。 预测模型从数据收集开始——收集相关数据。这些数据可以来自历史记录（例如 CRM）、实时信息（社交媒体、BI 工具）、结构化 日本数据 数据（电子表格）、非结构化数据（文本、图像等）等等。 接下来：数据清理。俗话说，“垃圾进，垃圾出”（或“坏数据进，坏数据出”）。您的数据必须干净整洁。这一步不能忽视或仓促完成。 查找缺失值。删除重复项。将数据转换为可供分析的格式。 现在，选择与您要预测的结果最相关的特征（或变量）。


这也可能是您的团队意识到需要向模型添加更多功能以提高其准确性的地方。 选择您的模型！您选择的模型取决于您要解决的问题。注意：我们将在下一节中深入探讨各种模型。 训练不只是运动员的专利。确保你的模型“训练完毕”并准备就绪是至关重要的。从一小部分数据样本开始这一过程。此时模型将学会识别特征与结果之间的模式或关系。 测试和验证的时间到了。 输入一组与训练期间使用的数据不同的数据。您正在评估模型的准确性——它在处理新的、未见过的数据时表现如何？ 现在是时候在现实环境中全面部署您的模型并开始进行预测了。 预测模型并非“设置后就忘了”的情况——它需要不断监控和更新。