予測分析は何を予測し、どの程度うまく機能しますか?

予測分析は、その名のとおり、データを分析して将来何が起こるかを把握します。 ほとんどの予測と同様に、100% 正しいことはありませんが、ビッグ データと人工知能によって、はるかに正確になっています。

かつては数学とコンピューター サイエンスの比較的専門的な分野でしたが、新しい予測技術はよりアクセスしやすく、簡単に適用できるようになりました。企業はそれを顧客に使用し、研究者はそれを病気に使用し、広告代理店はそれを消費者をターゲットにするために使用し、銀行は詐欺を防止するために使用します。 、そしてリストは続きます。 では、予測分析は実際にはどのように機能し、何を予測し、その予測はどの程度信頼できるのでしょうか?

それはどのように機能しますか？

予測分析には、いくつかの一般的な手順があります。

• 予測したいことを考えてみましょう: A 地点から B 地点まで車で移動するのにどれくらいの時間がかかりますか?
• 過去/現在のデータを収集します: このルート/現在の状況でのあなた/他の人の過去の経験。
• 重要な要因を特定します: 曜日、時間帯、天気、遅延の頻度など。
• モデルを作成して「トレーニング」します。各要因が歴史的に運転時間にどのように影響したかを把握してみてください。
• 現在の情報をプラグインして結果を取得します。暖かい月曜日の 17:30 に、ドライブに 30 分かかります。

これは簡単な例ですが、Google マップのトラフィック予測を見たことがあるなら、次のようなものを使用したことがあるでしょう。 それがどれほど正確かは、利用可能な履歴データとリアルタイム データの品質によって異なりますが、ほとんどの場合、かなり近い推測を行うことができます。これが予測分析のすべてです。

それは何を予測しますか？

予測分析は、医療研究、金融、製造、サプライ チェーンなどで生産的に使用されていますが、このテクノロジの最も収益性の高いアプリケーションの 1 つは、顧客の行動を分析して予測することです。 なぜ自分のデータが貴重な商品なのか疑問に思ったことがあるなら、これが主な理由の 1 つです。 大量のユーザー履歴データにアクセスできるため、企業は消費者のボタンを押す方法を簡単に把握できます。

ヘルスケアと医療では、予測分析は主に治療を最適化し、病気と闘う新しい方法を見つけるために使用されています。 過去の患者データを分析することで、病院は再来が必要な患者の数を減らし、よりパーソナライズされた治療計画を作成し、より正確なリスク評価を得ることができます。 予測分析モデルは、患者や集団によって生成されたデータを使用して危険因子や治療結果などを特定する、疾患研究にも重要です。

金融のアプリケーションも同様にリスクに焦点を当てています。具体的には、ローンまたはアカウントの安全な賭けは誰ですか? 予測分析を適用することで、金融機関は債務不履行のリスクが高い人物を特定し、不正行為に効果的にフラグを立てることができます。

しかし、小売業や広告業ほど予測分析に熱中している業界はありません。 顧客のあらゆる動きを監視し、それを大規模なデータベースに入力して、パターンを分析できるとしたらどうでしょう。 誰があなたのサービスの使用をやめる可能性が最も高いか、人々があなたの製品を使い続ける理由は何か、特定の広告に反応する可能性が最も高いのは誰か、キャンペーンで誰をターゲットにするべきかなど、すべてを実際に更新および分析できるデータで見つけることができます。時間。

これらの予測はどの程度正確ですか?

すべてのモデルが異なるため、この質問に対する単一の答えはありません。 データの品質、データの分析に使用される方法、およびその他の多くの要因のすべてが、予測の精度に影響します。 予測分析は常に正しいとは限りませんが、ビッグデータと人工知能の進歩のおかげで、正しくなっています もっと 当時の。

ビッグデータを「ビッグ」にするのは、必ずしもデータの量ではなく、大量のデータをどれだけ効果的に処理できるかです。 統計の多くは歴史的に、母集団から抽出されたサンプルに基づいて母集団について推測することに基づいており、これが不確実性の層を追加しています。

ただし、ビッグデータ ツールを使用すると、利用可能なデータをより多く使用して予測を行うことができるため、予測が正しい可能性が高くなります。 予測分析は、すでに人々の広告を配信し、通勤時間を把握するのに非常にうまく機能しており、将来的にはさらに効果的になるだけです.

ビッグ（悪い？）データ

どうすれば良い決断を下せますか? 人類の歴史の大部分において、私たちは脳を使って利用可能な入力を処理し、それに応じて行動してきました. 私たちの意思決定は、正確な情報の欠如、パターンを特定する能力の制限、および多くの偏見によって常に損なわれてきました。

しかし、大規模なデータセットを備えたよくできたアルゴリズムにはそのような問題はありません。私たちの精神的労働の多くを機械に任せることができるようになったことは、人類にとって大きな前進です。 もちろん、意図的または意図せずにアルゴリズムにバイアスがかかる可能性があり、データセットが破損する可能性があり、行動に関する予測は、小売体験の最適化に使用できるのと同じくらい簡単に社会的統制に使用できます. 私たちのシステムが透明で一般的に有益なものになるように開発することは、テクノロジーが未来を形作る (そして予測する) 方法に真の影響を与えるでしょう。

アンドリュー・ブラウン

Andrew Braun は、旅行、経済、数学、データ分析、フィットネスなど、幅広い興味を持つ生涯にわたる技術愛好家です。 彼は暗号通貨やその他の分散型テクノロジーの提唱者であり、新世代のイノベーションがお互いを凌駕し続けることを望んでいます。